SprachmodellAktiv

Claude Opus 4.6

Anthropic

Veröffentlicht: Februar 2026
Datenstand: 8. September 2026

Intelligenz: Nicht gerankt
Gesamtwertung
Geschwindigkeit: 39,2 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 32. Seite 1 von 3.

Veröffentlichte Benchmarks

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

Humanity's Last Exam

Overall

Was der Benchmark prüft: 2.500 anspruchsvolle, teils multimodale Expertenfragen aus mehr als 100 Fachgebieten.

Einordnung: Der Test misst geschlossenes Expertenwissen und Reasoning, aber weder offene Forschung noch allgemeine Intelligenz.

Mehr ist besser7 ModelleClaude Opus 4.6: Platz 5 von 7Datenstand: 2. September 2026

1.Gemini 3.1 Pro Preview46,44 %

2.GPT-5.4 Pro44,32 %

3.GPT-5.436,24 %

4.Claude Opus 4.736,2 %

5.Claude Opus 4.634,44 %

6.GPT-5 pro31,64 %

7.GPT-525,32 %

Skala: 0 % - 100 %

Quelle: Scale AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: hle-final-scale-public-temperature-0
Messgröße: accuracy
Skala: 0-100
Teilnehmer: 7
Methodik und Einordnung: Alle 2.500 öffentlichen Fragen, Temperatur 0 und automatischer Antwort-Extraktor.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-6-thinking-max. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Angezeigter Wert: 34,44 % ± 1,86. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-09-02-9e661b4b9e47. Prüfsumme der Quelldaten: 9e661b4b9e47fc78acc41dd3d83ae7363672deeb05d38a32fd0dcc88c7502935. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Scale AI

Agentenaufgaben

2 Messreihen

METR Time Horizon

50% time horizon

Was der Benchmark prüft: Aufgabenlänge nach menschlicher Bearbeitungszeit, bei der ein Modell-Agent 50 oder 80 Prozent Erfolgswahrscheinlichkeit erreicht.

Einordnung: Die Minuten bezeichnen menschliche Aufgabenzeit, nicht Modelllaufzeit. Werte oberhalb von 16 Stunden sind laut METR unzuverlässig.

Mehr ist besser3 ModelleClaude Opus 4.6: Platz 1 von 3Datenstand: 26. August 2026

1.Claude Opus 4.6718,81 Minuten

2.GPT-5.4341,74 Minuten

3.Claude Opus 4.5292,99 Minuten

Skala: 0 Minuten - 718,81 Minuten

Quelle: METR

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: metr-th1-1-p50
Messgröße: 50% time horizon
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 3
Methodik und Einordnung: ReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-6-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: ReAct. Agent: ReAct. Versuche: 6 independent runs per task. Angezeigter Wert: 12 Std. (95-Prozent-Konfidenzintervall 5,3 Std. bis 60,6 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-1ca8b69f5a82. Prüfsumme der Quelldaten: 1ca8b69f5a826f53e175e4b094b9f4b51e14a39ba2c084eab283897836d49d20. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: METR

METR Time Horizon

80% time horizon

Was der Benchmark prüft: Aufgabenlänge nach menschlicher Bearbeitungszeit, bei der ein Modell-Agent 50 oder 80 Prozent Erfolgswahrscheinlichkeit erreicht.

Einordnung: Die Minuten bezeichnen menschliche Aufgabenzeit, nicht Modelllaufzeit. Werte oberhalb von 16 Stunden sind laut METR unzuverlässig.

Mehr ist besser3 ModelleClaude Opus 4.6: Platz 1 von 3Datenstand: 26. August 2026

1.Claude Opus 4.669,87 Minuten

2.GPT-5.453,88 Minuten

3.Claude Opus 4.549,43 Minuten

Skala: 0 Minuten - 69,87 Minuten

Quelle: METR

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: metr-th1-1-p80
Messgröße: 80% time horizon
Skala: Keine obere Grenze dokumentiert. Die Darstellung umfasst die erfassten Werte und den Nullpunkt.
Teilnehmer: 3
Methodik und Einordnung: ReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-6-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: ReAct. Agent: ReAct. Versuche: 6 independent runs per task. Angezeigter Wert: 1,2 Std. (95-Prozent-Konfidenzintervall 27 min bis 2,8 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-318bdb5530ca. Prüfsumme der Quelldaten: 318bdb5530cad90be3765939e5139aa3ed2f5a6b9e463cf3398f516e4710e864. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: METR

MultiChallenge

Overall

Was der Benchmark prüft: Mehrstufige Gespräche prüfen Erinnern, Anweisungsbindung, versionierte Überarbeitung und innere Konsistenz.

Einordnung: Die Aufgaben wurden anhand gemeinsamer Fehler sechs älterer Spitzenmodelle ausgewählt und können diese Modelle benachteiligen.

Mehr ist besser8 ModelleClaude Opus 4.6: Platz 7 von 8Datenstand: 26. August 2026

1.Gemini 3.1 Pro Preview71,37 %

2.GPT-5.4 Pro69,23 %

3.GPT-563,19 %

4.o3-pro62,4 %

5.Claude Opus 4.558,97 %

6.o356,62 %

7.Claude Opus 4.656,02 %

8.Claude Sonnet 4.555,32 %

Skala: 0 % - 100 %

Quelle: Scale AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: scale-multichallenge-overall
Messgröße: rubric pass rate
Skala: 0-100
Teilnehmer: 8
Methodik und Einordnung: Mehrstufige Gespräche mit binären, aufgabenspezifischen Rubriken.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: none. Angezeigter Wert: 56,02 % ± 1,08. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-c7bc8d4b82b8. Prüfsumme der Quelldaten: c7bc8d4b82b8a93b33209cb8b5c8da53dc01bac7aa0cd5ca76c4ae365619525d. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Scale AI

PRBench Finance

Overall

Was der Benchmark prüft: 600 realistische Finanzfragen mit gewichteten Kriterien, davon 300 im schwierigen Teildatensatz.

Einordnung: Ein o4-mini-Juror bewertet die Antworten. Fachliche Richtigkeit und praktische Verlässlichkeit bleiben deshalb getrennte Fragen.

Mehr ist besser16 ModelleClaude Opus 4.6: Platz 2 von 16Datenstand: 26. August 2026

1.Claude Fable 553,86 %

2.Claude Opus 4.653,28 %

3.GPT-551,32 %

4.GPT-5 pro51,06 %

5.GPT-5.6 Sol50,45 %

6.o3-pro49,08 %

7.o347,69 %

8.Claude Opus 4.546,16 %

9.GPT-5.445,63 %

10.Claude Sonnet 4.543,79 %

11.Gemini 3.1 Pro Preview41,87 %

12.o4-mini39,22 %

13.Gemini 2.5 Pro38,92 %

14.Gemini 2.5 Flash38,41 %

15.GPT-4.134,32 %

16.Llama 4 Maverick22,36 %

Skala: 0 % - 100 %

Quelle: Scale AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: scale-prbench-finance-full
Messgröße: weighted rubric score
Skala: 0-100
Teilnehmer: 16
Methodik und Einordnung: 600 Finanzaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: none. Angezeigter Wert: 53,28 % ± 0,18. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-1196d0ba7a4c. Prüfsumme der Quelldaten: 1196d0ba7a4c8d626776c467c1d9d53e493e848fbce8f12f327c3864f83ac2c4. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Scale AI

PRBench Legal

Overall

Was der Benchmark prüft: 500 realistische Rechtsfragen mit gewichteten Kriterien aus unterschiedlichen Ländern und Rechtsgebieten.

Einordnung: Der Benchmark misst professionelle Antwortqualität, ersetzt aber weder Rechtsprüfung noch menschliche Verantwortung.

Mehr ist besser16 ModelleClaude Opus 4.6: Platz 2 von 16Datenstand: 26. August 2026

1.Claude Fable 552,56 %

2.Claude Opus 4.652,27 %

3.GPT-5.6 Sol50,5 %

4.GPT-5 pro49,89 %

5.o3-pro49,67 %

6.GPT-548,96 %

7.o348,57 %

8.GPT-5.444,35 %

9.Claude Opus 4.544,21 %

10.Gemini 3.1 Pro Preview44,02 %

11.Gemini 2.5 Pro41,43 %

12.Gemini 2.5 Flash41,02 %

13.Claude Sonnet 4.540,84 %

14.o4-mini38,11 %

15.GPT-4.136,48 %

16.Llama 4 Maverick24,84 %

Skala: 0 % - 100 %

Quelle: Scale AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: scale-prbench-legal-full
Messgröße: weighted rubric score
Skala: 0-100
Teilnehmer: 16
Methodik und Einordnung: 500 Rechtsaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: none. Angezeigter Wert: 52,27 % ± 0,66. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-39dd22178287. Prüfsumme der Quelldaten: 39dd221782879e08cf3582225a60f6e91432e1e8d4968e2fb60b53c917fafe6a. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Scale AI

VisualToolBench

Overall

Was der Benchmark prüft: 1.204 visuelle Aufgaben verlangen Bildbearbeitung, Python, Websuche oder Rechnerzugriff mit höchstens 20 Werkzeugaufrufen.

Einordnung: Der Score gehört zum kompletten multimodalen Werkzeugsystem. Das Modell allein lässt sich daraus nicht isolieren.

Mehr ist besser10 ModelleClaude Opus 4.6: Platz 3 von 10Datenstand: 26. August 2026

1.GPT-5.429,17 %

2.Gemini 3.1 Pro Preview28,97 %

3.Claude Opus 4.627,52 %

4.o313,74 %

5.Gemini 2.5 Pro11,75 %

6.o4-mini11,12 %

7.GPT-4.15,52 %

8.Gemini 2.5 Flash4,69 %

9.Llama 4 Scout1,58 %

10.Llama 4 Maverick1,41 %

Skala: 0 % - 100 %

Quelle: Scale AI

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: scale-visual-toolbench-apr
Messgröße: average pass rate
Skala: 0-100
Teilnehmer: 10
Methodik und Einordnung: 1.204 Aufgaben, sechs Werkzeuge und höchstens 20 Werkzeugaufrufe pro Aufgabe.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: thinking. Angezeigter Wert: 27,52 % ± 1,45. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-eb72202a59a1. Prüfsumme der Quelldaten: eb72202a59a1301462dd728b19363526d0f1ed2c2b58120de39b0027aafc74ac. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: Scale AI

Cybersicherheit

5 Messreihen

SecCodeBench-V2

Repair without hints

Was der Benchmark prüft: 98 ausführbare Projektfälle in 22 CWE-Kategorien prüfen zuerst Funktionalität und danach Sicherheit.

Einordnung: Der gewichtete Score kombiniert Generierung, Reparatur, native Prompts und Sicherheitshinweise.

Mehr ist besser4 ModelleClaude Opus 4.6: Platz 2 von 4Datenstand: 9. August 2026

1.Claude Opus 4.573,67 %

2.Claude Opus 4.673,1 %

3.Qwen 3.7 Max72,5 %

4.GPT-5.461,41 %

Skala: 0 % - 100 %

Quelle: SecCodeBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: seccodebench-v2-2-0:official:fix
Messgröße: native repair pass@1
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-cbeb9cb3730c. Prüfsumme der Quelldaten: cbeb9cb3730ca29af3d8b7a5e2fca139765542955a6bbf61409536cafac54c77. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: SecCodeBench

SecCodeBench-V2

Repair with security hints

Was der Benchmark prüft: 98 ausführbare Projektfälle in 22 CWE-Kategorien prüfen zuerst Funktionalität und danach Sicherheit.

Einordnung: Der gewichtete Score kombiniert Generierung, Reparatur, native Prompts und Sicherheitshinweise.

Mehr ist besser4 ModelleClaude Opus 4.6: Platz 3 von 4Datenstand: 9. August 2026

1.Qwen 3.7 Max86,77 %

2.Claude Opus 4.582,18 %

3.Claude Opus 4.681,73 %

4.GPT-5.480,04 %

Skala: 0 % - 100 %

Quelle: SecCodeBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: seccodebench-v2-2-0:official:fixHints
Messgröße: security-aware repair pass@1
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-ce147aec18e9. Prüfsumme der Quelldaten: ce147aec18e9354c4817af561e4326fc26c9aa5fb2fae3b3abce107c5ae614a5. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: SecCodeBench

SecCodeBench-V2

Generation without hints

Was der Benchmark prüft: 98 ausführbare Projektfälle in 22 CWE-Kategorien prüfen zuerst Funktionalität und danach Sicherheit.

Einordnung: Der gewichtete Score kombiniert Generierung, Reparatur, native Prompts und Sicherheitshinweise.

Mehr ist besser4 ModelleClaude Opus 4.6: Platz 3 von 4Datenstand: 9. August 2026

1.Claude Opus 4.558,02 %

2.Qwen 3.7 Max55,12 %

3.Claude Opus 4.651,05 %

4.GPT-5.450,97 %

Skala: 0 % - 100 %

Quelle: SecCodeBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: seccodebench-v2-2-0:official:generation
Messgröße: native generation pass@1
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-ea0efe96af3b. Prüfsumme der Quelldaten: ea0efe96af3b9a3ff40cb16e820c61e6be6d652be27ce4f466af6ee5d583d804. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: SecCodeBench

SecCodeBench-V2

Generation with security hints

Was der Benchmark prüft: 98 ausführbare Projektfälle in 22 CWE-Kategorien prüfen zuerst Funktionalität und danach Sicherheit.

Einordnung: Der gewichtete Score kombiniert Generierung, Reparatur, native Prompts und Sicherheitshinweise.

Mehr ist besser4 ModelleClaude Opus 4.6: Platz 3 von 4Datenstand: 9. August 2026

1.Claude Opus 4.572,1 %

2.Qwen 3.7 Max70,85 %

3.Claude Opus 4.670,65 %

4.GPT-5.467,82 %

Skala: 0 % - 100 %

Quelle: SecCodeBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: seccodebench-v2-2-0:official:generationHints
Messgröße: security-aware generation pass@1
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-5a782a1bbabe. Prüfsumme der Quelldaten: 5a782a1bbabe9946ce4fb4771835246fcedde9c1186f456a2a364c1860c8531a. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: SecCodeBench

SecCodeBench-V2

Weighted total

Was der Benchmark prüft: 98 ausführbare Projektfälle in 22 CWE-Kategorien prüfen zuerst Funktionalität und danach Sicherheit.

Einordnung: Der gewichtete Score kombiniert Generierung, Reparatur, native Prompts und Sicherheitshinweise.

Mehr ist besser4 ModelleClaude Opus 4.6: Platz 3 von 4Datenstand: 9. August 2026

1.Claude Opus 4.568,1 %

2.Qwen 3.7 Max66,81 %

3.Claude Opus 4.664,9 %

4.GPT-5.459,74 %

Skala: 0 % - 100 %

Quelle: SecCodeBench

CC BY 4.0

gradually.ai

Methodik und Einordnung

Vergleichskohorte: seccodebench-v2-2-0:official:total
Messgröße: weighted pass@1
Skala: 0-100
Teilnehmer: 4
Methodik und Einordnung: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-1a93d69f218e. Prüfsumme der Quelldaten: 1a93d69f218e7cddea5bc50ca7db1867e78031ce74a62a35f964a572e0a55048. Parserversion: curated-v1. Importiert am: 2026-09-04

Quelle: SecCodeBench

Dokumentierte Messdetails

Jede Beobachtung enthält den Quellwert und die veröffentlichten Testbedingungen.

Humanity's Last Exam: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 34.44
Bewertung: 34.44
Messgröße: accuracy
Einheit: %
Benchmark-Version: final 2,500-question public set
Kategorie: knowledge
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: hle-final-scale-public-temperature-0
Konfidenzintervall: 1.86
Quellentyp: official-leaderboard
Auswertung: Scale AI
Status: active
Abrufdatum: 2026-09-02
Methodik: Alle 2.500 öffentlichen Fragen, Temperatur 0 und automatischer Antwort-Extraktor.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-6-thinking-max. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Angezeigter Wert: 34,44 % ± 1,86. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-09-02-9e661b4b9e47. Prüfsumme der Quelldaten: 9e661b4b9e47fc78acc41dd3d83ae7363672deeb05d38a32fd0dcc88c7502935. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Alle 2.500 öffentlichen Fragen, Temperatur 0 und automatischer Antwort-Extraktor.

Quelle Scale AI

METR Time Horizon: 50% time horizon (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 718.80683
Bewertung: 718.80683
Messgröße: 50% time horizon
Einheit: minutes
Benchmark-Version: TH 1.1
Kategorie: agentic
Aufgabe: p50
Aufgabenbezeichnung: 50% time horizon
Richtung: Mehr ist besser
Vergleichskohorte: metr-th1-1-p50
Quellentyp: independent-evaluator
Auswertung: METR
Status: active
Abrufdatum: 2026-08-26
Methodik: ReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-6-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: ReAct. Agent: ReAct. Versuche: 6 independent runs per task. Angezeigter Wert: 12 Std. (95-Prozent-Konfidenzintervall 5,3 Std. bis 60,6 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-1ca8b69f5a82. Prüfsumme der Quelldaten: 1ca8b69f5a826f53e175e4b094b9f4b51e14a39ba2c084eab283897836d49d20. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: ReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.

Quelle METR

METR Time Horizon: 80% time horizon (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 69.874587
Bewertung: 69.874587
Messgröße: 80% time horizon
Einheit: minutes
Benchmark-Version: TH 1.1
Kategorie: agentic
Aufgabe: p80
Aufgabenbezeichnung: 80% time horizon
Richtung: Mehr ist besser
Vergleichskohorte: metr-th1-1-p80
Quellentyp: independent-evaluator
Auswertung: METR
Status: active
Abrufdatum: 2026-08-26
Methodik: ReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4-6-2026-02-05. Evaluator: METR. Datensatztyp: public. Stand der Rangliste: 2026-05-08. Harness: ReAct. Agent: ReAct. Versuche: 6 independent runs per task. Angezeigter Wert: 1,2 Std. (95-Prozent-Konfidenzintervall 27 min bis 2,8 Std.). Quellenkennung: metr. Kennung der Evidenzaufnahme: curated-metr-2026-08-26-318bdb5530ca. Prüfsumme der Quelldaten: 318bdb5530cad90be3765939e5139aa3ed2f5a6b9e463cf3398f516e4710e864. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: ReAct-Agent, sechs unabhängige Läufe je Aufgabe. Die Zeit ist die geschätzte menschliche Bearbeitungsdauer.

Quelle METR

MultiChallenge: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 56.02
Bewertung: 56.02
Messgröße: rubric pass rate
Einheit: %
Benchmark-Version: four multi-turn challenge types
Kategorie: productivity
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: scale-multichallenge-overall
Konfidenzintervall: 1.08
Quellentyp: official-leaderboard
Auswertung: Scale AI
Status: active
Abrufdatum: 2026-08-26
Methodik: Mehrstufige Gespräche mit binären, aufgabenspezifischen Rubriken.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: none. Angezeigter Wert: 56,02 % ± 1,08. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-c7bc8d4b82b8. Prüfsumme der Quelldaten: c7bc8d4b82b8a93b33209cb8b5c8da53dc01bac7aa0cd5ca76c4ae365619525d. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: Mehrstufige Gespräche mit binären, aufgabenspezifischen Rubriken.

Quelle Scale AI

PRBench Finance: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 53.28
Bewertung: 53.28
Messgröße: weighted rubric score
Einheit: %
Benchmark-Version: full finance set
Kategorie: finance
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: scale-prbench-finance-full
Konfidenzintervall: 0.18
Quellentyp: official-leaderboard
Auswertung: Scale AI
Status: active
Abrufdatum: 2026-08-26
Methodik: 600 Finanzaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: none. Angezeigter Wert: 53,28 % ± 0,18. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-1196d0ba7a4c. Prüfsumme der Quelldaten: 1196d0ba7a4c8d626776c467c1d9d53e493e848fbce8f12f327c3864f83ac2c4. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 600 Finanzaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.

Quelle Scale AI

PRBench Legal: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 52.27
Bewertung: 52.27
Messgröße: weighted rubric score
Einheit: %
Benchmark-Version: full legal set
Kategorie: legal
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: scale-prbench-legal-full
Konfidenzintervall: 0.66
Quellentyp: official-leaderboard
Auswertung: Scale AI
Status: active
Abrufdatum: 2026-08-26
Methodik: 500 Rechtsaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: none. Angezeigter Wert: 52,27 % ± 0,66. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-39dd22178287. Prüfsumme der Quelldaten: 39dd221782879e08cf3582225a60f6e91432e1e8d4968e2fb60b53c917fafe6a. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 500 Rechtsaufgaben mit aufgabenspezifischen Rubriken und o4-mini als Juror.

Quelle Scale AI

VisualToolBench: Overall (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 27.52
Bewertung: 27.52
Messgröße: average pass rate
Einheit: %
Benchmark-Version: 1,204-task release
Kategorie: multimodal
Aufgabe: overall
Aufgabenbezeichnung: Overall
Richtung: Mehr ist besser
Vergleichskohorte: scale-visual-toolbench-apr
Konfidenzintervall: 1.45
Quellentyp: official-leaderboard
Auswertung: Scale AI
Status: active
Abrufdatum: 2026-08-26
Methodik: 1.204 Aufgaben, sechs Werkzeuge und höchstens 20 Werkzeugaufrufe pro Aufgabe.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: Scale AI. Datensatztyp: public. Versuche: pass@1. Reasoning-Stufe: thinking. Angezeigter Wert: 27,52 % ± 1,45. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-eb72202a59a1. Prüfsumme der Quelldaten: eb72202a59a1301462dd728b19363526d0f1ed2c2b58120de39b0027aafc74ac. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 1.204 Aufgaben, sechs Werkzeuge und höchstens 20 Werkzeugaufrufe pro Aufgabe.

Quelle Scale AI

SecCodeBench-V2: Repair without hints (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 73.1
Bewertung: 73.1
Messgröße: native repair pass@1
Einheit: %
Benchmark-Version: 2.2.0
Kategorie: cybersecurity
Aufgabe: fix
Aufgabenbezeichnung: Repair without hints
Richtung: Mehr ist besser
Vergleichskohorte: seccodebench-v2-2-0:official:fix
Quellentyp: official-leaderboard
Auswertung: SecCodeBench
Status: active
Abrufdatum: 2026-08-09
Methodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-cbeb9cb3730c. Prüfsumme der Quelldaten: cbeb9cb3730ca29af3d8b7a5e2fca139765542955a6bbf61409536cafac54c77. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.

Quelle SecCodeBench

SecCodeBench-V2: Repair with security hints (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 81.73
Bewertung: 81.73
Messgröße: security-aware repair pass@1
Einheit: %
Benchmark-Version: 2.2.0
Kategorie: cybersecurity
Aufgabe: fixHints
Aufgabenbezeichnung: Repair with security hints
Richtung: Mehr ist besser
Vergleichskohorte: seccodebench-v2-2-0:official:fixHints
Quellentyp: official-leaderboard
Auswertung: SecCodeBench
Status: active
Abrufdatum: 2026-08-09
Methodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-ce147aec18e9. Prüfsumme der Quelldaten: ce147aec18e9354c4817af561e4326fc26c9aa5fb2fae3b3abce107c5ae614a5. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.

Quelle SecCodeBench

SecCodeBench-V2: Generation without hints (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 51.05
Bewertung: 51.05
Messgröße: native generation pass@1
Einheit: %
Benchmark-Version: 2.2.0
Kategorie: cybersecurity
Aufgabe: generation
Aufgabenbezeichnung: Generation without hints
Richtung: Mehr ist besser
Vergleichskohorte: seccodebench-v2-2-0:official:generation
Quellentyp: official-leaderboard
Auswertung: SecCodeBench
Status: active
Abrufdatum: 2026-08-09
Methodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-ea0efe96af3b. Prüfsumme der Quelldaten: ea0efe96af3b9a3ff40cb16e820c61e6be6d652be27ce4f466af6ee5d583d804. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.

Quelle SecCodeBench

SecCodeBench-V2: Generation with security hints (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 70.65
Bewertung: 70.65
Messgröße: security-aware generation pass@1
Einheit: %
Benchmark-Version: 2.2.0
Kategorie: cybersecurity
Aufgabe: generationHints
Aufgabenbezeichnung: Generation with security hints
Richtung: Mehr ist besser
Vergleichskohorte: seccodebench-v2-2-0:official:generationHints
Quellentyp: official-leaderboard
Auswertung: SecCodeBench
Status: active
Abrufdatum: 2026-08-09
Methodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-5a782a1bbabe. Prüfsumme der Quelldaten: 5a782a1bbabe9946ce4fb4771835246fcedde9c1186f456a2a364c1860c8531a. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.

Quelle SecCodeBench

SecCodeBench-V2: Weighted total (Messwert, Testbedingungen und Quelle anzeigen)

Originalwert: 64.9
Bewertung: 64.9
Messgröße: weighted pass@1
Einheit: %
Benchmark-Version: 2.2.0
Kategorie: cybersecurity
Aufgabe: total
Aufgabenbezeichnung: Weighted total
Richtung: Mehr ist besser
Vergleichskohorte: seccodebench-v2-2-0:official:total
Quellentyp: official-leaderboard
Auswertung: SecCodeBench
Status: active
Abrufdatum: 2026-08-09
Methodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.. Kennung des Quellmodells: curated/claude-opus-4.6. Name des Quellmodells: Claude Opus 4.6. Anbieter laut Quelle: Anthropic. Evaluator: SecCodeBench. Datensatztyp: public. Stand der Rangliste: 2026-02-16. Quellenkennung: seccodebench. Kennung der Evidenzaufnahme: curated-seccodebench-2026-08-09-1a93d69f218e. Prüfsumme der Quelldaten: 1a93d69f218e7cddea5bc50ca7db1867e78031ce74a62a35f964a572e0a55048. Parserversion: curated-v1. Importiert am: 2026-09-04
Vergleichsmethodik: 98 Projektfälle. Funktionstests laufen vor dynamischen Exploit-Prüfungen und Sicherheitsbewertung.

Quelle SecCodeBench

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 4.6

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)

Claude Opus 4.6

Veröffentlichte Benchmarks

Humanity's Last Exam

Agentenaufgaben

METR Time Horizon

METR Time Horizon

MultiChallenge

PRBench Finance

PRBench Legal

VisualToolBench

Cybersicherheit

SecCodeBench-V2

SecCodeBench-V2

SecCodeBench-V2

SecCodeBench-V2

SecCodeBench-V2

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