Ein Claude-Modell auswählen
Anthropic bietet eine Modellfamilie an verschiedenen Punkten von Fähigkeit/Kosten/Geschwindigkeit an. Gut zu wählen heißt vor allem: das Modell auf die Aufgabe zuschneiden — und keine Fähigkeit zu bezahlen, die du nicht brauchst.
- Die Leiter Haiku → Sonnet → Opus als Fähigkeit/Kosten/Geschwindigkeit-Tradeoff lesen
- Vom richtigen Default starten statt zu raten und dann bewusst hoch oder runter gehen
- Tiers in einem System mischen — der größte Kostenhebel, den die meisten nie ziehen
- Die exakte Model-ID richtig nachschlagen, damit Upgrades eine Ein-Zeilen-Änderung bleiben
Die aktuellen Modelle
Last verified: 2026-09-14 · Official models & pricing
| Model | API model ID | Tier | Best for |
|---|---|---|---|
| Claude Fable 5.1 | claude-fable-5-1 | Mythos-class — flagship (above Opus) | Anthropic's most capable widely released model, released September 1, 2026. For demanding reasoning and long-horizon agentic work, or when Opus 5 at higher effort still falls short on your evals. Same list price as Fable 5 with cache reads at a quarter of the cost. Three breaking changes vs Fable 5: forced tool_choice (any/tool) returns 400, thinking blocks are readable only by Fable 5.1 or newer, and editing earlier turns invalidates thinking blocks. Refuses in-band (HTTP 200, stop_reason: refusal); fallback targets are Opus 5 and Opus 4.8. 30-day retention (NOT ZDR-eligible); not on Priority Tier. (Supersedes Claude Fable 5, now a legacy model.) |
| Claude Mythos 5.1 | claude-mythos-5-1 | Mythos-class — restricted (Project Glasswing) | Same underlying model, specs and pricing as Fable 5.1 with a different safeguard configuration, offered only to approved Project Glasswing participants (currently US organizations, via the Cyber Verification and Life Sciences Verification programs). Does not run the conversation-binding check on thinking blocks. Customers without access should use Fable 5.1. |
| Claude Opus 5 | claude-opus-5 | Opus — most capable | Complex agentic coding and enterprise work: 1M context, 128k output, with materially better numbers than Opus 4.8. Default on Claude Max, strongest available on Claude Pro. (Supersedes Claude Opus 4.8, now a legacy model.) |
| Claude Sonnet 5 | claude-sonnet-5 | Sonnet — balanced | The default workhorse and Claude Code's default model: the best combination of speed and intelligence, with a 1M-token context window. Start here for most work. (Supersedes Claude Sonnet 4.6, now a legacy model.) |
| Claude Haiku 4.5 | claude-haiku-4-5-20251001 | Haiku — fastest & cheapest | High-volume, latency-sensitive tasks: classification, extraction, routing, simple chat, and cheap sub-agents. |
| Claude Fable 5 | claude-fable-5 | Mythos-class — flagship (above Opus) | Legacy since September 1, 2026 (superseded by Fable 5.1) but still available. Multiday autonomous runs, first-shot on ambiguous specs, dense vision, sustained delegation to parallel subagents. GA June 9 2026. Refuses in-band (HTTP 200, stop_reason: refusal) — configure server-side or client-side fallback. Adaptive thinking only; raw thinking never returned. 30-day retention (NOT ZDR-eligible). Two reasons to stay on it for now: it supports forced tool_choice and Priority Tier, which Fable 5.1 does not. |
| Claude Mythos 5 | claude-mythos-5 | Mythos-class — restricted (Project Glasswing), legacy | Superseded by Mythos 5.1. Shares Fable 5's specs and pricing, offered separately for defensive cybersecurity workflows in Project Glasswing. Invitation-only, no self-serve sign-up. Customers without access should use Fable 5.1. |
Model IDs are exact; tiers and 'best for' are guidance. Pricing, context-window sizes and rate limits change frequently and are intentionally NOT listed here — always read them on the official page above. This file is the single source of truth: never hard-code model facts in prose, link to this table instead.
Probier's aus: welches Modell passt?
Beantworte drei Fragen und bekomme eine Startempfehlung:
Der ausgewogene Standard — starkes Schlussfolgern und Coden zu einem Bruchteil der Opus-Kosten. Fang hier an und steig nur höher, wenn du an eine echte Qualitätsgrenze stößt.
Schlag die genaue Modell-ID nach in der Modelltabelle. Nur als Faustregel — führe zur Sicherheit eine schnelle Eval mit deinen eigenen Eingaben durch.
Das mentale Modell: eine Fähigkeitsleiter
- Starte mit Sonnet. Das ist der Standard-Zugpferd — starkes Reasoning und Coding zu vernünftigen Kosten. Die meisten Aufgaben sollten hier beginnen.
- Steige zu Opus auf, wenn Sonnet strauchelt und Qualität mehr zählt als Kosten (hartes Reasoning, kniffelige Agenten, verhedderter Code).
- Steige auf Haiku ab für hohe Volumen, latenzsensible oder einfache Arbeit (Klassifikation, Extraktion, Routing, günstige Sub-Agenten).
So wählst du tatsächlich
- Es ist das ausgewogene Zugpferd. Woanders zu starten heißt zu optimieren, bevor du Evidenz über deine tatsächliche Aufgabe hast.
- Rüste nicht die gesamte Workload hoch. Finde die Fälle, in denen Sonnet scheitert, und route nur die zu Opus — du kaufst die Qualität, ohne sie überall zu bezahlen.
- Klassifikation, Extraktion, Routing und günstige Subagenten brauchen selten ein größeres Modell. Teste es, statt anzunehmen.
- Nutze Haiku für günstiges Pre-/Post-Processing und Sonnet/Opus für den harten Kern. Dieses Model-Tiering ist einer der größten Kostenhebel — siehe Kosten & Latenz.
Model-Tiering verdient einen eigenen Read: Kosten & Latenz.
:::tip Wähle nicht allein nach Benchmarks Öffentliche Benchmarks sind ein Starthinweis, kein Urteil für deine Aufgabe. Fahre eine winzige Eval auf einer Handvoll deiner echten Inputs über zwei Modelle — dauert Minuten und schlägt Raten. :::
Die exakte Model-ID nachschlagen
Übergib immer die aktuelle API-Model-ID (z. B. in deinem messages.create-Call). Hol sie aus der Modelltabelle oben oder der offiziellen Models-Seite — und lies sie lieber aus der Config, statt sie an vielen Stellen hart zu codieren, damit Modell-Upgrades eine Ein-Zeilen-Änderung sind.
Prüfe dich selbst
0/4- Haiku → Sonnet → Opus ist eine Fähigkeit/Kosten/Geschwindigkeit-Leiter — wähle eine Sprosse, rate kein Modell.
- Auf Sonnet defaulten und ausliefern; nur mit Evidenz aus deiner eigenen Aufgabe hoch oder runter gehen.
- Rüste die harte Teilmenge auf, nicht die ganze Workload — Routing schlägt Pauschal-Upgrades.
- Tiers in einem System zu mischen ist einer der größten verfügbaren Kostenhebel.
- Benchmarks sind ein Hinweis; eine winzige Eval auf deinen echten Inputs ist das Urteil.
- Model-ID aus der Config lesen und in der Live-Modelltabelle nachschlagen — Modellfakten niemals hart codieren.