Opus 5.5 Anstrengungsstufen sind der echte Preis
Updated September 22, 2026 · first published September 22, 2026
Claude Opus 5.5 kostet $4 pro Million Eingabe-Token und $20 pro Million Ausgabe-Token. Das sind 20% weniger als Opus 5. Der Tarif ist nur die kleinere Hälfte der Gesamtkosten. Die größere Hälfte ist die effort-Einstellung, die bestimmt, wie viele Token das Modell durch Nachdenken verbraucht, bevor es antwortet.
Ein Modell, fünf Preise
Opus 5.5 bietet Anstrengung von low bis medium, high, xhigh und max. Jede Stufe ist das gleiche Modell zum gleichen Preis pro Token, erzeugt aber eine sehr unterschiedliche Anzahl von Tokens. Unabhängige Messungen von The Decoder zeigten, dass vier der fünf Stufen auf der Kosten-Leistungs-Pareto-Grenze liegen. Sie fanden auch, dass Opus 5.5 bei maximaler Anstrengung etwa 119.000 Ausgabe-Token pro Aufgabe verbrauchte, viel mehr als konkurrierende Modelle bei ihren höchsten Einstellungen.
Bei 20 $ pro Million kosten 119.200 Ausgabe-Token 2,38 $ pro Aufgabe, noch ohne Eingabe. Bei medium hat Artificial Analysis 25.700 Ausgabe-Token gemessen, also 0,51 $. Mit Eingabe kostet max 5,98 $ pro Aufgabe und medium 1,34 $: Dasselbe Modell ist je nach einem einzigen Request-Parameter etwa 4,5-mal teurer pro Aufgabe.
Gemessen im Artificial Analysis Intelligence Index v4.3.2 (zehn Evaluierungen), abgerufen am 22. September 2026. Alle Zeilen nutzen dieselbe Testsuite und sind direkt vergleichbar.
| Modell und Effort | Intelligence Index | Kosten pro Aufgabe | Ausgabe-Token pro Aufgabe | Auf der Kosten-Leistungs-Frontier |
|---|---|---|---|---|
| Opus 5.5 · low | 42.3 | $0.55 | 10,200 | Nein |
| Opus 5.5 · medium | 51.2 | $1.34 | 25,700 | Ja |
| Opus 5.5 · high | 53.6 | $1.82 | 35,600 | Ja |
| Opus 5.5 · xhigh | 56.0 | $3.46 | 65,700 | Ja |
| Opus 5.5 · max | 57.6 | $5.98 | 119,200 | Ja |
| Opus 5 · high (Referenz) | 48.1 | $3.61 | 46,200 | Nein |
Quelle: Artificial Analysis. Auf der Frontier heißt: Keine Einstellung von GPT-6 Sol, GPT-6 Astra, Opus 5, Opus 5.5 oder Fable 5.1 erzielt mehr für weniger Geld. Opus 5.5 low liegt nicht darauf, weil GPT-6 Sol bei xhigh 44,1 für 0,53 $ erreicht. Der Schritt von xhigh auf max bringt 1,6 Punkte für 73 % mehr Kosten.
Mittel ist die Einstellung, auf der Anthropic Benchmarks basiert
Anthropics hauptsächlicher Vergleich wird bei Standard-Anstrengung durchgeführt, die mittel ist. Es heißt, Opus 5.5 bei mittlerer Anstrengung schlägt GPT-6 Astra bei maximaler Anstrengung bei Wissensarbeit um etwa ein Fünftel der Kosten pro Aufgabe. Anthropics eigenes Argument für das Modell basiert also auf mittel, und max ist die Ausnahme. Ein Team, das überall max setzt, um "sicherzugehen", zahlt für Tokens, die die Produktions-Benchmarks nicht benötigten.
Anstrengung ohne Raten setzen
- Standard auf mittel. Machen Sie es einen expliziten Wert im Code, nicht einen SDK-Standard, der sich unter Ihnen ändern kann.
- Erhöhen Sie die Anstrengung pro Route, nicht global. Schwieriges Debuggen, Langzeit-Planung und abschließende Überprüfungsschritte können hoch oder max rechtfertigen. Klassifizierung, Extraktion und routinemäßige Bearbeitungen nicht.
- Protokollieren Sie Anstrengung mit jeder Anfrage. Kosten pro Anfrage sind ohne sie nicht interpretierbar. Ein Ausgabespitzenwert mit flacher Anfragenanzahl ist üblicherweise eine Anstrengungsänderung.
- Vergleichen Sie Anstrengungsstufen mit denselben wiedergespielten Aufgaben. Protokollieren Sie Erfolgsrate und Ausgabe-Token pro abgeschlossener Aufgabe auf jeder Stufe, und hören Sie auf, die Anstrengung zu erhöhen, wenn die Erfolgsrate nicht mehr steigt.
- Begrenzen Sie Ausgaben, wo das Produkt es erlaubt. Ein Max-Token-Limit begrenzt den schlimmsten Fall. Bei maximaler Anstrengung ist dieses Limit das Einzige zwischen einer durchgehenden Aufgabe und einer mehrere Dollar kostenden Anfrage.
Der Schnitt von $25 auf $20 pro Million Ausgabe-Token spart 20%. Eine Workload von maximaler zu mittlerer Anstrengung zu verschieben kann viel mehr sparen. Behandeln Sie Anstrengung als eine Budgetlinie, die so besitzt und überprüft wird wie jede andere.
Related
Want this applied to your own LLM spend? FinOps LLM runs a free audit of your AI costs and shows where the savings are. Book free audit →