Beste KI zum Programmieren? Welches Modell für welche Aufgabe

Welche Modelle gehören bei den drei Anbietern zur Spitzen-, Mittel- und Einstiegsklasse?

Wenn Sie für einen Coding-Agenten ein Modell wählen, wählen Sie zwei Dinge zugleich: das Modell selbst und wie viel es nachdenkt. Das Zweite, den Effort, haben wir im vorigen Artikel behandelt, wie man Benchmark-Scores liest, im Artikel über SWE-bench. In diesem Artikel geht es um das Modell selbst: wie gut es programmiert, was es pro Aufgabe kostet und wie man es in fünf Tools auswählt. Die Modelle jedes Anbieters haben wir in drei Klassen eingeteilt:

Quelle: die Modell- und Preisseiten der drei Anbieter (Anthropic, OpenAI, Google), 20. Oktober 2026. Preise pro MTok für Eingabe / Ausgabe, Standardtarif; bei OpenAI für Prompts bis 272K Token, bei Anthropic für Prompts an Haiku 5.5 bis 100K Token. Der zweite Satz jeder Zelle ist die Beschreibung des Anbieters selbst.

Bei Anthropic gibt es über Opus noch ein Modell: Fable 5.1. Anthropic stellt es als sein leistungsfähigstes Modell vor, das allen Kunden offensteht; der Preis liegt bei $10 für die Eingabe und $50 für die Ausgabe pro MTok. In der Tabelle steht trotzdem Opus 5.5 in Anthropics Spitzenklasse, weil Anthropic empfiehlt, die meiste Arbeit mit Opus zu beginnen.

Bei den Listenpreisen fällt ein Gleichstand auf: Sonnet 5.5, GPT-6.1 Sol und Gemini 4 Argon verlangen heute alle drei $2 für die Eingabe und $10 für die Ausgabe pro MTok; auch Haiku 5.5 und GPT-6 Luna kosten gleich viel. Dagegen ist jeder Token-Preis von Opus 5.5 doppelt so hoch wie der von Sonnet 5.5, und die von Astra sind fünfmal so hoch wie die von Sol. Gleicher Token-Preis heißt aber nicht gleiche Kosten pro Aufgabe: Ein Modell kann für dieselbe Arbeit mehr Schritte brauchen. Das zeigen wir im nächsten Abschnitt mit Messungen.

In langen Agenten-Sitzungen ändern drei Schwellen den Preis. Bei Haiku 5.5 kostet jede Anfrage, deren Prompt 100K Token überschreitet, das 5-Fache ($0,50 / $2,50), und auch Token aus dem Cache zählen dabei mit. Bei OpenAI kostet eine Anfrage über 272K Token bei der Eingabe das Doppelte, bei der Ausgabe das 1,5-Fache. Bei Google ist die Schwelle ein Datum: Der Preis von Argon verdoppelt sich am 1. Dezember, der von 3.8 Flash am 1. Januar 2027.

In einer Agenten-Sitzung machen Token, die aus dem Cache gelesen werden, den größten Teil der Rechnung aus; auch Anthropic schreibt, dass sie den Großteil der Kosten von Agenten- und Coding-Arbeit ausmachen. Für das Lesen aus dem Cache verlangt Opus 5.5 $0,20 pro MTok, Sonnet 5.5 $0,10 und Haiku 5.5 $0,01. Überschreitet der Prompt 100K Token, steigt der Preis von Haiku auf $0,05, und der Abstand zu Sonnet schrumpft vom Zehnfachen auf das Doppelte. Deshalb schmilzt der Preisvorteil der Einstiegsklasse, je länger eine Sitzung wird.

Wie gut programmiert jedes Modell und was kostet es?

Preislisten rechnen pro Token, für Sie zählt aber, was eine erledigte Aufgabe kostet. Auch die Dokumentation von Anthropic empfiehlt, Modelle nicht nach Kosten pro Token, sondern nach Kosten pro erledigter Aufgabe zu vergleichen. Deshalb haben wir zwei Arten von Messungen angesehen: einen unabhängigen Index, der jedes Modell in seinem eigenen Coding-Tool misst, und die Messungen der Hersteller. Was ein Hersteller selbst angibt, haben wir als solches gekennzeichnet.

Der Coding Agent Index von Artificial Analysis misst ein Modell nicht für sich allein, sondern in einem Coding-Tool: Claude-Modelle laufen in Claude Code, OpenAI-Modelle in Codex, Gemini-Modelle in Antigravity. Er umfasst 303 Aufgaben aus drei Benchmarks, und jede Aufgabe wird 3-mal versucht. Die Kosten werden mit API-Preisen berechnet, nicht mit einem Abo. Aus jeder Familie haben wir die Zeilen der Modelle aus Spitzen-, Mittel- und Einstiegsklasse ausgewählt; bei Anthropic kam die Zeile von Fable 5.1 hinzu:

Das Diagramm ist keine Rangliste: Die Zeilen wurden auf unterschiedlichen Effort-Stufen gemessen, und manche Modelle hat der Index nur auf einer einzigen Stufe gemessen. Achten Sie beim Lesen auf drei Dinge:

• In zwei Familien kommt die Mittelklasse nah an die Spitzenklasse heran. In Codex erreichte GPT-6.1 Sol auf medium 61,4 Punkte, GPT-6 Astra auf max 61,6; pro Aufgabe $0,70 und $7,47, bei 11 und 29 Minuten. In Claude Code wurden beide Modelle auf max gemessen: Sonnet 5.5 kam auf 68,4 Punkte, Opus 5.5 auf 66,0, bei $14,19 und $13,04 pro Aufgabe. Auch Fable 5.1, das noch über Opus steht, lag auf max mit 62,2 Punkten vor keinem der beiden.
• Billige Token heißen nicht billige Aufgaben. Der Token-Preis von Sonnet 5.5 ist halb so hoch wie der von Opus, doch auf max brauchte Sonnet für eine Aufgabe im Schnitt 266 Schritte und 87 Minuten, Opus 155 Schritte und 64 Minuten. Es geht auch umgekehrt: Die Eingabe- und Ausgabepreise von Fable 5.1 sind zweieinhalbmal so hoch wie die von Opus, doch auf max erledigte Fable eine Aufgabe im Schnitt in 37 Schritten und 35 Minuten und war mit $12,39 pro Aufgabe etwas günstiger als Opus. Gemini 3.8 Flash brauchte pro Aufgabe im Schnitt 188 Schritte und war mit $2,47 pro Aufgabe teurer als Sonnet 5.5 auf high ($1,24).
• Auch beim selben Modell macht Effort einen großen Unterschied. Auf high erreichte Sonnet 5.5 55,0 Punkte, bei $1,24 und 12 Minuten pro Aufgabe. Die Stufen im Einzelnen haben wir im Artikel über Effort verglichen. Auch die Dokumentation von Anthropic schreibt, dass das Einstellen des Effort oft ein besserer Hebel ist als ein Modellwechsel.

Das Diagramm hat zwei Grenzen. Der Index hat Opus 5.5 und Fable 5.1 nur auf max gemessen; auf medium, dem Standard von Opus in Claude Code, gibt es keine unabhängige Messung. Außerdem kann, wenn ein Modell aus Sicherheitsgründen ablehnt, ein anderes Modell den Versuch beenden, und der Versuch zählt trotzdem: Von 909 Versuchen beendete ein anderes Modell in der Zeile Opus 5.5 max 78, in der Zeile Fable 5.1 max 74 und in der Zeile Sonnet 5.5 max 45. Die Zeile von Fable versieht der Index zusätzlich mit dem Vermerk “with fallback” (mit Ersatzmodell).

Ein Abstand von wenigen Punkten kann auch Rauschen sein. In der eigenen Rangliste von Terminal-Bench 4.0 kommt Opus 5.5 (max) in Claude Code auf 64,85 % ± 3,11, Sonnet 5.5 (max) auf 61,82 % ± 2,94; jede Zeile stammt aus 330 Versuchen. In der Komponente, die Artificial Analysis aus demselben Benchmark bildet, ist die Reihenfolge umgekehrt: Sonnet 5.5 66,2, Opus 5.5 63,1. Ein Abstand von drei Punkten zwischen diesen beiden Modellen sagt also nicht, welches besser ist. Auch Anthropic schreibt, dass Benchmark-Abstände auf diesem Leistungsniveau ein weniger verlässlicher Hinweis auf Unterschiede in der Praxis sind; Epoch AI wiederum stufte Terminal-Bench 4.0 als fehlerhaft ein. Wie man einen Score liest, steht im Artikel über SWE-bench.

Wann lohnt sich ein Modell der Spitzenklasse?

In allen drei Familien stellt sich dieselbe Frage: Wann holt das Modell der Spitzenklasse seinen höheren Token-Preis wieder herein? In den Messungen, die uns vorliegen, holt die Mittelklasse auf einer etwas höheren Stufe die Spitzenklasse in zwei Familien ein, in der dritten nicht. Für jede Familie haben wir die zwei am nächsten beieinanderliegenden Messungen von Spitzen- und Mittelklasse nebeneinandergestellt:

Anthropics Messung ist das deutlichste Beispiel. Laut dem Dokument ist jeder Token-Preis von Opus 5.5 doppelt so hoch wie der von Sonnet 5.5, doch Opus löst auf low genauso viele Aufgaben wie Sonnet auf seiner Standardstufe und ist pro gelöster Aufgabe nur 7 % teurer. Läuft Opus auf seiner eigenen Standardstufe medium, steigt die Lösungsquote auf 92,8 % und die Kosten auf $0,22: Für rund fünf Punkte mehr zahlen Sie pro gelöster Aufgabe das Doppelte. Das ist die Messung des Herstellers auf einer Teilmenge von SWE-bench Pro, und sie lässt sich nicht mit der öffentlichen Rangliste vergleichen.

Der Schritt über Opus hinaus brachte in dieser Tabelle keine Punkte. Auf der eigenen Standardstufe von Fable 5.1, high, liegt die Lösungsquote in einem einzigen Lauf bei 92,3 %, die Kosten pro gelöster Aufgabe bei $1,19. Anthropic wertet das als dasselbe Ergebnis wie Opus auf medium, innerhalb der Schwankung von Lauf zu Lauf; Fable hat Opus auf dieser Menge also nicht übertroffen und kostete pro gelöster Aufgabe rund das Fünffache. Das Dokument schreibt auch, dass beide Modelle auf dieser Menge weitgehend an die Decke stoßen.

Wo holt Opus seine fünf Punkte mehr? Anthropic und Google geben dieselbe Antwort: bei komplexer, langer Arbeit in vielen Schritten. Anthropic empfiehlt Opus 5.5 für stundenlanges autonomes Programmieren und große Refactorings, Sonnet 5.5 für das alltägliche Programmieren; die Ankündigung von Sonnet 5.5 schreibt auch, dass Opus bei offener Arbeit, die anhaltendes Urteilsvermögen verlangt, klar stärker bleibt. Auch der Weg, den Anthropic für Fable 5.1 empfiehlt, beginnt mit Opus: Reicht Opus bei anspruchsvollem Reasoning oder langer Agentenarbeit selbst auf xhigh oder max nicht aus, wechseln Sie zu Fable. Google empfiehlt Gemini 4 Argon für komplexe Softwareentwicklung und Reasoning, und die Preisseite schreibt, dass es für autonome Agenten mit vielen Schritten gebaut ist. OpenAI zieht die Linie anders: GPT-6.1 Sol stellt es als das Modell vor, das eine Leistung nahe an Astra zu geringeren Kosten bietet, und die Dokumentation von Codex empfiehlt, selbst für unklare Arbeit in vielen Schritten mit Sol zu beginnen; Astra bleibt für den Fall, dass Kosten und Latenz keine Rolle spielen. Anthropics Dokument zu den Kosten gibt außerdem einen Maßstab: Vergleichen Sie Modelle nicht an der typischen Aufgabe Ihrer Arbeit, sondern am schwierigsten Zehntel, denn die Rechnung bestimmen die Aufgaben, an denen das günstigere Modell scheitert.

In der Google-Familie sieht es anders aus. Im unabhängigen Index kam 3.8 Flash nicht an den Score von Argon heran; allerdings wurden die beiden Modelle in verschiedenen Tools gemessen (Argon in Antigravity CLI, Flash im Antigravity SDK). Auch GitHub Copilot ordnet 3.8 Flash mit Haiku 5.5 und GPT-6 Luna in dieselbe Gruppe ein: schnelle Hilfe bei einfachen oder sich wiederholenden Aufgaben. Nach diesen beiden Quellen steht Googles Mittelklasse im Coding-Agenten näher an der Einstiegsklasse.

Die Standardwerte der Tools passen nicht immer zu diesen Empfehlungen:

• Claude Code startet seit dem 22. September (Version 2.1.280) in den Plänen Pro, Max, Team und Enterprise mit Opus 5.5, und auch über die API startet es mit Opus 5.5. Dabei sagt die eigene Kostenseite, dass Sonnet die meisten Coding-Aufgaben gut erledigt und man Opus für komplexe Architekturentscheidungen und mehrstufiges Reasoning aufheben sollte; unerwartet hohe Rechnungen führt sie meist auf Opus zurück, das als Standard stehen blieb. Noch ein Detail: In Claude Code starten Opus 5.5, Sonnet 5.5 und Haiku 5.5 mit medium Effort, in Anthropics Messung oben ist der Standard von Sonnet dagegen high. Wenn Sie zu Sonnet wechseln, stellen Sie den Effort ebenfalls auf high.
• In Codex ist das Standardmodell GPT-6.1 Sol aus der Mittelklasse.
• In GitHub Copilot wählen Sie das Modell im Auswahlmenü oder mit Auto; Auto beschreiben wir weiter unten.
• In Cursor gibt der Plus-Plan nur Cursors eigene Modelle frei. Modelle von Claude, GPT und Gemini nutzen Sie ab Premium, zum API-Listenpreis und bezahlt aus vorher aufgeladenem Guthaben.
• In Antigravity gibt es im kostenlosen Plan und in Google AI Plus von Gemini nur 3.8 Flash; für Gemini 4 Argon, Claude Sonnet 5.5 und Opus 5.5 brauchen Sie ein Google-AI-Pro-Abo, das kein Testabo ist, oder ein höheres.

Im Abo verbraucht die Spitzenklasse Ihr Limit schneller. Als einziges Tool nennt Codex das als Zahl der Nachrichten pro Modell: Laut der Preisseite liegt die geschätzte Zahl lokaler Nachrichten in einem Fünf-Stunden-Fenster im Plus-Plan bei 5–45 mit GPT-6 Astra, 15–160 mit GPT-6.1 Sol und 350–3.000 mit GPT-6 Luna. In den anderen Tools:

• Claude: Die Seite zu den Plänen schreibt, dass es vom gewählten Modell abhängt, wie viel Sie nutzen können, nennt aber kein Verhältnis. Claude Code zeigt getrennte Limit-Meldungen für Opus und Sonnet; stoßen Sie an eine davon, können Sie zur anderen Familie wechseln und weiterarbeiten.
• GitHub Copilot: Seit dem 1. Juni 2026 wird die Nutzung pro Token zum API-Preis jedes Modells berechnet. Ein Modell mit doppeltem Preis verbraucht bei gleich vielen Token auch Ihre KI-Credits doppelt so schnell.
• Cursor: Der wöchentliche Pool deckt Cursors eigene Modelle ab, und jedes Modell zieht unterschiedlich schnell aus dem Pool; Modelle von Drittanbietern bezahlen Sie aus dem Guthaben, nicht aus dem Pool.
• Antigravity: Gemini-Modelle sowie Claude- und GPT-Modelle zählen gegen getrennte Fünf-Stunden- und Wochenlimits.

Kann man mit Modellen der Einstiegsklasse programmieren?

Als Hauptagent nach der Beleglage nicht, als Helfer schon. Anthropics Ankündigung von Haiku 5.5 sagt das selbst: Für komplexe agentische Coding-Aufgaben sind Sonnet 5.5 und Opus 5.5 die bessere Wahl; Haiku 5.5 ergänzt sie bei der Coding-Arbeit gut als Subagent und erledigt Aufgaben wie Zusammenfassungen, Compaction und Klassifizierung zuverlässig. In der Tabelle derselben Ankündigung erreicht Haiku 5.5 auf Terminal-Bench 4.0 39,2 %, Sonnet 5.5 70,6 %, GPT-6 Luna 16,4 % (Angabe von Anthropic).

Der unabhängige Index zeigt auch, wo der Abstand liegt. Bei den DeepSWE-Aufgaben, in denen das Modell in Claude Code Code schreibt, blieb Haiku 5.5 auf jeder Effort-Stufe zwischen 45,4 und 49,0, Sonnet 5.5 zwischen 61,9 und 72,0; mehr Effort schloss diese Lücke nicht. Bei SWE-Atlas-QnA, wo das Modell Fragen zu einer Codebasis beantwortet, ist der Abstand klein: Haiku 5.5 kam auf xhigh auf 51,6, Sonnet 5.5 auf medium auf 44,9. Am weitesten zurück liegt die Einstiegsklasse beim Schreiben von Code, am wenigsten beim Lesen von Code und beim Beantworten von Fragen dazu.

Dass sie pro Aufgabe günstig ist, stimmt auch nur zur Hälfte. Haiku 5.5 kostete auf medium $0,23 pro Aufgabe, brauchte für eine Aufgabe aber im Schnitt 14 Minuten und 44 Schritte; Sonnet 5.5 auf low $0,48, 6 Minuten und 19 Schritte. Auch der Score von Haiku ist niedriger: 33,6 gegenüber 42,1. Anthropics schnellstes Modell war pro Aufgabe langsamer.

Die beiden anderen Familien ordnen ihre Einstiegsklasse genauso ein. Die Dokumentation von Codex empfiehlt GPT-6 Luna für schnelle, eng umrissene Agenten, die klare, sich wiederholende oder umfangreiche Arbeit erledigen; in der Rangliste von Terminal-Bench 4.0 kommt Luna auf max in Codex auf 16,36 % ± 2,72. Google stellt Gemini 3.5 Flash-Lite als Modell mit niedriger Latenz und niedrigen Kosten für Aufgaben von Subagenten und das Auslesen von Dokumenten vor.

In Claude Code kam der eingebaute Subagent Explore, der die Codebasis durchsucht, mit Version 2.0.17 (15. Oktober 2025) und lief auf Haiku; seit Version 2.1.198 (1. Juli) läuft er mit dem Modell der Hauptsitzung. Wenn die Suche ein Modell der Einstiegsklasse übernehmen soll, richten Sie das also selbst ein. So geht es in fünf Tools:

Quelle: Dokumentation und Release Notes der Tools, 20. Oktober 2026.

Ein Beispiel für eine Definition in Claude Code. Steht im Feld name der Wert Explore, ersetzt sie den eingebauten Agenten; die Beschränkung auf lesende Werkzeuge hält zudem seine Aufgabe eng:

---
name: Explore
description: Durchsucht und liest die Codebasis, ändert keine Dateien
tools: Read, Glob, Grep
model: haiku
---
Finde den gesuchten Code. Schreib einen kurzen Bericht:
Dateipfad, Zeile und eine Erklärung in einem Satz.

Eine Warnung: Je mehr große Dateien ein suchender Subagent liest, desto größer wird sein Prompt. Bei Haiku 5.5 kostet jede Anfrage über 100K Token das 5-Fache; halten Sie den Bericht des Subagenten deshalb kurz und die Auswahl der Dateien, die er liest, eng. Wie Subagenten arbeiten, steht im Artikel über Subagenten.

Bringt der Auto-Modus oder der Einsatz von zwei Modellen etwas?

Es gibt Wege, das Tool das Modell wählen zu lassen oder zwei Modelle zusammen laufen zu lassen. Die Regel aus Anthropics Messungen ist kurz: Bevor Sie ein zweites Modell hinzunehmen, stellen Sie den Effort des einen Modells ein, denn dort endet die meiste Arbeit; bauen Sie einen Aufbau mit zwei Modellen nur dann, wenn er die Kurve aus Score und Kosten des einzelnen Modells über alle Effort-Stufen schlägt.

Auto in GitHub Copilot gibt es in allen Plänen. In VS Code, in der Copilot CLI und in der Copilot-App hat es drei Stufen: Efficiency, Balance und Intelligence. Die Stufe bestimmt, an welches Modell eine Anfrage geht; bezahlt wird weiterhin der Preis des Modells, das Auto gewählt hat, in bezahlten Plänen mit 10 % Rabatt. Copilot zeigt, von welchem Modell jede Antwort kam, die CLI schreibt es ins Terminal. In Plänen für Einzelpersonen kann Auto auch Modelle nutzen, die noch erprobt werden; das lässt sich abschalten.

Auto in Cursor hängt vom Plan ab. Laut der Preisseite gibt es im Plus-Plan kein Auto; die übrigen Pläne für Einzelpersonen haben nur den Cost-Modus, und welches Modell auch antwortet, die Anfrage zählt wie ein Cursor-Modell gegen den wöchentlichen Pool. Die Modi Balance und Intelligence gibt es in Teams und Enterprise; dort wird eine Anfrage zum Listenpreis des Modells bezahlt, an das sie geleitet wurde, und welches Modell geantwortet hat, ist standardmäßig verborgen. Die Router-Seite von Cursor schreibt dagegen, dass alle Auto-Modi zum Listenpreis des angesteuerten Modells bezahlt werden; am 20. Oktober 2026 widersprachen sich die beiden Seiten.

In der Modelldokumentation von Claude Code, Codex und Antigravity ist kein Auto beschrieben, das pro Anfrage ein Modell wählt. Gemini CLI hat Auto und wählt das Modell nach der Komplexität der Aufgabe; Google hat Gemini CLI für Nutzer des kostenlosen Tarifs und von Google One am 18. Juni 2026 durch Antigravity CLI ersetzt und empfiehlt für Gemini 4 Argon Antigravity.

opusplan ist eine Modelleinstellung in Claude Code, die die Arbeit auf zwei Modelle verteilt: im Plan-Modus Opus, bei der Umsetzung Sonnet. Weil jedes Modell seinen eigenen Cache hat, zählt jedes Betreten und Verlassen des Plan-Modus als Modellwechsel, und der Cache beginnt von vorn; in einer langen Sitzung schlägt sich das in der Rechnung nieder.

Mit Advisor zieht das Modell in Claude Code in kritischen Momenten ein zweites, stärkeres Modell zu Rate: bevor es sich für einen Ansatz entscheidet, wenn es am selben Fehler hängt, bevor es die Arbeit abschließt. Das funktioniert im Abo wie über die API. In Anthropics Messung mit aktuellen Modellen erreichte die einzige Paarung, die oft nachfragte, in einem Coding-Benchmark 1,7 Punkte mehr als das einzelne Modell; dieser Abstand liegt an der Grenze der Schwankung von Lauf zu Lauf, die Kosten dagegen beim rund 2,1-Fachen. Fragte das Modell selten nach, lag die Paarung gleichauf mit dem einzelnen Modell oder darunter.

Kann ein lokales Modell diese Modelle ersetzen?

Nach heutiger Beleglage zeigt keine Messung, dass es sie als Hauptagent ersetzen kann. Unabhängige Ranglisten messen auch Modelle mit offenen Gewichten, aber die, deren Größe bekannt ist, gehören zur Serverklasse: GLM-5.3-Flash etwa hat 320 Milliarden Parameter (pro Token sind 18 Milliarden davon aktiv) und erreicht auf Terminal-Bench 4.0 in Claude Code 35,76 % ± 3,54. Eine unabhängige Messung als Coding-Agent für ein Modell, das erkennbar auf einen Laptop passt, haben wir nicht gefunden.

Auch die Hardware setzt Grenzen. Ollama stellt das Kontextfenster nach dem VRAM ein: Unter 24 GiB liegt der Standardkontext bei 4K Token. Für Coding-Tools empfiehlt es aber mindestens 64.000 Token, und mit dem Kontext wächst auch der Speicherbedarf. Google empfiehlt für Gemma 4 26B A4B mindestens 24 GB VRAM oder Unified Memory. So binden Sie ein lokales Modell in fünf Tools an:

Quelle: Dokumentation der Tools und von Ollama, 20. Oktober 2026. Ollama verlangt auch für Claude Code und Codex mindestens 64K Kontext.

Ein lokales Modell heißt nicht, dass Ihr Code den Rechner nicht verlässt. Der Hinweis von GitHub sagt es deutlich: Wer ein lokales Modell wählt, schaltet damit weder den Offline-Modus ein noch die GitHub-Telemetrie ab; in der CLI schalten Sie den Offline-Modus eigens mit COPILOT_OFFLINE=true ein. In Cursor laufen Anfragen über die Server von Cursor, damit dort der endgültige Prompt gebaut wird. Darf Ihr Code den Rechner nicht verlassen, prüfen Sie neben dem Modell den ganzen Weg, den das Tool nimmt.

Am sinnvollsten probieren Sie ein lokales Modell bei der Arbeit aus, die Modelle der Einstiegsklasse erledigen: Suche in der Codebasis, Zusammenfassen, Klassifizieren, also Arbeit, die auf Lesen beruht und deren Ergebnis sich prüfen lässt. Messen Sie auch das an Ihren eigenen Aufgaben; die unabhängigen Messungen oben decken Modelle dieser Größe nicht ab.

Welches Modell passt zu welcher Aufgabe?

Gemeinsam ist den Belegen: Die Mittelklasse reicht für die meiste Arbeit, die Spitzenklasse macht bei langer, unklarer Arbeit den Unterschied, und die Einstiegsklasse bleibt als Helfer günstig. Für häufige Aufgaben die passenden Modelle der drei Familien:

Die Gründe hinter den Karten stehen oben. Die Mittelklasse für die Alltagsarbeit, weil in Anthropics Messung Sonnet auf seiner Standardstufe genauso viele Aufgaben löste wie Opus auf low und Sol auf medium im unabhängigen Index den Score von Astra auf max erreichte. In der Google-Familie auch für die Alltagsarbeit Argon, weil 3.8 Flash in der unabhängigen Messung nicht an Argon herankam. Für lange, unklare Arbeit bei Anthropic und Google die Spitzenklasse, weil beide sie dafür empfehlen und die zusätzlichen Punkte bei schweren Aufgaben gewonnen werden; bei OpenAI lautet die Empfehlung von Codex dagegen, bei Sol zu bleiben und den Effort zu erhöhen. Reicht Opus bei Anthropic auch auf xhigh oder max nicht, ist Fable 5.1 der nächste Schritt. Die Einstiegsklasse in die Subagenten, weil sie beim Schreiben von Code zurückliegt, beim Lesen von Code und beim Beantworten von Fragen dazu aber nah dran ist.

Für Ihre eigene Arbeit ist eine Messung der verlässlichste Weg. Die Empfehlungen der Hersteller ähneln sich: Anthropic empfiehlt, Modelle an Ihrer eigenen Arbeit zu vergleichen, nach Kosten pro gelöster Aufgabe und mit Ihren schwersten Aufgaben, OpenAI, mit denselben Eingaben zu testen und die leichteste Einstellung zu behalten, die Ihre Qualitätsschwelle erreicht. In der Praxis: Wählen Sie eine Handvoll Aufgaben aus Ihrer Arbeit, lassen Sie jedes Modell mehrmals in seinem eigenen Tool laufen und notieren Sie die Kosten pro gelöster Aufgabe und die Dauer. Haben Sie Tests, lassen Sie zuerst auf einer günstigen Stufe laufen und wiederholen Sie nur die Fehlschläge auf einer höheren; warum das günstig ist, steht im Artikel über Effort.