SprachmodellAktiv

Claude Opus 4.5

Anthropic

Veröffentlicht: November 2025
Datenstand: 8. September 2026

Intelligenz: Nicht gerankt
Gesamtwertung
Geschwindigkeit: 48,1 Token/s
Ausgabe-Tempo
Preis: 5 $ · 25 $
Eingabe · Ausgabe / 1 Mio. Token
Eingabe: Text, Bild
Ausgabe: Text

Für dieses Modell liegt keine veröffentlichte, kategorieweit vergleichbare Gesamtwertung vor.

Einträge 1-12 von 46. Seite 1 von 4.

Veröffentlichte Benchmarks

Die Charts vergleichen Modelle im selben dokumentierten Test. Das aktuelle Modell ist hervorgehoben.

Agentenaufgaben

6 Messreihen

BFCL v4

Overall

Was der Benchmark prüft: Berkeleys Function-Calling-Test verbindet einzelne und mehrstufige Tool-Aufrufe mit Websuche, Gedächtnis und Halluzinationsmessung.

Einordnung: Der Gesamtscore ist ein ungewichteter Mix der Teilbereiche und hängt von nativem Function Calling oder Prompt-Workarounds ab.

Mehr ist besser2 ModelleClaude Opus 4.5: Platz 1 von 2Datenstand: 2. September 2026

1.Claude Opus 4.577,47 %

2.Claude Sonnet 4.573,24 %

Skala: 0 % - 100 %

Quelle: Berkeley BFCL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: bfcl-v4-f7cf735-overall
Messgröße: unweighted overall accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Ungewichteter Gesamtscore aus agentischen, mehrstufigen und einzelnen Function-Calling-Tests.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-5-20251101-fc. Evaluator: Berkeley BFCL. Datensatztyp: public. Stand der Rangliste: 2026-04-12. Quellenkennung: berkeley-bfcl. Kennung der Evidenzaufnahme: curated-berkeley-bfcl-2026-09-02-8f6a222c9fa4. Prüfsumme der Quelldaten: 8f6a222c9fa497de3d8ea8610998d9e80881ac37f553de6987bb056de8e691d4. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Berkeley BFCL

GAIA Reliability

Consistency

Was der Benchmark prüft: Zuverlässigkeitsauswertung auf 165 GAIA-Aufgaben mit Wiederholungen und Perturbationen.

Einordnung: Trefferquote, Zuverlässigkeit, Konsistenz, Vorhersagbarkeit, Robustheit und Sicherheit sind getrennte Kennzahlen.

Mehr ist besser9 ModelleClaude Opus 4.5: Platz 1 von 9Datenstand: 6. August 2026

1.Claude Opus 4.50,81 Bewertung

1.Claude Opus 4.70,81 Bewertung

3.Gemini 3.1 Pro Preview0,76 Bewertung

4.Gemini 3.5 Flash0,75 Bewertung

5.GPT-4o mini0,73 Bewertung

6.Gemini 2.5 Pro0,72 Bewertung

7.Gemini 2.5 Flash0,7 Bewertung

8.o10,68 Bewertung

9.GPT-5.50,61 Bewertung

Skala: 0 Bewertung - 0,81 Bewertung

Quelle: Princeton HAL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hal-gaia-reliability-hal-reliability-consistency
Messgröße: aggregate consistency
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 9
Methodik und Einordnung: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-6dc9a7372aa5. Prüfsumme der Quelldaten: 6dc9a7372aa57246baa347fe9a721357c12568b43a736c4f29267d3e8099e829. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Princeton HAL

GAIA Reliability

Accuracy

Was der Benchmark prüft: Zuverlässigkeitsauswertung auf 165 GAIA-Aufgaben mit Wiederholungen und Perturbationen.

Einordnung: Trefferquote, Zuverlässigkeit, Konsistenz, Vorhersagbarkeit, Robustheit und Sicherheit sind getrennte Kennzahlen.

Mehr ist besser9 ModelleClaude Opus 4.5: Platz 4 von 9Datenstand: 6. August 2026

1.Gemini 3.5 Flash79,2 %

2.Gemini 3.1 Pro Preview76,2 %

3.Claude Opus 4.773,3 %

4.Claude Opus 4.568,5 %

5.GPT-5.562,8 %

6.Gemini 2.5 Pro52,5 %

7.Gemini 2.5 Flash46,7 %

8.o134,4 %

9.GPT-4o mini26,3 %

Skala: 0 % - 100 %

Quelle: Princeton HAL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hal-gaia-reliability-hal-reliability-overall
Messgröße: exact-match accuracy
Skala: 0-100
Teilnehmer: 9
Methodik und Einordnung: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-c9e8d3dda73e. Prüfsumme der Quelldaten: c9e8d3dda73e7db4cf1f7f27fd17b5b9cf99cd306a2010121415045b692de2d0. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Princeton HAL

GAIA Reliability

Predictability

Was der Benchmark prüft: Zuverlässigkeitsauswertung auf 165 GAIA-Aufgaben mit Wiederholungen und Perturbationen.

Einordnung: Trefferquote, Zuverlässigkeit, Konsistenz, Vorhersagbarkeit, Robustheit und Sicherheit sind getrennte Kennzahlen.

Mehr ist besser9 ModelleClaude Opus 4.5: Platz 1 von 9Datenstand: 6. August 2026

1.Claude Opus 4.50,84 Bewertung

2.Gemini 3.5 Flash0,8 Bewertung

2.GPT-5.50,8 Bewertung

4.Gemini 3.1 Pro Preview0,78 Bewertung

5.Claude Opus 4.70,73 Bewertung

6.Gemini 2.5 Pro0,71 Bewertung

7.o10,68 Bewertung

8.Gemini 2.5 Flash0,64 Bewertung

9.GPT-4o mini0,58 Bewertung

Skala: 0 Bewertung - 0,84 Bewertung

Quelle: Princeton HAL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hal-gaia-reliability-hal-reliability-predictability
Messgröße: aggregate predictability
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 9
Methodik und Einordnung: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-0810969a2419. Prüfsumme der Quelldaten: 0810969a241953f49cf21d98e373922e0582ee7a48723f0134230fefcc05296e. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Princeton HAL

GAIA Reliability

Reliability

Was der Benchmark prüft: Zuverlässigkeitsauswertung auf 165 GAIA-Aufgaben mit Wiederholungen und Perturbationen.

Einordnung: Trefferquote, Zuverlässigkeit, Konsistenz, Vorhersagbarkeit, Robustheit und Sicherheit sind getrennte Kennzahlen.

Mehr ist besser9 ModelleClaude Opus 4.5: Platz 1 von 9Datenstand: 6. August 2026

1.Claude Opus 4.50,85 Bewertung

2.Claude Opus 4.70,84 Bewertung

2.Gemini 3.5 Flash0,84 Bewertung

4.Gemini 3.1 Pro Preview0,82 Bewertung

5.GPT-5.50,79 Bewertung

5.o10,79 Bewertung

7.Gemini 2.5 Pro0,78 Bewertung

8.GPT-4o mini0,76 Bewertung

9.Gemini 2.5 Flash0,74 Bewertung

Skala: 0 Bewertung - 0,85 Bewertung

Quelle: Princeton HAL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hal-gaia-reliability-hal-reliability-reliability
Messgröße: aggregate reliability
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 9
Methodik und Einordnung: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-3b3c7e95ef29. Prüfsumme der Quelldaten: 3b3c7e95ef2907a9449e379b4710e314ca2e332ff72478241e313050b8046c1d. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Princeton HAL

GAIA Reliability

Robustness

Was der Benchmark prüft: Zuverlässigkeitsauswertung auf 165 GAIA-Aufgaben mit Wiederholungen und Perturbationen.

Einordnung: Trefferquote, Zuverlässigkeit, Konsistenz, Vorhersagbarkeit, Robustheit und Sicherheit sind getrennte Kennzahlen.

Mehr ist besser9 ModelleClaude Opus 4.5: Platz 7 von 9Datenstand: 6. August 2026

1.o11 Bewertung

2.Claude Opus 4.70,99 Bewertung

3.GPT-4o mini0,97 Bewertung

4.Gemini 3.5 Flash0,96 Bewertung

5.GPT-5.50,95 Bewertung

6.Gemini 3.1 Pro Preview0,94 Bewertung

7.Claude Opus 4.50,91 Bewertung

7.Gemini 2.5 Pro0,91 Bewertung

9.Gemini 2.5 Flash0,87 Bewertung

Skala: 0 Bewertung - 1 Bewertung

Quelle: Princeton HAL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hal-gaia-reliability-hal-reliability-robustness
Messgröße: aggregate robustness
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 9
Methodik und Einordnung: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-0bf85b7d6298. Prüfsumme der Quelldaten: 0bf85b7d6298735dacaf396cff511bab2654394cf3860535e6b12966bba882a2. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Princeton HAL

Wissen

5 Messreihen

FACTS Benchmark Suite

Document grounding

Was der Benchmark prüft: 3.513 öffentliche Beispiele prüfen Faktentreue bei Dokumenten, Bildern, internem Wissen und Websuche.

Einordnung: Der Gesamtscore mittelt vier verschiedene Fähigkeiten. Die Teilwerte bleiben für Entscheidungen wichtiger.

Mehr ist besser4 ModelleClaude Opus 4.5: Platz 3 von 4Datenstand: 9. August 2026

1.Gemini 2.5 Pro74,2 %

2.GPT-569,6 %

3.Claude Opus 4.562,1 %

4.GPT-4.145,6 %

Skala: 0 % - 100 %

Quelle: Google DeepMind

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: facts-suite-v2:official:grounding
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-6870a864ed52. Prüfsumme der Quelldaten: 6870a864ed520fe945d72701b2edd1d36f281604f98ca462d8238b0b98b87b1b. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Google DeepMind

FACTS Benchmark Suite

Multimodal factuality

Was der Benchmark prüft: 3.513 öffentliche Beispiele prüfen Faktentreue bei Dokumenten, Bildern, internem Wissen und Websuche.

Einordnung: Der Gesamtscore mittelt vier verschiedene Fähigkeiten. Die Teilwerte bleiben für Entscheidungen wichtiger.

Mehr ist besser4 ModelleClaude Opus 4.5: Platz 4 von 4Datenstand: 9. August 2026

1.Gemini 2.5 Pro46,9 %

2.GPT-544,1 %

3.GPT-4.140,1 %

4.Claude Opus 4.539,2 %

Skala: 0 % - 100 %

Quelle: Google DeepMind

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: facts-suite-v2:official:multimodal
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-19f1c1a4d1b3. Prüfsumme der Quelldaten: 19f1c1a4d1b3b8b81bec5b3e0a4aed7ae7e1d1e9680a4ee8bb86285e4eef4773. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Google DeepMind

FACTS Benchmark Suite

FACTS overall score

Was der Benchmark prüft: 3.513 öffentliche Beispiele prüfen Faktentreue bei Dokumenten, Bildern, internem Wissen und Websuche.

Einordnung: Der Gesamtscore mittelt vier verschiedene Fähigkeiten. Die Teilwerte bleiben für Entscheidungen wichtiger.

Mehr ist besser4 ModelleClaude Opus 4.5: Platz 3 von 4Datenstand: 9. August 2026

1.Gemini 2.5 Pro62,1 %

2.GPT-561,8 %

3.Claude Opus 4.551,3 %

4.GPT-4.150,5 %

Skala: 0 % - 100 %

Quelle: Google DeepMind

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: facts-suite-v2:official:overall
Messgröße: FACTS score
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-2c437e957aba. Prüfsumme der Quelldaten: 2c437e957aba94ab458935bcae2984b84e3bc4b502bc492175dcdf274f94f4a8. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Google DeepMind

FACTS Benchmark Suite

Parametric knowledge

Was der Benchmark prüft: 3.513 öffentliche Beispiele prüfen Faktentreue bei Dokumenten, Bildern, internem Wissen und Websuche.

Einordnung: Der Gesamtscore mittelt vier verschiedene Fähigkeiten. Die Teilwerte bleiben für Entscheidungen wichtiger.

Mehr ist besser4 ModelleClaude Opus 4.5: Platz 4 von 4Datenstand: 9. August 2026

1.Gemini 2.5 Pro63,2 %

2.GPT-555,8 %

3.GPT-4.151,5 %

4.Claude Opus 4.530,6 %

Skala: 0 % - 100 %

Quelle: Google DeepMind

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: facts-suite-v2:official:parametric
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-d96cd61e22ee. Prüfsumme der Quelldaten: d96cd61e22eeebd3c5b3b4ef95c92d1d01097631696428ff7b2532fb8c07d34c. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Google DeepMind

FACTS Benchmark Suite

Factuality with search

Was der Benchmark prüft: 3.513 öffentliche Beispiele prüfen Faktentreue bei Dokumenten, Bildern, internem Wissen und Websuche.

Einordnung: Der Gesamtscore mittelt vier verschiedene Fähigkeiten. Die Teilwerte bleiben für Entscheidungen wichtiger.

Mehr ist besser4 ModelleClaude Opus 4.5: Platz 2 von 4Datenstand: 9. August 2026

1.GPT-577,7 %

2.Claude Opus 4.573,2 %

3.GPT-4.164,6 %

4.Gemini 2.5 Pro63,9 %

Skala: 0 % - 100 %

Quelle: Google DeepMind

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: facts-suite-v2:official:search
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-587f77440d38. Prüfsumme der Quelldaten: 587f77440d38dbca82dd2fe811a20538a5a2757c30484e14b0d894fa0ff58fa0. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Google DeepMind

CORE-Bench Hard

Automatic validation

Was der Benchmark prüft: 45 öffentliche Aufgaben zur Reproduktion von Forschungsergebnissen mit Code, Daten und Abhängigkeiten.

Einordnung: Automatische und manuell geprüfte Werte sind verschiedene Metriken. Das Agentengerüst beeinflusst den Score stark.

Mehr ist besser2 ModelleClaude Opus 4.5: Platz 1 von 2Datenstand: 6. August 2026

1.Claude Opus 4.577,78 %

2.Claude Sonnet 4.562,22 %

Skala: 0 % - 100 %

Quelle: Princeton HAL

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hal-corebench-hard-claude-code-automatic
Messgröße: automatic accuracy
Skala: 0-100
Teilnehmer: 2
Methodik und Einordnung: Claude Code auf 45 öffentlichen Paper-Reproduktionen. Kosten sind durch 45 geteilt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: Claude Code. Agent: Claude Code. Kosten je Aufgabe in USD: 1.9368888888888889. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-a1a31dd8d645. Prüfsumme der Quelldaten: a1a31dd8d6455bb089695d0099ec1a57f1633370c20f0cf91962fe7dfb06ae33. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Princeton HAL

Dokumentierte Messdetails

Jede Beobachtung enthält den Quellwert und die veröffentlichten Testbedingungen.

BFCL v4: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 77.47
Bewertung: 77.47
Messgröße: unweighted overall accuracy
Einheit: %
Benchmark-Version: v4, commit f7cf735
Kategorie: agentic
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: bfcl-v4-f7cf735-overall
Quellentyp: official-leaderboard
Auswertung: Berkeley BFCL
Status: active
Abrufdatum: 2026-09-02
Methodik: Ungewichteter Gesamtscore aus agentischen, mehrstufigen und einzelnen Function-Calling-Tests.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-5-20251101-fc. Evaluator: Berkeley BFCL. Datensatztyp: public. Stand der Rangliste: 2026-04-12. Quellenkennung: berkeley-bfcl. Kennung der Evidenzaufnahme: curated-berkeley-bfcl-2026-09-02-8f6a222c9fa4. Prüfsumme der Quelldaten: 8f6a222c9fa497de3d8ea8610998d9e80881ac37f553de6987bb056de8e691d4. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Ungewichteter Gesamtscore aus agentischen, mehrstufigen und einzelnen Function-Calling-Tests.

Quelle Berkeley BFCL

FACTS Benchmark Suite: Document grounding (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 62.1
Bewertung: 62.1
Messgröße: accuracy
Einheit: %
Benchmark-Version: FACTS Benchmark Suite v2
Kategorie: knowledge
Aufgabe: grounding
Aufgabenbezeichnung: Document grounding
Richtung: Mehr ist besser
Vergleichskohorte: facts-suite-v2:official:grounding
Konfidenzintervall: 3.3
Quellentyp: official-leaderboard
Auswertung: Google DeepMind
Status: active
Abrufdatum: 2026-08-09
Methodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-6870a864ed52. Prüfsumme der Quelldaten: 6870a864ed520fe945d72701b2edd1d36f281604f98ca462d8238b0b98b87b1b. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.

Quelle Google DeepMind

FACTS Benchmark Suite: Multimodal factuality (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 39.2
Bewertung: 39.2
Messgröße: accuracy
Einheit: %
Benchmark-Version: FACTS Benchmark Suite v2
Kategorie: knowledge
Aufgabe: multimodal
Aufgabenbezeichnung: Multimodal factuality
Richtung: Mehr ist besser
Vergleichskohorte: facts-suite-v2:official:multimodal
Konfidenzintervall: 3.5
Quellentyp: official-leaderboard
Auswertung: Google DeepMind
Status: active
Abrufdatum: 2026-08-09
Methodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-19f1c1a4d1b3. Prüfsumme der Quelldaten: 19f1c1a4d1b3b8b81bec5b3e0a4aed7ae7e1d1e9680a4ee8bb86285e4eef4773. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.

Quelle Google DeepMind

FACTS Benchmark Suite: FACTS overall score (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 51.3
Bewertung: 51.3
Messgröße: FACTS score
Einheit: %
Benchmark-Version: FACTS Benchmark Suite v2
Kategorie: knowledge
Aufgabe: overall
Aufgabenbezeichnung: FACTS overall score
Richtung: Mehr ist besser
Vergleichskohorte: facts-suite-v2:official:overall
Quellentyp: official-leaderboard
Auswertung: Google DeepMind
Status: active
Abrufdatum: 2026-08-09
Methodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-2c437e957aba. Prüfsumme der Quelldaten: 2c437e957aba94ab458935bcae2984b84e3bc4b502bc492175dcdf274f94f4a8. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.

Quelle Google DeepMind

FACTS Benchmark Suite: Parametric knowledge (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 30.6
Bewertung: 30.6
Messgröße: accuracy
Einheit: %
Benchmark-Version: FACTS Benchmark Suite v2
Kategorie: knowledge
Aufgabe: parametric
Aufgabenbezeichnung: Parametric knowledge
Richtung: Mehr ist besser
Vergleichskohorte: facts-suite-v2:official:parametric
Konfidenzintervall: 2
Quellentyp: official-leaderboard
Auswertung: Google DeepMind
Status: active
Abrufdatum: 2026-08-09
Methodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-d96cd61e22ee. Prüfsumme der Quelldaten: d96cd61e22eeebd3c5b3b4ef95c92d1d01097631696428ff7b2532fb8c07d34c. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.

Quelle Google DeepMind

FACTS Benchmark Suite: Factuality with search (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 73.2
Bewertung: 73.2
Messgröße: accuracy
Einheit: %
Benchmark-Version: FACTS Benchmark Suite v2
Kategorie: knowledge
Aufgabe: search
Aufgabenbezeichnung: Factuality with search
Richtung: Mehr ist besser
Vergleichskohorte: facts-suite-v2:official:search
Konfidenzintervall: 1.7
Quellentyp: official-leaderboard
Auswertung: Google DeepMind
Status: active
Abrufdatum: 2026-08-09
Methodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Google DeepMind. Datensatztyp: public. Stand der Rangliste: 2025-12-11. Quellenkennung: google-deepmind. Kennung der Evidenzaufnahme: curated-google-deepmind-2026-08-09-587f77440d38. Prüfsumme der Quelldaten: 587f77440d38dbca82dd2fe811a20538a5a2757c30484e14b0d894fa0ff58fa0. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Öffentliche und private Splits. Dokument, Bild, internes Wissen und standardisierte Websuche bleiben getrennt.

Quelle Google DeepMind

CORE-Bench Hard: Automatic validation (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 77.78
Bewertung: 77.78
Messgröße: automatic accuracy
Einheit: %
Benchmark-Version: 45-paper public hard set
Kategorie: coding
Aufgabe: automatic
Aufgabenbezeichnung: Automatic validation
Richtung: Mehr ist besser
Vergleichskohorte: hal-corebench-hard-claude-code-automatic
Quellentyp: independent-evaluator
Auswertung: Princeton HAL
Status: active
Abrufdatum: 2026-08-06
Methodik: Claude Code auf 45 öffentlichen Paper-Reproduktionen. Kosten sind durch 45 geteilt.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: Claude Code. Agent: Claude Code. Kosten je Aufgabe in USD: 1.9368888888888889. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-a1a31dd8d645. Prüfsumme der Quelldaten: a1a31dd8d6455bb089695d0099ec1a57f1633370c20f0cf91962fe7dfb06ae33. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Claude Code auf 45 öffentlichen Paper-Reproduktionen. Kosten sind durch 45 geteilt.

Quelle Princeton HAL

GAIA Reliability: Consistency (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 0.81
Bewertung: 0.81
Messgröße: aggregate consistency
Einheit: rating
Benchmark-Version: final leak-cleaned public validation set
Kategorie: agentic
Aufgabe: consistency
Aufgabenbezeichnung: Consistency
Richtung: Mehr ist besser
Vergleichskohorte: hal-gaia-reliability-hal-reliability-consistency
Quellentyp: independent-evaluator
Auswertung: Princeton HAL
Status: active
Abrufdatum: 2026-08-06
Methodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-6dc9a7372aa5. Prüfsumme der Quelldaten: 6dc9a7372aa57246baa347fe9a721357c12568b43a736c4f29267d3e8099e829. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle Princeton HAL

GAIA Reliability: Accuracy (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 68.5
Bewertung: 68.5
Messgröße: exact-match accuracy
Einheit: %
Benchmark-Version: final leak-cleaned public validation set
Kategorie: agentic
Aufgabe: overall
Aufgabenbezeichnung: Accuracy
Richtung: Mehr ist besser
Vergleichskohorte: hal-gaia-reliability-hal-reliability-overall
Quellentyp: independent-evaluator
Auswertung: Princeton HAL
Status: active
Abrufdatum: 2026-08-06
Methodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-c9e8d3dda73e. Prüfsumme der Quelldaten: c9e8d3dda73e7db4cf1f7f27fd17b5b9cf99cd306a2010121415045b692de2d0. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle Princeton HAL

GAIA Reliability: Predictability (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 0.84
Bewertung: 0.84
Messgröße: aggregate predictability
Einheit: rating
Benchmark-Version: final leak-cleaned public validation set
Kategorie: agentic
Aufgabe: predictability
Aufgabenbezeichnung: Predictability
Richtung: Mehr ist besser
Vergleichskohorte: hal-gaia-reliability-hal-reliability-predictability
Quellentyp: independent-evaluator
Auswertung: Princeton HAL
Status: active
Abrufdatum: 2026-08-06
Methodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-0810969a2419. Prüfsumme der Quelldaten: 0810969a241953f49cf21d98e373922e0582ee7a48723f0134230fefcc05296e. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle Princeton HAL

GAIA Reliability: Reliability (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 0.85
Bewertung: 0.85
Messgröße: aggregate reliability
Einheit: rating
Benchmark-Version: final leak-cleaned public validation set
Kategorie: agentic
Aufgabe: reliability
Aufgabenbezeichnung: Reliability
Richtung: Mehr ist besser
Vergleichskohorte: hal-gaia-reliability-hal-reliability-reliability
Quellentyp: independent-evaluator
Auswertung: Princeton HAL
Status: active
Abrufdatum: 2026-08-06
Methodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-3b3c7e95ef29. Prüfsumme der Quelldaten: 3b3c7e95ef2907a9449e379b4710e314ca2e332ff72478241e313050b8046c1d. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle Princeton HAL

GAIA Reliability: Robustness (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 0.91
Bewertung: 0.91
Messgröße: aggregate robustness
Einheit: rating
Benchmark-Version: final leak-cleaned public validation set
Kategorie: agentic
Aufgabe: robustness
Aufgabenbezeichnung: Robustness
Richtung: Mehr ist besser
Vergleichskohorte: hal-gaia-reliability-hal-reliability-robustness
Quellentyp: independent-evaluator
Auswertung: Princeton HAL
Status: active
Abrufdatum: 2026-08-06
Methodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.. Kennung des Quellmodells: curated/claude-opus-4.5. Name des Quellmodells: Claude Opus 4.5. Anbieter laut Quelle: Anthropic. Evaluator: Princeton HAL. Datensatztyp: public. Harness: HAL Reliability. Agent: HAL Reliability. Quellenkennung: princeton-hal. Kennung der Evidenzaufnahme: curated-princeton-hal-2026-08-06-0bf85b7d6298. Prüfsumme der Quelldaten: 0bf85b7d6298735dacaf396cff511bab2654394cf3860535e6b12966bba882a2. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 165 GAIA-Aufgaben mit wiederholten Läufen und Perturbationen. Kosten veröffentlicht HAL für diese Auswertung nicht.

Quelle Princeton HAL

Eigene Modelltests

Community-Tests zum Anschauen

Vergleiche, wie die Modelle denselben Prompt umsetzen. Jeder Test zeigt den ersten Versuch, ohne nachträgliche Korrekturen am erzeugten Code. Die Ergebnisse fließen nicht in einen Gesamtscore ein.

Pelikan auf dem Fahrrad

Community-Klassiker für eine freie SVG-Zeichnung.

Claude Opus 4.5

Noch nicht getestet

Prompt und Testbedingungen

Generate an SVG of a pelican riding a bicycle

Tokenlimit inklusive Reasoning: 8.192 Token

Ursprung der Aufgabe (Simon Willison)

Nachweise

Quellen und Datenstand

Alle Angaben verweisen auf die zugrunde liegende Dokumentation oder das jeweilige Leaderboard.

Geschwindigkeit: Anthropic, Non-reasoning. Ausgabetempo nach dem ersten empfangenen Textabschnitt, nicht die gesamte Antwortzeit. Bei Artificial Analysis als veraltet eingeordnet. Artificial Analysis pflegt dort nur noch den Standard-Workload mit 10.000 Eingabe-Token. Abgerufen am 8. September 2026.
Artificial Analysis Messmethode
Preis: API-Basispreise ohne Cache- oder Batch-Rabatt. Höhere Kontextstufen und weitere Tarife stehen unter Kosten.
Preise
Eingabe: Dokumentierte Modalitäten. Abgerufen am 8. September 2026.
Modelldokumentation
Ausgabe: Dokumentierte Modalitäten. Abgerufen am 8. September 2026.
Modelldokumentation

Recherchestand 8. September 2026. 3 Quellen-URLs geprüft. Das dokumentiert die geprüften Quellen, nicht sämtliche Veröffentlichungen zu diesem Modell.

Offene Nachweise und Recherchehinweise (Originalwortlaut)

In den geprüften Quellen nicht gefunden

parameters-billions. Anthropic does not publish parameter counts for this model.

In den geprüften Quellen nicht gefunden

active-parameters-billions. Anthropic does not publish active parameter counts for this model.

ModellmetadatenQuelle
Kontextfenster-DatenQuelle
API-PreiseQuelle
Berkeley BFCL (abgerufen 2. September 2026)Quelle
Google DeepMind (abgerufen 9. August 2026)Quelle
Princeton HAL (abgerufen 6. August 2026)Quelle
Princeton HAL (abgerufen 6. August 2026)Quelle
Princeton HAL (abgerufen 5. August 2026)Quelle
METR (abgerufen 26. August 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
Scale AI (abgerufen 26. August 2026)Quelle
SecCodeBench (abgerufen 9. August 2026)Quelle
Anthropic (abgerufen 8. September 2026)Quelle
Artificial Analysis (abgerufen 8. September 2026)Quelle
Modellmetadaten (abgerufen 8. September 2026)Quelle
Messmethode der GeschwindigkeitQuelle

Claude Opus 4.5

Veröffentlichte Benchmarks

Agentenaufgaben

BFCL v4

GAIA Reliability

GAIA Reliability

GAIA Reliability

GAIA Reliability

GAIA Reliability

Wissen

FACTS Benchmark Suite

FACTS Benchmark Suite

FACTS Benchmark Suite

FACTS Benchmark Suite

FACTS Benchmark Suite

CORE-Bench Hard

Dokumentierte Messdetails

Community-Tests zum Anschauen

Pelikan auf dem Fahrrad

Technische Daten und Zugang

Weitere Quellenangaben

Veröffentlichte Preise

100 API-Anfragen

Dieses Modell im Vergleich

Quellen und Datenstand