Anthropic veröffentlicht Claude Opus 4.8
(anthropic.com)Anthropic hat Claude Opus 4.8 veröffentlicht, eine aktualisierte Version seines Spitzenmodells Claude Opus. Basierend auf der vorherigen Version 4.7 wurden die Benchmark-Leistungen verbessert und die Fähigkeit zur Zusammenarbeit gestärkt, während der Preis unverändert bleibt.
Wichtige Verbesserungen und Merkmale
- Leistungssteigerung: Bei Coding, Agenten-Fähigkeiten, Reasoning und Aufgaben mit praxisbezogenem Wissen zeigt das Modell eine bessere Leistung als das Vorgängermodell und konkurrierende Modelle wie GPT-5.5.
- Verbesserte Ehrlichkeit (Honesty): Probleme, bei denen die KI unbegründete Behauptungen aufstellt oder voreilige Schlussfolgerungen zieht, wurden reduziert. Opus 4.8 markiert unsichere Bereiche selbst, und die Wahrscheinlichkeit, Fehler im Code zu übersehen, ist im Vergleich zum vorherigen Modell etwa viermal geringer.
- Verlässliche Agenten-Fähigkeiten: Erste Tests zeigen, dass das Urteilsvermögen bei komplexen mehrstufigen Aufgaben geschärft wurde und das Modell bessere Zusammenarbeit demonstriert, indem es eigene Fehler erkennt und Einwände erhebt, wenn ein Plan nicht tragfähig ist.
- Kosteneffizienz: Die Geschwindigkeit des „Fast Mode“ wurde um das 2,5-Fache erhöht, und die Kosten sind im Vergleich zum vorherigen Modell um das 3-Fache gesunken.
Neue gleichzeitig veröffentlichte Funktionen
- Dynamic Workflows: Eine Research-Preview-Funktion von Claude Code, mit der sich Hunderte paralleler Sub-Agenten ausführen lassen, um komplexe Aufgaben wie die Migration großer Codebasen zu bewältigen.
- Effort Control: Nutzer können festlegen, wie viel Aufwand Claude in eine Aufgabe investieren soll. Bei hoher Einstellung denkt es tiefer nach und liefert Antworten in höherer Qualität, bei niedriger Einstellung reagiert es schneller.
- Message API Update: Systemeinträge können nun innerhalb des Nachrichten-Arrays eingebunden werden, sodass sich Anweisungen während der Arbeit aktualisieren lassen, ohne den Prompt-Cache zu zerstören.
Nächste Pläne
Anthropic entwickelt ein Modell, das Opus-Niveau zu geringeren Kosten bietet, und bereitet mit Project Glasswing eine neue Modellklasse mit höherer Intelligenz als Opus vor (Claude Mythos). Derzeit läuft Sicherheitstesting bei einigen Organisationen; in einigen Wochen soll das Modell für alle Kunden verfügbar sein.
Preise und Nutzungshinweise
- Normalmodus: Eingabe $5 / 1M Token, Ausgabe $25 / 1M Token (wie bei Opus 4.7)
- Fast Mode: Eingabe $10 / 1M Token, Ausgabe $50 / 1M Token
- Modellname:
claude-opus-4-8
11 Kommentare
Es bringt mich ständig dazu, unnötig herumzuprobieren, deshalb scheint mir ein stabiles GPT einfach besser zu sein.
Ich bin von Claude für 200 $ zu GPT für 100 $ + Claude für 100 $ gewechselt,
ab nächsten Monat will ich für Claude nur noch 20 $ ausgeben. Es ist sowieso nur für Reviews, daher brauche ich es nicht mehr so oft, und wenn es nicht reicht, nutze ich einfach AGY, das ich ohnehin kostenpflichtig abonniert habe, haha.
Warum werden Sonnet und Haiku eigentlich aufgegeben? Denkt man nur noch daran, mit GPT zu konkurrieren?
Es heißt, die
fast mode-Variante laufe 2,5-mal schneller als zuvor und sei dabei dreimal günstiger.Ich habe mein Claude-Abo auf Pro heruntergestuft und nutze gerade GPT, aber weil ich noch an etwas gearbeitet habe, ließ ich es eine Review machen — und dann war das gesamte Pro-Kontingent in nur 10 Minuten aufgebraucht und es stoppte.
Beeindruckend, Claude!
Bei mir lief heute Vormittag ein Skill, der Besprechungen oder Transkripte zusammenfasst. Ich habe dafür bei 4.8 den effort mit ultracode umgestellt und ausprobiert, und es ist besser als erwartet. Mein persönlicher Eindruck ist, dass es eine ähnliche Tendenz wie codex zeigt. Die Token-Effizienz ist zwar immer noch schlechter als bei codex, aber das Kontextfenster ist großzügig, und wegen des Workflows hat sich auch die Oberfläche für den Sub-Agent etwas geändert, was mir ebenfalls gefällt.
4.7 war gefühlt wirklich kaum brauchbar zu nutzen, ich hoffe sehr, dass 4.8 endlich besser geworden ist.
Ich frage mich auch, ob das nicht etwas war, das sie hastig herausgebracht haben, weil so viele Leute zu ChatGPT/Codex wechseln.
Die Wirkung, die bei
/effortherauskommt, ist ziemlich lustig, haha.Ich habe im Folgenden in der Übersetzung eines Hacker-News-Kommentars nachgeschlagen, was mit dem Ausdruck „niedrig hängende Früchte“ gemeint ist.
Im Original stand:
low hanging juice to squeeze out of smaller models <<
Das lässt sich ungefähr so verstehen: Es gibt noch viele niedrig hängende Früchte = es steckt noch reichlich Potenzial darin, das sich relativ leicht aus kleineren Modellen herausholen lässt.
Jetzt reicht's, ich hab schon jede Menge davon gehabt~
Hacker-News-Kommentare
Das ist, glaube ich, das erste Mal, dass es bei einem Frontier-Modell von Anthropic einen dritten Minor-Version-Bump gibt.
Hier wurden Sprünge um 0,5 nicht sequenziell veröffentlicht und brachten auch große Leistungssprünge mit sich, daher würde ich sie als Major-Versionen sehen. Beispiele wären Sonnet 3.5 oder Opus 4.5.
Jetzt hat die Opus-4.5-Linie mit 4.6, 4.7 und 4.8 Nachfolger bekommen, und selbst laut den Behauptungen fallen die Verbesserungen jeweils recht moderat aus.
Bei 4.6/4.7, die ich direkt genutzt habe, konnte ich im Vergleich zu meiner Erinnerung an 4.5 nicht klar greifen, welche Fähigkeiten besser geworden sind; der Unterschied war subjektiv zu vage, um ihn gut beurteilen zu können.
Vielleicht sind meine Ansprüche schon gesättigt oder das Modell ist inzwischen klüger als ich, sodass ich Fortschritte künftig nicht mehr wahrnehme; umgekehrt könnte es aber auch sein, dass ich sofort merken würde, wenn man meinen aktuellen 4.7-Workflow mit 4.5 laufen ließe, also dass es doch inkrementelle Verbesserungen gibt.
Auch für das Labor wirkt die Lage unerquicklich. Wenn es ein stärkeres Produkt gibt, sollen sie es gern veröffentlichen, damit man es nutzen kann. Wenn dieser Trend aber anhält, werden reale Verbesserungen für Endnutzer zunehmend unsichtbar und könnten sich wie häufige Austauschzyklen ohne Gegenwert anfühlen.
Bei kleinen Modellen gibt es noch niedrig hängende Früchte in einer Größenordnung von mehreren Zehnerpotenzen.
Dass Modelle mit 60–90B Parametern innerhalb von 2–3 Jahren die heutige Spitzenklasse bei Coding-Aufgaben übertreffen, wirkt fast sicher. Das Design steht nicht fest, und einfach wird es vermutlich nicht.
Dagegen ist viel unklarer, ob ein 1.2T-Modell beim Training noch in sinnvoller Weise besser würde.
Auf der Inferenzseite deutet die jüngste GRAM-Veröffentlichung darauf hin, dass es bei kleinen Modellen Spielraum für Inferenzverbesserungen in einer Größenordnung von vier Zehnerpotenzen geben könnte.
Google, OpenAI und Anthropic könnten in wenigen Tagen ein GRAM-basiertes 30B-Modell trainieren, und dieses Modell könnte bei lokaler Inferenz sogar besser sein als die heutigen Topmodelle mit über 1T Parametern. Wenn man es dann in wenigen Tagen auf ein etwa 600B-MoE-Modell hochskaliert, könnte es bei allgemeinem Weltwissen ebenfalls mit den Spitzenmodellen mithalten.
Modelle mit 1T+ Parametern lassen sich nicht so schnell trainieren. Wie viel GRAM in der Praxis tatsächlich verbessert, ist die große Variable, aber dass der Effekt nur marginal oder bedeutungslos ist, wirkt eher unwahrscheinlich.
Große Modelle können einem schon jetzt fast alles erzählen. Solange es LLMs sind, werden sie aber nicht alles richtig treffen.
Es scheint nicht mehr viel herauszuholen zu geben, wenn Gemini einem exakt sagen kann, wie groß Ke$ha ist oder wann Brittney Spears zuletzt im Gefängnis war.
Persönlich habe ich den Produktivitätsschub seit dem Release von 4.5 eher auf Verbesserungen am Harness und auf das von 200k auf 1M vergrößerte Kontextfenster zurückgeführt als auf das Modell selbst. Das galt für cc, cursor cli, codex, opencode usw.
Die „reine“ Intelligenz des eigentlichen Modells oder seine Fähigkeit, gute Entscheidungen zu treffen, wirkt seit 4.5 eher stagnierend. 4.6 war vielleicht etwas besser, aber das ließ sich kaum vom Effekt des In-Context-Learnings im 1M-Fenster trennen. Bei 4.7 hatte ich zusammen mit Kollegen sogar den Eindruck, dass die Urteilskraft nachgelassen hat und das Modell konsistent schlechtere und faulere Entscheidungen trifft.
Hinter den neuen Steuerungsfunktionen, die Endnutzern sichtbar sind, gibt es aus meiner Sicht wahrscheinlich deutlich feinere interne Unterkontrollen, mit denen sich nach Nutzertyp Meta-Anpassungen vornehmen lassen.
Gemeint sind feinere Steuerung des Aufwands, Geschwindigkeitskontrollen wie „dynamic workflow“ oder „fast mode“. Nach außen wirken sie wie User-Features, im Backend könnten sie aber auch Stellhebel sein, um nach einem IPO Kosten, Marge, ARR sowie Nutzerwachstum und -bindung auf die Kennzahlen der Quartalsberichte auszurichten.
Bisher scheint Opus 4.8 in dieselbe Richtung zu gehen. Es ist so langsam, dass es kaum nutzbar ist, wobei das auch an Problemen beim Rollout am Releasetag liegen könnte. Unsere vollständigen Opus-4.8-Tests laufen noch.
Die Daten stehen auf https://gertlabs.com/rankings
Die Haltung „Nutzer werden Opus 4.8 im Vergleich zur Vorgängerversion als moderate, aber spürbare Verbesserung empfinden“ wirkt erfrischend.
Ich habe auch gesehen, dass man im Web-UI adaptive thinking abschalten kann, was gut ist. Es gab oft Probleme, bei denen Thinking nicht funktionierte und die Modellausgabe dadurch miserabel wurde.
Gut, dass man es endlich deaktivieren kann. Falls das schon immer möglich war, wäre das allerdings etwas peinlich.
Ich schaue vor allem auf Web-Recherche, und Opus 4.7 war auf BrowseComp gegenüber Opus 4.6 zurückgefallen; in der Praxis war das ebenfalls so.
Opus 4.8 ist deutlich besser als 4.7 oder 4.6, und Websuche ist bei Chatbots einer der zentralen Anwendungsfälle.
Nach dem Muster: Andere Modellanbieter bringen alle x Monate ein großes Update, wir dagegen alle x/2 Monate ein inkrementelles.
Für mich wichtiger ist, wie CC auf die thinking-bezogenen 4.6-„spezifischen“ Flags reagiert; im Moment scheint es meine Einstellungen nicht zu überschreiben.
Ich hatte gehofft, dass diese Änderung es auf ein ähnliches Niveau bringt, aber nach dem eigenen Ausprobieren ist das noch nicht der Fall.
Bei einfachen Faktenfragen, bei denen ChatGPT kurz suchen, die Fakten prüfen und dann antworten würde, kommt Claude selbst mit dem neuen Modell und thinking high nach einem „Gute Frage!“ mit einer komplett erfundenen Antwort. Anders als GPT erkennt es nicht von selbst, dass es suchen müsste; man muss ihm sogar bei Basisfakten ausdrücklich sagen, dass es suchen soll.
Der Abschnitt Claude Mythos Preview mit der Aussage „Wir planen, eine neue Art von Modell mit noch höherer Intelligenz als Opus zu veröffentlichen“ wirkt interessanter als das 4.8-Release.
Im Rahmen von Project Glasswing wird es von einigen wenigen Organisationen für Cybersicherheitsarbeit genutzt, und für ein Modell auf diesem Niveau seien vor einer allgemeinen Veröffentlichung stärkere Cyber-Schutzmechanismen nötig.
Dass der IPO näher rückt, wird sich offensichtlich ebenfalls in öffentlichen Aussagen widerspiegeln. Fairerweise gehört das auch zu seiner Aufgabe.
Es könnte sein, dass der Grund für die Verzögerung des Modells nicht „wir machen es sicher“, sondern „wir wissen nicht, wie wir das in großem Maßstab oder kosteneffizient hosten sollen“ ist.
GPT 5.5 wirkte beim Finden von Schwachstellen bereits ungefähr so kompetent wie Mythos.
Und zuletzt unterschätzen Nichtfachleute die Bedeutung des Harness für die Modellleistung massiv. OpenHands gab es schon lange vor Claude Code, aber Claude Code hat durch clevere unterstützende Verfahren das Spielfeld verändert. Mythos ist wahrscheinlich mehr als nur ein simples Modell.
Verglichen mit den aktuellen chinesischen Konkurrenzmodellen wirken Sonnet und Haiku beim Preis-Leistungs-Verhältnis derzeit ziemlich unterlegen.
Dann frage ich mich, ob man bei Mythos dasselbe macht und das Mythos, das wir bekommen, in diesem Bereich eine abgeschwächte Version sein wird.
Genauer gesagt könnte Mythos in zwei Versionen aufgeteilt werden, und für die beängstigendere Seite wären weiterhin viele formale Freigabeverfahren nötig.
/mythos-security-auditbekommt.Hoffentlich werden normale Menschen so nicht vom Zugang ausgeschlossen.
Ich habe auf den thinking levels low und high jeweils einen Pelikan auf einem Fahrrad erzeugen lassen.
https://gist.github.com/simonw/68560eddb0b268a8417f80ceb7304dc6?permalink_comment_id=6172953#gistcomment-6172953
Das Ergebnis bei high ist eindeutig besser. Anders als bei low stimmt die Form des Fahrradrahmens.
Zum Vergleich ist hier das Ergebnis von Opus 4.7: https://gist.github.com/simonw/afcb19addf3f38eb1996e1ebe749c118?permalink_comment_id=6104087#gistcomment-6104087
Der Lenker dreht nicht das Vorderrad, sondern den Rahmen. Der Lenker müsste auf einer Linie mit dem Vorderrad montiert sein.
Hoffentlich liest 4.9 meinen Kommentar.
https://www.gianlucagimini.it/portfolio-item/velocipedia/
Auch Menschen können ziemlich schlecht darin sein, Fahrräder zu zeichnen.
https://tools.simonwillison.net/markdown-svg-renderer#url=https%3A%2F%2Fgist.github.com%2Fsimonw%2Ffea4f7546626d627862dc241a4e3a86a
Mein bevorzugter Coding-Benchmark für Frontier-Modelle ist, sie ein einfaches Echtzeit-Strategiespiel in einer einzigen Datei (js/html/css) bauen zu lassen.
Claude Code + Opus 4.8 im ultracode-Modus hat das tatsächlich sauber hinbekommen, und es war bisher das beste Ergebnis.
https://bsky.app/profile/senko.net/post/3mmwnrkwboc2v
Der Prompt lautete: „Erstelle ein einfaches, aber funktionierendes RTS-Spiel wie das alte WarCraft, StarCraft oder Command & Conquer. Der Spieler soll Gebäude errichten, Einheiten produzieren, Ressourcen sammeln und die gesamte Karte aufdecken. KI oder Multiplayer sind nicht nötig. Verwende einfache, aber ansprechende Grafik. Kein Sound. Implementiere alles in HTML/CSS/JS und mache es zu einer einzelnen Datei. JS/CSS-Bibliotheken oder Frameworks von Drittanbietern über CDN sind erlaubt.“
Interessant ist auch, dass der visuelle Stil den Dingen ziemlich ähnelt, die es für mich erzeugt hat.
Ich frage mich, wer sich durch solche Releases arbeitet und dann irgendwelche Metriken herauspickt, die andere Firmen vermutlich ausgewählt haben, damit ihr Modell gut aussieht.
Es fühlt sich an, als gäbe es etwa 8 Millionen Benchmarks. Bei jedem Release wirkt es so, als würde jedes Modell zufällig 5–10 davon auswählen und dann so darstellen, als hätte es bis auf einen alle gewonnen — als wolle man so tun, als hätte man nicht einfach Benchmarks herausgepickt, die wahrscheinlich zu einem „Benchmarkmaxxing“ passen.
Ich kenne die genaue Methodik nicht, aber bei alltäglichem Programmieren mit Claude-/GPT-Modellen passten die dort berichteten Ergebnisse zu meinem qualitativen Eindruck.
Von den in 4.7 gemeldeten Metriken wurden in 4.8 BrowseComp, CharXiv Reasoning, CyberGym, GPQA Diamond, MCP Atlas, MMMLU und SWE-bench Verified weggelassen. Die letzten vier wurden in früheren Opus-Releases fast immer erwähnt.
Was soll „5 % intelligenter“ überhaupt heißen? Meine Nutzungserfahrung wird anders ausfallen. Am besten probiert man es einfach selbst aus.
Ich glaube nicht, dass Anthropic intern gezielt auf Verbesserungen bei bestimmten Benchmarks hinarbeitet. Das ist eher eine Art, Fortschritt zu visualisieren; intern dürfte es deutlich komplexere Metriken geben.
Nach den ersten Ergebnissen von ArtificialAnalysis.ai wirkt GPT 5.5 bei Preis-Leistung noch besser.
OpenAI verwendet zur Lösung von Aufgaben etwa 50 % weniger Output-Token.
https://artificialanalysis.ai/?intelligence=coding-index&intelligence-efficiency=intelligence-efficiency-vs-output-tokens&models=gpt-5-5%2Cgpt-5-5-pro%2Cgemini-3-1-pro-preview%2Cclaude-opus-4-8%2Cclaude-opus-4-7%2Cnvidia-nemotron-3-super-120b-a12b
Claude müsste schon deutlich teurer werden, bevor ich wechseln würde.
Es hat mich gefreut, auf Seite 102 der System Card eine Bewertung der kreativen Kompetenz zu sehen.
In unserer Arbeit haben wir mehrere Frontier-AIs gebeten, notwendige APIs zu entwerfen, und dabei Opus 4.7, GPT-5.5 und andere verglichen. Opus 4.7 hat die kreativsten und intelligentesten API-Designs geliefert, was mich positiv überrascht hat — besonders weil GPT-5.5 bei mehreren Coding-Benchmarks vorne liegt.
Dabei wurde mir klar, dass es keinen gemeinsamen Benchmark zur Messung von „Kreativität“ und „Originalität“ gibt, und dass ein solcher Benchmark in gewisser Hinsicht sogar mit dem gängigen IFBench kollidieren könnte.
Trotzdem ist das im Systemdesign eine sehr wichtige Fähigkeit. Es ist gut zu sehen, dass Anthropic darauf achtet, und ich hoffe, dass auch öffentliche Benchmarks erscheinen, mit denen andere Modelle verglichen werden können.
https://cdn.sanity.io/files/4zrzovbb/website/c886650a2e96fc0925c805a1a7ca77314ccbf4a6.pdf
5.5 ist beim Coding zwar viel besser als beide, aber teurer. Deshalb lasse ich 4.7 Planung/Architektur machen, 4.6 das Coding, und 5.5 kritisiert und korrigiert am Ende.
GPT wirkt wie ein Roboter, der Anweisungen bekommt und sie einfach ausführt, während Opus gelegentlich tatsächlich gute Ideen hat und schlechte Ideen auch zurückweist — fast schon menschlich.
Deshalb teile ich es derzeit auf: Opus für Planung/Architektur/Strategie, GPT für reines Coding.
Beim agentischen Coding hilft auch, dass GPT mehr Token-Spielraum bekommen kann.
Leider scheint Claude Code durch dieses Backend-Release oder die neue CC-Version komplett kaputt zu sein.
Der Fehler „thinking blocks können nicht geändert werden“ macht lang laufende Sessions unbrauchbar: https://github.com/anthropics/claude-code/issues?q=is%3Aissue%20state%3Aopen%20blocks%20modified
stable-Branch von 4.7 auf.Ich habe es zwar gelöst, indem ich Claude ein Wiederherstellungsskript schreiben ließ, um die kaputte Session zu reparieren, aber das kann je nach Umgebung variieren.
https://gist.github.com/robertfw/993dbe8643c4fbdf12005dff2eca1f90
/rewindwiederherstellen und weitermachen.In meinen Tests ist Opus 4.8 etwas schlechter und fast doppelt so teuer wie Opus 4.7.
Ich war überrascht, dass es beim Test zur Datenextraktion versagt hat. Zweimal von drei Mal liegt es richtig, aber einmal gibt es irgendeinen Wert zufällig als null zurück.
Dass es bei Trivia-/domänenspezifischen Wissensaufgaben öfter scheitert, kann ich noch einigermaßen nachvollziehen. Es wirkt so, als würden die Modelle zunehmend stärker auf agentische Use Cases als auf allgemeine Intelligenz trainiert.
https://aibenchy.com/compare/anthropic-claude-opus-4-7-medium/anthropic-claude-opus-4-8-medium/
Ich prüfe mein Test-Harness noch einmal, aber da dies das erste Modell ist, das sich so verhält, halte ich es eher nicht für ein Problem auf meiner Seite.
Edit: Das Harness scheint korrekt zu sein, und bei reinen Coding-Aufgaben ist die Leistung gleich: https://i.snipboard.io/5xbpzY.jpg
„Claude Opus 4.8 is available everywhere today. Pricing for regular usage is unchanged from Opus 4.7: $5 per million input tokens and $25 per million output tokens. Pricing for fast mode is $10 per million input tokens and $50 per million output tokens.”
Ich frage mich, woher der Eindruck der doppelten Kosten kommt.