VerdictPal
Beitreten

Modelle / Anthropic

Claude Opus 4.7 (Non-reasoning, High Effort)

Claude Opus · Release 2026-04-16

AA Intelligence Index 42.7. Auf Artificial Analysis gelistet mit API-Preisen $5/$25 pro 1M Tokens. Benchmark-Zeilen werden aus dem AA-Snapshot synchronisiert — siehe Ledger auf dieser Seite.

Frontier-Modell auf Artificial Analysis. Nutze das Benchmark-Ledger unten für belegte Scores; wir leiten keine Zahlen über veröffentlichte Zeilen hinaus ab.

#43 von 168 im AA Index · aktueller Snapshot
44 AA Index · 9 Benchmark-Zeilen · 1 QuellenPosition ist benchmark-spezifisch — kein Cross-Family- oder Cross-Source-Ranking.
Composite55
Kontext128K
Input / 1M$5.0
Output / 1M$25
Wissensstichtagopen
Statussolid

Familienprofil

Bester veröffentlichter Score je abgedeckter Benchmark-Familie.

67/100 Ø
Reasoning
89
Coding
50
Agentisch
55
Langer Kontext
72

4 getestete Benchmark-Familien

Benchmark-Platzierungen

Wo Claude Opus 4.7 (Non-reasoning, High Effort) auf jeder öffentlichen Benchmark-Quelle mit Zeile steht. Rang zählt jedes Modell mit neuester Zeile im selben Test — kein universeller Qualitätsscore.

BenchmarkFamilyRangScoreQuelleDatum
SciCodeCoding#44/ 18050Artificial Analysis2026-09-01
Artificial Analysis Intelligence IndexReasoning#54/ 18744Artificial Analysis2026-09-01
GPQA DiamondReasoning#59/ 18589Artificial Analysis2026-09-01
Humanity's Last ExamReasoning#63/ 18033Artificial Analysis2026-09-01
AA-LCRLong context#70/ 17972Artificial Analysis2026-09-01
Terminal-BenchAgentic#80/ 18455Artificial Analysis2026-09-01
AA time to first tokenPerformance#97/ 186Artificial Analysis2026-09-01
AA output speedPerformance#98/ 187Artificial Analysis2026-09-01
IFBenchReasoning#114/ 12744Artificial Analysis2026-09-01
Family-Kontext

Die drei höchstscorierenden kartierten Modelle pro Capability-Family. Wo Claude Opus 4.7 (Non-reasoning, High Effort) auftaucht, ist es hervorgehoben.

ReasoningClaude Opus 4.7 (Non-reasoning, High Effort) · 89
  1. 1
    Claude Mythos Preview
    95
  2. 2
    Gemini 3.7 Flash
    95
  3. 3
    Grok 4.6
    95
CodingClaude Opus 4.7 (Non-reasoning, High Effort) · 50
  1. 1
    GPT 5.5
    96
  2. 2
    Claude Opus 4.8
    96
  3. 3
    Claude Opus 4.6
    96
AgenticClaude Opus 4.7 (Non-reasoning, High Effort) · 55
  1. 1
    GPT 5.5
    100
  2. 2
    Claude Opus 4.8
    100
  3. 3
    Claude Fable 5
    100
Long contextClaude Opus 4.7 (Non-reasoning, High Effort) · 72
  1. 1
    Muse Spark 1.2
    83
  2. 2
    Kimi K3
    83
  3. 3
    Gemini 3.5 Flash
    81
Neueste Belege

Benchmark-Zeilen im öffentlichen Ledger für Claude Opus 4.7 (Non-reasoning, High Effort) in den letzten 120 Tagen. Ältere Zeilen stehen in der vollen Tabelle unten.

9 neu
BenchmarkFamilyScoreQuelleTage her
AA-LCRLong context72.33%Artificial Analysis5
AA output speedPerformance0 t/sArtificial Analysis5
AA time to first tokenPerformance0.00sArtificial Analysis5
Artificial Analysis Intelligence IndexReasoning43.9%Artificial Analysis5
GPQA DiamondReasoning88.5%Artificial Analysis5
Humanity's Last ExamReasoning33.3%Artificial Analysis5
IFBenchReasoning43.61%Artificial Analysis5
SciCodeCoding50.1%Artificial Analysis5
Terminal-BenchAgentic54.55%Artificial Analysis5
Family-Abdeckung

Ein hoher Composite, der eine schwache Family versteckt, ist eine Falle. Diese Balken zeigen Families ohne öffentlichen Test — und wo das Modell führt.

Reasoning89
Coding50
Agentisch55
Langer Kontext72
Preis vs. Performance
0255075100$0.10$0.30$1$3$10$30Input-USD / 1M Tokens · log-Skala →← Intelligenz

Hover auf einen Punkt zeigt Name, Score und Input-Preis. Per Tastatur: die zwölf besten mit Tab durchgehen oder die Rangliste unten nutzen.

AnthropicOpenAIMistralAlibabaDeepSeekGoogleMoonshotMetaMiniMaxxAIZhipuXiaomiOtherMeituanCohereNVIDIA

Volles Benchmark-Ledger

Jeder Katalog-Benchmark für Claude Opus 4.7 (Non-reasoning, High Effort). Scores verlinken zur Originalquelle; Lücken heißen: noch keine öffentliche Zeile.

9 Quell-Zeilen

9 von 37 Katalog-Benchmarks haben eine belegte Zeile für Claude Opus 4.7 (Non-reasoning, High Effort).

Reasoning

Coding

Agentic

Long context

Performance

Quellen