Claude Opus 4.8
Noch nicht getestet
SprachmodellLegacy
Claude Opus 4.8
Anthropic
- Veröffentlicht
- Mai 2026
- Datenstand
- 30. Juli 2026
- Intelligenz
- Gesamtwertung
- Preis
- Eingabe · Ausgabe / 1 Mio. Token
Methodik und Quelle
Der Index mittelt Rangperzentile aus 4 dokumentierten Vergleichskohorten.
Einträge 1-12 von 15. Seite 1 von 2.
Veröffentlichte Benchmarks
Die Charts vergleichen Modelle im selben dokumentierten Test. Das aktuelle Modell ist hervorgehoben.
Reasoning
2 MessreihenGPQA Diamond
Overall
Hinweis (Claude Opus 4.8): Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
Mehr ist besser2 ModelleClaude Opus 4.8: Platz 2 von 2Datenstand: 2. September 2026
1.Claude Opus 4.794,2 %
Hinweis: Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
Skala: 0 % - 100 %
Methodik und Einordnung
- Vergleichskohorte
- gpqa-anthropic-opus-4-8-release
- Messgröße
- accuracy
- Skala
- 0-100
- Teilnehmer
- 2
- Methodik und Einordnung
- Herstellerberichtetes GPQA-Diamond-Ergebnis.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: Anthropic. Datensatztyp: public. Stand der Rangliste: 2026-05-28. Quellenkennung: anthropic. Kennung der Evidenzaufnahme: curated-anthropic-2026-09-02-b68f06b7b001. Prüfsumme der Quelldaten: b68f06b7b001db1605515e7d19d67f6445e757877dfd9e4559e789fdb194744f. Parserversion: curated-v1. Importiert am: 2026-09-04
EnigmaEval
Overall
Was der Benchmark prüft: 1.161 komplexe, häufig multimodale Rätsel prüfen kreative Problemlösung außerhalb klar definierter Schulaufgaben.
Einordnung: Rätselkompetenz ist ein enger Spezialfall und kein Ersatz für professionelle oder alltägliche Aufgaben.
Mehr ist besser5 ModelleClaude Opus 4.8: Platz 5 von 5Datenstand: 26. August 2026
Skala: 0 % - 100 %
Methodik und Einordnung
- Vergleichskohorte
- scale-enigma-eval-2026-07-23
- Messgröße
- pass@1 accuracy
- Skala
- 0-100
- Teilnehmer
- 5
- Methodik und Einordnung
- Komplexe multimodale Rätsel mit exaktem Antwortabgleich und einem Versuch.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4.8-xhigh. Evaluator: Scale AI. Datensatztyp: public. Stand der Rangliste: 2026-07-23. Versuche: pass@1. Reasoning-Stufe: xhigh. Angezeigter Wert: 23,51 % ± 2,41. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-5ccace63d82b. Prüfsumme der Quelldaten: 5ccace63d82bb1236aeffd0c9d0760c126999320c83feb7ed8e4170382506715. Parserversion: curated-v1. Importiert am: 2026-09-04
Agentenaufgaben
2 MessreihenOSWorld Verified
Overall
Was der Benchmark prüft: Computer-Aufgaben in realistischen Desktop-Umgebungen.
Einordnung: Das Ergebnis gehört zum vollständigen Agentensystem und ist kein isolierter Modellwert.
Hinweis (Claude Opus 4.8): Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
Mehr ist besser2 ModelleClaude Opus 4.8: Platz 1 von 2Datenstand: 2. September 2026
2.Claude Opus 4.782,3 %
Hinweis: Anthropics Veröffentlichungsseite nennt nach einer aktualisierten Ausführung 82,3 %. Die zugehörige System-Card-Tabelle enthält noch 82,8 %.
Skala: 0 % - 100 %
Methodik und Einordnung
- Vergleichskohorte
- osworld-anthropic-opus-4-8-release
- Messgröße
- success
- Skala
- 0-100
- Teilnehmer
- 2
- Methodik und Einordnung
- Herstellerberichtetes OSWorld-Verified-Ergebnis des Agentensystems.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: Anthropic. Datensatztyp: public. Stand der Rangliste: 2026-05-28. Quellenkennung: anthropic. Kennung der Evidenzaufnahme: curated-anthropic-2026-09-02-7c06f0b8e422. Prüfsumme der Quelldaten: 7c06f0b8e422433920c25f65075e9d0e2acabcda53ec6285de0f64fa3603abfd. Parserversion: curated-v1. Importiert am: 2026-09-04
OSWorld 2.0
Overall
Was der Benchmark prüft: 108 lange Computer-Workflows mit bis zu 500 Schritten.
Einordnung: Bewertet wird ein vollständiges System. Binäre und partielle Erfolgsrate bleiben getrennt.
Hinweis (Claude Opus 4.8): Claude verwendete ungefähr 244.000 Output-Tokens. Das ist ein Systemwert, kein isolierter Modellscore.
Mehr ist besser2 ModelleClaude Opus 4.8: Platz 1 von 2Datenstand: 26. August 2026
2.GPT-5.513 %
Hinweis: Claude verwendete ungefähr 244.000 Output-Tokens. Das ist ein Systemwert, kein isolierter Modellscore.
Skala: 0 % - 100 %
Methodik und Einordnung
- Vergleichskohorte
- osworld-2-v2026-06-24-long-horizon
- Messgröße
- binary accuracy
- Skala
- 0-100
- Teilnehmer
- 2
- Methodik und Einordnung
- Vollständiges Agentensystem bei bis zu 500 Schritten.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: OSWorld 2.0. Datensatztyp: public. Stand der Rangliste: 2026-06-25. Werkzeugrichtlinie: batched tool. Reasoning-Stufe: max. Angezeigter Wert: 20,6 % binär / 54,8 % partiell. Quellenkennung: osworld. Kennung der Evidenzaufnahme: curated-osworld-2026-08-26-a8d40127d291. Prüfsumme der Quelldaten: a8d40127d291171384cd4bf5ba7d84fff76fbac3ff5ddcfc570eb2f9f2bcf53d. Parserversion: curated-v1. Importiert am: 2026-09-04
BrowseComp
Overall
Was der Benchmark prüft: 1.266 schwer auffindbare, aber kurz und eindeutig beantwortbare Rechercheaufgaben.
Einordnung: Der Test belohnt hartnäckige Faktensuche. Er bildet offene Rechercheberichte und typische Nutzerfragen nur teilweise ab.
Hinweis (Claude Opus 4.8): Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
Mehr ist besser6 ModelleClaude Opus 4.8: Platz 5 von 6Datenstand: 2. September 2026
1.Claude Mythos 588 %
Hinweis: Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
2.GPT-5.6 Terra87,5 %
Hinweis: Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
3.Gemini 3.1 Pro Preview85,9 %
Hinweis: Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
4.GPT-5.584,4 %
Hinweis: Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
6.GPT-5.6 Luna83,3 %
Hinweis: Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
Skala: 0 % - 100 %
Methodik und Einordnung
- Vergleichskohorte
- browsecomp-openai-gpt-5-6-table
- Messgröße
- accuracy
- Skala
- 0-100
- Teilnehmer
- 6
- Methodik und Einordnung
- Herstellerübergreifende Vergleichstabelle mit Browser-Werkzeugen. Die genauen Agentensysteme unterscheiden sich.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: OpenAI. Datensatztyp: public. Stand der Rangliste: 2026-07-09. Quellenkennung: openai. Kennung der Evidenzaufnahme: curated-openai-2026-09-02-a3a0a1571322. Prüfsumme der Quelldaten: a3a0a15713220d01cc04e6ee194222775ffc1b80afe4ccb9b578912cebba533a. Parserversion: curated-v1. Importiert am: 2026-09-04
SWE-Marathon v1.0
Binary resolution, pass@1
Was der Benchmark prüft: 20 mehrstündige Repository-Aufgaben prüfen sehr lange Softwarearbeit mit binärem Enderfolg.
Einordnung: Die Werte gehören zum v1.0-Agentensystem. Für v1.1 war zum Datenstand kein Leaderboard veröffentlicht.
Mehr ist besser6 ModelleClaude Opus 4.8: Platz 2 von 6Datenstand: 9. August 2026
3.Claude Fable 524 %
Hinweis: Zwei Ablehnungen und drei nicht verfügbare Versuche wurden als null gewertet.
Skala: 0 % - 100 %
Methodik und Einordnung
- Vergleichskohorte
- swe-marathon-v1-0:official:pass1
- Messgröße
- binary resolution pass@1
- Skala
- 0-100
- Teilnehmer
- 6
- Methodik und Einordnung
- 20 mehrstündige Aufgaben. Der benannte Coding-Agent ist Teil jeder Ergebniszeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: SWE-Marathon. Datensatztyp: public. Stand der Rangliste: 2026-06-05. Agent: Claude Code. Quellenkennung: swe-marathon. Kennung der Evidenzaufnahme: curated-swe-marathon-2026-08-09-90e2ac9e0f51. Prüfsumme der Quelldaten: 90e2ac9e0f510d0877160a36eea31f579e7ba49a4b0d1117ec4cc50b37f5f787. Parserversion: curated-v1. Importiert am: 2026-09-04
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
SWE-Bench Pro: Overall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 69.2
- Bewertung
- 69.2
- Messgröße
- resolved
- Einheit
- %
- Benchmark-Version
- Public
- Kategorie
- coding
- Aufgabe
- overall
- Aufgabenbezeichnung
- Overall
- Richtung
- Mehr ist besser
- Vergleichskohorte
- swe-pro-anthropic-opus-4-8-release
- Quellentyp
- vendor-reported
- Auswertung
- Anthropic
- Status
- disputed
- Abrufdatum
- 2026-09-02
- Methodik
- Von Anthropic veröffentlichte Vergleichstabelle. Kein Gradually-Test.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: Anthropic. Datensatztyp: public-disputed. Stand der Rangliste: 2026-05-28. Quellenkennung: anthropic. Kennung der Evidenzaufnahme: curated-anthropic-2026-09-02-d0c8138a181c. Prüfsumme der Quelldaten: d0c8138a181c79d6502a11946b5b4b7752d056c9e6e3e363522f96a991029eff. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- Von Anthropic veröffentlichte Vergleichstabelle. Kein Gradually-Test.
- Einordnung
- OpenAI schätzt nach einer Prüfung, dass rund 30 % der öffentlichen Aufgaben fehlerhaft sind. Der Wert bleibt deshalb ein umstrittenes Zusatzsignal. Die Zeilen sind eine redaktionelle Auswahl aus der jeweiligen Vergleichstabelle.. Der Quelldatensatz markiert diesen Wert als umstritten. Er bleibt als dokumentierte Evidenz sichtbar, ist aber kein belastbarer Vergleichsnachweis.
TUA-Bench: Successful in all five runs (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 51.7
- Bewertung
- 51.7
- Messgröße
- All-5
- Einheit
- %
- Benchmark-Version
- paper and repository release
- Kategorie
- agentic
- Aufgabe
- all5
- Aufgabenbezeichnung
- Successful in all five runs
- Richtung
- Mehr ist besser
- Vergleichskohorte
- tua-bench:official:all5
- Quellentyp
- official-leaderboard
- Auswertung
- TUA-Bench
- Status
- active
- Abrufdatum
- 2026-08-09
- Methodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: TUA-Bench. Datensatztyp: public. Stand der Rangliste: 2026-06-26. Agent: Claude Code. Reasoning-Stufe: max. Quellenkennung: tua-bench. Kennung der Evidenzaufnahme: curated-tua-bench-2026-08-09-49b3d911f6b4. Prüfsumme der Quelldaten: 49b3d911f6b43226ff32707627d25d89b9f788f3fc0c3b32a5d81a659d2f84a2. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.
TUA-Bench: Successful in all five runs (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 45
- Bewertung
- 45
- Messgröße
- All-5
- Einheit
- %
- Benchmark-Version
- paper and repository release
- Kategorie
- agentic
- Aufgabe
- all5
- Aufgabenbezeichnung
- Successful in all five runs
- Richtung
- Mehr ist besser
- Vergleichskohorte
- tua-bench:official:all5
- Quellentyp
- official-leaderboard
- Auswertung
- TUA-Bench
- Status
- active
- Abrufdatum
- 2026-08-09
- Methodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: TUA-Bench. Datensatztyp: public. Stand der Rangliste: 2026-06-26. Agent: OpenHands SDK. Reasoning-Stufe: max. Quellenkennung: tua-bench. Kennung der Evidenzaufnahme: curated-tua-bench-2026-08-09-b67769f171df. Prüfsumme der Quelldaten: b67769f171df161ddf33bd6a20fff3a59f59b7c9cdcb89890fa3fc7e15731bf6. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.
TUA-Bench: Pass@1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 58.8
- Bewertung
- 58.8
- Messgröße
- Pass@1
- Einheit
- %
- Benchmark-Version
- paper and repository release
- Kategorie
- agentic
- Aufgabe
- pass1
- Aufgabenbezeichnung
- Pass@1
- Richtung
- Mehr ist besser
- Vergleichskohorte
- tua-bench:official:pass1
- Quellentyp
- official-leaderboard
- Auswertung
- TUA-Bench
- Status
- active
- Abrufdatum
- 2026-08-09
- Methodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: TUA-Bench. Datensatztyp: public. Stand der Rangliste: 2026-06-26. Agent: Claude Code. Reasoning-Stufe: max. Quellenkennung: tua-bench. Kennung der Evidenzaufnahme: curated-tua-bench-2026-08-09-cb3c6645cd6f. Prüfsumme der Quelldaten: cb3c6645cd6f574709685504d7d3df442d662cb6aa5bded5b9333feafa8be06a. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.
TUA-Bench: Pass@1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 57.3
- Bewertung
- 57.3
- Messgröße
- Pass@1
- Einheit
- %
- Benchmark-Version
- paper and repository release
- Kategorie
- agentic
- Aufgabe
- pass1
- Aufgabenbezeichnung
- Pass@1
- Richtung
- Mehr ist besser
- Vergleichskohorte
- tua-bench:official:pass1
- Quellentyp
- official-leaderboard
- Auswertung
- TUA-Bench
- Status
- active
- Abrufdatum
- 2026-08-09
- Methodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: TUA-Bench. Datensatztyp: public. Stand der Rangliste: 2026-06-26. Agent: OpenHands SDK. Reasoning-Stufe: max. Quellenkennung: tua-bench. Kennung der Evidenzaufnahme: curated-tua-bench-2026-08-09-ff1dfccddfa3. Prüfsumme der Quelldaten: ff1dfccddfa388a273a750a51d7189c0bbf70e9cf92281d408af61bc22b699c1. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.
TUA-Bench: Pass@5 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 64.2
- Bewertung
- 64.2
- Messgröße
- Pass@5
- Einheit
- %
- Benchmark-Version
- paper and repository release
- Kategorie
- agentic
- Aufgabe
- pass5
- Aufgabenbezeichnung
- Pass@5
- Richtung
- Mehr ist besser
- Vergleichskohorte
- tua-bench:official:pass5
- Quellentyp
- official-leaderboard
- Auswertung
- TUA-Bench
- Status
- active
- Abrufdatum
- 2026-08-09
- Methodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: TUA-Bench. Datensatztyp: public. Stand der Rangliste: 2026-06-26. Agent: Claude Code. Reasoning-Stufe: max. Quellenkennung: tua-bench. Kennung der Evidenzaufnahme: curated-tua-bench-2026-08-09-c8f831dd7787. Prüfsumme der Quelldaten: c8f831dd778700a886b497a9324427ad6fb3088c4802a3ae2153b4fa4b6bfc1d. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- 120 Aufgaben mit fünf Läufen. Agentensystem und Reasoning-Stufe sind Teil der Zeile.
Dokumentierte Messdetails
Jede Beobachtung enthält den Quellwert und die veröffentlichten Testbedingungen.
GPQA Diamond: Overall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 93.6
- Bewertung
- 93.6
- Messgröße
- accuracy
- Einheit
- %
- Benchmark-Version
- Diamond
- Kategorie
- reasoning
- Aufgabe
- overall
- Aufgabenbezeichnung
- Overall
- Richtung
- Mehr ist besser
- Vergleichskohorte
- gpqa-anthropic-opus-4-8-release
- Quellentyp
- vendor-reported
- Auswertung
- Anthropic
- Status
- active
- Abrufdatum
- 2026-09-02
- Methodik
- Herstellerberichtetes GPQA-Diamond-Ergebnis.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: Anthropic. Datensatztyp: public. Stand der Rangliste: 2026-05-28. Quellenkennung: anthropic. Kennung der Evidenzaufnahme: curated-anthropic-2026-09-02-b68f06b7b001. Prüfsumme der Quelldaten: b68f06b7b001db1605515e7d19d67f6445e757877dfd9e4559e789fdb194744f. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- Herstellerberichtetes GPQA-Diamond-Ergebnis.
- Einordnung
- Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
OSWorld Verified: Overall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 83.4
- Bewertung
- 83.4
- Messgröße
- success
- Einheit
- %
- Benchmark-Version
- Verified
- Kategorie
- agentic
- Aufgabe
- overall
- Aufgabenbezeichnung
- Overall
- Richtung
- Mehr ist besser
- Vergleichskohorte
- osworld-anthropic-opus-4-8-release
- Quellentyp
- vendor-reported
- Auswertung
- Anthropic
- Status
- active
- Abrufdatum
- 2026-09-02
- Methodik
- Herstellerberichtetes OSWorld-Verified-Ergebnis des Agentensystems.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: Anthropic. Datensatztyp: public. Stand der Rangliste: 2026-05-28. Quellenkennung: anthropic. Kennung der Evidenzaufnahme: curated-anthropic-2026-09-02-7c06f0b8e422. Prüfsumme der Quelldaten: 7c06f0b8e422433920c25f65075e9d0e2acabcda53ec6285de0f64fa3603abfd. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- Herstellerberichtetes OSWorld-Verified-Ergebnis des Agentensystems.
- Einordnung
- Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
BrowseComp: Overall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 84.3
- Bewertung
- 84.3
- Messgröße
- accuracy
- Einheit
- %
- Benchmark-Version
- 1,266 tasks
- Kategorie
- search
- Aufgabe
- overall
- Aufgabenbezeichnung
- Overall
- Richtung
- Mehr ist besser
- Vergleichskohorte
- browsecomp-openai-gpt-5-6-table
- Quellentyp
- vendor-reported
- Auswertung
- OpenAI
- Status
- active
- Abrufdatum
- 2026-09-02
- Methodik
- Herstellerübergreifende Vergleichstabelle mit Browser-Werkzeugen. Die genauen Agentensysteme unterscheiden sich.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: OpenAI. Datensatztyp: public. Stand der Rangliste: 2026-07-09. Quellenkennung: openai. Kennung der Evidenzaufnahme: curated-openai-2026-09-02-a3a0a1571322. Prüfsumme der Quelldaten: a3a0a15713220d01cc04e6ee194222775ffc1b80afe4ccb9b578912cebba533a. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- Herstellerübergreifende Vergleichstabelle mit Browser-Werkzeugen. Die genauen Agentensysteme unterscheiden sich.
- Einordnung
- Redaktionelle Auswahl aus der Hersteller-Tabelle, kein vollständiger Auszug der Vergleichsgruppe.
OSWorld 2.0: Overall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 20.6
- Bewertung
- 20.6
- Messgröße
- binary accuracy
- Einheit
- %
- Benchmark-Version
- v2026.06.24
- Kategorie
- agentic
- Aufgabe
- overall
- Aufgabenbezeichnung
- Overall
- Richtung
- Mehr ist besser
- Vergleichskohorte
- osworld-2-v2026-06-24-long-horizon
- Quellentyp
- official-leaderboard
- Auswertung
- OSWorld 2.0
- Status
- active
- Abrufdatum
- 2026-08-26
- Methodik
- Vollständiges Agentensystem bei bis zu 500 Schritten.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: OSWorld 2.0. Datensatztyp: public. Stand der Rangliste: 2026-06-25. Werkzeugrichtlinie: batched tool. Reasoning-Stufe: max. Angezeigter Wert: 20,6 % binär / 54,8 % partiell. Quellenkennung: osworld. Kennung der Evidenzaufnahme: curated-osworld-2026-08-26-a8d40127d291. Prüfsumme der Quelldaten: a8d40127d291171384cd4bf5ba7d84fff76fbac3ff5ddcfc570eb2f9f2bcf53d. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- Vollständiges Agentensystem bei bis zu 500 Schritten.
- Einordnung
- Claude verwendete ungefähr 244.000 Output-Tokens. Das ist ein Systemwert, kein isolierter Modellscore.
EnigmaEval: Overall (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 23.51
- Bewertung
- 23.51
- Messgröße
- pass@1 accuracy
- Einheit
- %
- Benchmark-Version
- open-source release 2026-07-23
- Kategorie
- reasoning
- Aufgabe
- overall
- Aufgabenbezeichnung
- Overall
- Richtung
- Mehr ist besser
- Vergleichskohorte
- scale-enigma-eval-2026-07-23
- Konfidenzintervall
- 2.41
- Quellentyp
- official-leaderboard
- Auswertung
- Scale AI
- Status
- active
- Abrufdatum
- 2026-08-26
- Methodik
- Komplexe multimodale Rätsel mit exaktem Antwortabgleich und einem Versuch.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Modellstand: claude-opus-4.8-xhigh. Evaluator: Scale AI. Datensatztyp: public. Stand der Rangliste: 2026-07-23. Versuche: pass@1. Reasoning-Stufe: xhigh. Angezeigter Wert: 23,51 % ± 2,41. Quellenkennung: scale-ai. Kennung der Evidenzaufnahme: curated-scale-ai-2026-08-26-5ccace63d82b. Prüfsumme der Quelldaten: 5ccace63d82bb1236aeffd0c9d0760c126999320c83feb7ed8e4170382506715. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- Komplexe multimodale Rätsel mit exaktem Antwortabgleich und einem Versuch.
SWE-Marathon v1.0: Binary resolution, pass@1 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 26
- Bewertung
- 26
- Messgröße
- binary resolution pass@1
- Einheit
- %
- Benchmark-Version
- v1.0 leaderboard
- Kategorie
- coding
- Aufgabe
- pass1
- Aufgabenbezeichnung
- Binary resolution, pass@1
- Richtung
- Mehr ist besser
- Vergleichskohorte
- swe-marathon-v1-0:official:pass1
- Quellentyp
- official-leaderboard
- Auswertung
- SWE-Marathon
- Status
- active
- Abrufdatum
- 2026-08-09
- Methodik
- 20 mehrstündige Aufgaben. Der benannte Coding-Agent ist Teil jeder Ergebniszeile.. Kennung des Quellmodells: curated/claude-opus-4.8. Name des Quellmodells: Claude Opus 4.8. Anbieter laut Quelle: Anthropic. Evaluator: SWE-Marathon. Datensatztyp: public. Stand der Rangliste: 2026-06-05. Agent: Claude Code. Quellenkennung: swe-marathon. Kennung der Evidenzaufnahme: curated-swe-marathon-2026-08-09-90e2ac9e0f51. Prüfsumme der Quelldaten: 90e2ac9e0f510d0877160a36eea31f579e7ba49a4b0d1117ec4cc50b37f5f787. Parserversion: curated-v1. Importiert am: 2026-09-04
- Vergleichsmethodik
- 20 mehrstündige Aufgaben. Der benannte Coding-Agent ist Teil jeder Ergebniszeile.
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.
Prompt und Testbedingungen
Generate an SVG of a pelican riding a bicycle
Tokenlimit inklusive Reasoning: 8.192 Token
Ursprung der Aufgabe (Simon Willison)Steckbrief
Technische Daten und Zugang
Veröffentlichte Angaben zum Modell. Vorhandene Schätzungen sind ausdrücklich gekennzeichnet.
Kosten
Veröffentlichte Preise
Die Preise gelten für die jeweils genannte Einheit. Auflösung, Ausgabelänge und Anbieter können die Kosten verändern.
Kostenbeispiel
100 API-Anfragen
1,75 $
100 Anfragen mit je 1.000 Eingabe- und 500 Ausgabe-Token kosten rechnerisch 1,75 $. Davon entfallen 0,5 $ auf Eingaben und 1,25 $ auf Ausgaben.
- Eingabe-Preis
- 5 $ / 1 Mio. TokenBasisstufe je Anfrage
- Ausgabe-Preis
- 25 $ / 1 Mio. TokenBasisstufe je Anfrage
Die Rechnung nutzt die dokumentierten Tokenpreise und keinen Cache-Rabatt. Zusätzliche Tools, Steuern, Reasoning-Token und weitere nicht sichtbare Ausgabe-Token sind nicht enthalten.
Quelle öffnenDirekte Vergleiche
Dieses Modell im Vergleich
Jedes Duell vergleicht dieses Modell mit genau einem weiteren Modell aus derselben Kategorie.
Alle Vergleiche anzeigen (42)
Nachweise
Quellen und Datenstand
Alle Angaben verweisen auf die zugrunde liegende Dokumentation oder das jeweilige Leaderboard.
- Preis
API-Basispreise ohne Cache- oder Batch-Rabatt. Höhere Kontextstufen und weitere Tarife stehen unter Kosten.
- Modellmetadaten (abgerufen 2. September 2026)Quelle
- Wissensstand-DatenQuelle
- API-PreiseQuelle
- Anthropic (abgerufen 2. September 2026)Quelle
- OpenAI (abgerufen 2. September 2026)Quelle
- OSWorld 2.0 (abgerufen 26. August 2026)Quelle
- Scale AI (abgerufen 26. August 2026)Quelle
- SWE-Marathon (abgerufen 9. August 2026)Quelle
- TUA-Bench (abgerufen 9. August 2026)Quelle