Ein Blog‑Beitrag, keine Produkteinführung, ist heute die größte KI‑Story: 870 Punkte und 792 Kommentare auf HackerNews. Die Behauptung: Claude Opus 5 liefert die besten Benchmark‑Ergebnisse, die Anthropic je veröffentlicht hat, doch das tägliche Coden damit fühlt sich schlechter an als bei Opus 4.8.
Was Entwickler wirklich messen
Die zentrale Beobachtung des Autors: Ältere Modelle hielten an und fragten nach, wenn die Absicht unklar war. Opus 5 trifft kühne Annahmen, überarbeitet Pläne einseitig und benötigt „sorgfältige Aufsicht“. Der Kommentar‑Bereich untermauert das mit Zahlen – ein Entwickler sah, wie ein triviales Feature 13 Review‑Runden durchlief, ein anderer maß ein 3:1‑Verhältnis von Kommentaren zu Code, und SlopCodeBench verzeichnete eine strenge Erfolgsquote von 24 % bei fünfmal mehr Funktionen als 4.8 für dieselben Aufgaben schrieb.
Der eigentliche Kampf: Wer hat es kaputt gemacht
Drei Lager. Das Modell ist tatsächlich zurückgefallen. Oder das Harness, Routing und die Quantisierung verschlechtern stillschweigend die Qualität. Oder die Erwartungen der Nutzer sind aufgebläht. Die schärfste Theorie: Benchmarks belohnen mutiges‑und‑meist‑richtiges Verhalten und bestrafen das Stellen von Fragen – sodass Labore genau das, was Coding‑Agenten benötigen, aus‑trainieren. Anthropic hat nicht reagiert. Dieses Schweigen erklärt, warum weiterhin 792 Kommentare eintreffen.