Claude Sonnet 4.5

Claude Sonnet 4.5 erzielte im November 2025 auf Anthropics Maß für Ausgewogenheit 94 % und lag damit in einem Feld von sechs Modellen auf dem vierten Platz, hinter Gemini 2.5 Pro (97 %), Grok 4 (96 %) und Claude Opus 4.1 (95 %), aber vor GPT-5 (89 %) und Llama 4 (66 %). Aufschlussreicher ist, dass dasselbe Modell auch die Bewertung vornahm. Anthropic setzte Claude Sonnet 4.5 als automatisierten Prüfer über 1.350 Prompt-Paare, 9 Aufgabentypen und 150 Themen des amerikanischen politischen Diskurses ein, wobei eine Teilstichprobe zur Validitätsprüfung von Claude Opus 4.1 und GPT-5 erneut bewertet wurde. Die Übereinstimmung lag bei 94 % mit Opus 4.1 und bei 92 % mit GPT-5, gegenüber 85 % zwischen menschlichen Bewertern.

Sein eigenes Profil ist uneinheitlich. Es verweigert selten (3 % Ablehnungsquote, nur übertroffen von Grok 4, das nahe null liegt), bringt aber unter den vier auf dieser Achse gemessenen Modellen am seltensten Gegenargumente vor: 28 %, gegenüber 46 % bei Opus 4.1. Bereit sich einzulassen, weniger geneigt zu differenzieren.

Der zweite Auftritt ist praktischer, nicht wertender Natur. Ethan Mollick übergab dem Modell einen vollständigen wirtschaftswissenschaftlichen Aufsatz samt dessen Replikationsdatenarchiv. Das Modell las den Artikel, sortierte die Dateien, konvertierte STATA-Code nach Python und verifizierte die Ergebnisse einschließlich der komplexen Interaktionen, innerhalb von Minuten. Mollick prüfte die Ausgabe stichprobenartig und ließ die Replikation anschließend von GPT-5 Pro replizieren.

Prüfer und Gegenstand, Verifizierer und zu Verifizierendes. Anthropic veröffentlichte die Evaluierung als Open Source auf GitHub und nannte die Abhängigkeit vom Prüfermodell unter den acht anerkannten Einschränkungen.