Anthropics Bug-Scope-Leak: Ein Modell, das einen Bug behebt und nach der Fehlerklasse fragt

Der interessanteste Satz im aktuellen A​nthropic-Leak handelt nicht von Intelligenz. Er handelt vom Geltungsbereich. Laut einem am 19. Oktober 2026 auf X weitergegebenen Bericht bereitet A​nthropic ein Modell vor, das, wenn es gebeten wird, einen einzelnen Bug zu beheben, die dahinterliegende breitere Problemklasse erkennen und dann fragen kann, ob es auch diese angehen soll. Das ist eine Aussage darüber, wo ein Modell aufhört, nicht darüber, wie gut es schlussfolgert – und sie trifft direkt die Bruchlinie jedes Coding-Agents im Produktivbetrieb, einschließlich derer, die heute auf Claude Opus 5.5 laufen, und derer, von denen bereits angenommen wird, dass sie auf Claude Fable 5.5 laufen werden, dem unbestätigten Kandidaten für das beschriebene Modell. A​nthropic hat kein solches Modell angekündigt, benannt oder mit einem Datum versehen. Es gibt keine Kennung, keine Preisliste, keine Model Card und keine Evaluierung. Alles Folgende über das berichtete Verhalten ist unbestätigte Berichterstattung aus einer einzigen Quelle, und alles Folgende über die aktuelle Modellpalette stammt aus der eigenen Dokumentation von A​nthropic. Die dokumentierten KI-Ausfälle und Vorfälle mit Coding-Agents, die Berichten wie diesem zugrunde liegen, finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag eigene Quellen, einen Schweregrad, einen Konfidenzgrad und eine Kennzeichnung als umstritten trägt.

Die Formulierung ist hier wichtiger als sonst, denn zwei Zusammenfassungen desselben Berichts beschreiben zwei unterschiedliche Verhaltensweisen. Diejenige, die sich wie eine Spezifikation liest – ein Bug, die dahinterstehende Klasse, eine Frage, ob der Auftrag ausgeweitet werden soll –, erscheint in der Weiterleitung, die uns erreicht hat. Die öffentliche Aggregation des Berichts, gelesen am 19. Oktober, enthält eine andere Aussage: ein Modell „mit besserer Intuition und besserem Schlussfolgerungsvermögen, das zugrunde liegende Absichten erkennen kann und besser darin ist, über den Tellerrand hinauszudenken“. Das sind nicht dieselben Aussagen. Bei der einen geht es um ein Modell, das mehr Arbeit vorschlägt; bei der anderen um ein Modell, das versteht, was man gemeint hat. Beides kann auf dasselbe Modell zutreffen, aber nur eines davon ändert, wie ein Diff am Montagmorgen aussieht, und das ist dasjenige, das es sich auseinanderzunehmen lohnt.

Was die Behauptung tatsächlich besagt – und was nicht

Lässt man die Adjektive weg, beschreibt der Bericht ein dreistufiges Verhalten: Das Modell bekommt einen Defekt, verallgemeinert von diesem Defekt auf ein Muster und legt das Muster dem Nutzer vor, statt es stillschweigend zu beheben. Der dritte Schritt ist derjenige, der daraus eine Design-Aussage statt einer Benchmark-Aussage macht. Ein Modell, das jede Instanz stillschweigend reparieren würde, wäre ein autonomer Agent mit unbegrenztem Schadensradius. Ein Modell, das das Muster findet und fragt, schlägt eine Änderung des Aufgabenumfangs vor – etwas, das eine sorgfältige Ingenieurin tut und das ein sorgloser Agent nicht einseitig tun dürfen sollte.

Es ist außerdem keine Behauptung, die schon jemand bewerten kann. Es gibt kein öffentliches Aufgabenset, das „die Klasse korrekt identifiziert“ gegen „ein Muster erfunden, das nicht da war“ misst. Beide Verhaltensweisen sehen in einem Transkript identisch aus: Das Modell kommt mit einer Liste zurück. Ob die Liste eine echte Generalisierung oder eine selbstsichere Halluzination ist, lässt sich nur klären, indem man jeden Eintrag liest – also genau die Arbeit, die das Modell dir ersparen sollte.

Was der Bericht nicht sagt, wiegt ebenso schwer. Kein Modellname. Keine API-Kennung. Kein Preis, kein Kontextfenster, keine Obergrenze für die Ausgabe. Kein Hinweis darauf, ob das Verhalten ein Standard ist, ein Modus oder etwas, das der Aufrufer explizit anfordern muss. Und keinerlei Bestätigung seitens des Anbieters – Anthropics Newsroom hat seit Claude Haiku 5.5 am 7. Oktober 2026 nichts über ein neues Modell veröffentlicht, und die Modellübersicht der Claude Platform listet weiterhin genau vier Modelle auf: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 und Claude Haiku 5.5.

Warum „die breitere Klasse“ eine andere Behauptung ist als „besseres Reasoning“

Besseres Reasoning ist die sichere Behauptung. Jede Generation wird so beschrieben, sie wird an öffentlichen Indizes gemessen, und ein Nachfolger, der höher abschneidet, wäre zu erwarten und keine Neuigkeit. Von einem Einzelfall zu verallgemeinern ist ein anderer Vorgang, und der Grund, warum er interessant ist, ist, dass er das absolut häufigste reale Defektmuster in Software ist.

Das kanonische Beispiel ist Injection. Man meldet eine unbereinigte Abfrage in einem Handler. Die dahinterstehende Klasse ist jeder andere Handler, der eine Abfrage auf dieselbe Weise baut. Ein menschlicher Reviewer, der das schon einmal gesehen hat, behebt nicht den einen Handler und macht weiter; er durchsucht den Code per grep nach dem Muster und fragt dann, ob der Fix in dieses Ticket gehört. Ein Modell, das dasselbe tut, führt eine Review durch, keine Reparatur. Die Ausgabe ist kein Patch, sondern ein Befund – und Befunde sind nur nützlich, wenn jemand mit der Befugnis, das Ticket zu erweitern, eingebunden ist.

• Was die Reklamation beschreibt — bei einem Defekt das Muster erkennen und es vor dem Handeln ansprechen.

• Was ein gewöhnlicher Fix bewirkt – er ändert den Code, auf den Sie gezeigt haben, und hört dann auf.

• Was ein sorgloser Agent tut – er ändert den Code, auf den du gezeigt hast, macht dann einfach weiter, und der Diff ist das Erste, was du davon hörst.

• Was der Bericht offenlässt — ob „asks“ eine blockierende Frage in einer interaktiven Sitzung meint oder eine an eine abgeschlossene Änderung angehängte Notiz.

An dieser letzten Zeile ist das Leck nicht mehr bewertbar. Der Unterschied zwischen diesen beiden Lesarten ist der Unterschied zwischen einem Tool, das Änderungskontrolle respektiert, und einem, das seine eigene Scope Creep nachträglich dokumentiert.

Anthropics eigene Leitlinien stehen bei diesem Punkt bereits auf beiden Seiten.

Das ist der Grund, warum die Behauptung glaubwürdig und nicht willkürlich ist. Anthropics veröffentlichte Anleitung für Claude Code fordert an einer Stelle genau diesen Instinkt und warnt an einer anderen davor, und die beiden Ratschläge sind durch einen Absatz getrennt.

„Ursachen beheben, nicht Symptome“ ist eine der dokumentierten Strategien im Best-Practices-Leitfaden für Claude Code, veranschaulicht an einem Build-Fehler: den Fehler beheben und überprüfen, dass der Build erfolgreich ist, und den Fehler nicht unterdrücken. Das ist eine direkte Anweisung, über den gemeldeten Fall hinauszublicken. Einige Abschnitte weiter oben heißt es im selben Leitfaden: „Grenzen Sie die Aufgabe ein. Geben Sie an, welche Datei, welches Szenario und welche Testpräferenzen“, mit dem Beispiel, einen Test anzufordern, der einen bestimmten Edge Case abdeckt, statt Tests im Allgemeinen. Als Begründung wird angegeben, dass Claude Absichten ableiten, aber nicht Gedanken lesen kann.

Der Leitfaden zieht auch bei der Diff-Größe eine Grenze: Der Planmodus ist den Mehraufwand wert, wenn eine Änderung mehrere Dateien berührt oder der Ansatz unsicher ist, und „wenn man den Diff in einem Satz beschreiben könnte, sollte man den Plan überspringen.“ Ein Modell, das einen Bug zu einer Klasse ausweitet, verwandelt konstruktionsbedingt einen Ein-Satz-Diff in einen Plan. Das im Leak beschriebene Verhalten ist also der Produktphilosophie von Anthropic nicht fremd – es ist der Moment, in dem zwei ihrer erklärten Prinzipien kollidieren, und diese Kollision wird derzeit vom Nutzer aufgelöst, nicht vom Modell.

Es gibt einen zweiten, weniger angenehmen Grund, warum die Behauptung plausibel ist. Anthropics eigene Dokumentation sagt offen, dass ein Modell aufhört, wenn die Arbeit aussieht, als wäre sie erledigt, und dass ohne etwas, das das Modell ausführen kann — eine Testsuite, einen Build-Exit-Code, einen Diff gegen eine Fixture — „sieht erledigt aus“ das einzige verfügbare Signal ist. Ein Modell, das von einem Bug auf eine Klasse verallgemeinert, ist ein Modell, das ein Signal jenseits von „sieht erledigt aus“ gefunden hat. Das ist das stärkste Argument für diese Fähigkeit und das stärkste Argument dafür, vor dem Handeln nachzufragen.

Wo die Entscheidung heute tatsächlich getroffen wird

Das Nützliche an diesem Leak ist, dass die Kontrollen, die er bräuchte, bereits existieren, und man sie prüfen kann, ohne auf ein Modell zu warten. Drei davon sind entscheidend.

• Effort — Anthropic bietet fünf Stufen – von low über medium und high bis xhigh und max –, und die Einstellung bestimmt, wie viel Arbeit das Modell selbstständig erledigt. Claude Opus 5.5 und Claude Haiku 5.5 verwenden standardmäßig medium; die übrigen aktuellen Modelle standardmäßig high. Effort gilt für alle Ausgabe-Tokens, einschließlich Tool-Aufrufe, was bedeutet: Ein Modell, das den Umfang ausweitet, verursacht bei hohem Effort eine größere Rechnung.

Plan-Modus — Claude Code trennt Erkundung von Ausführung, und die dokumentierte Schwelle für seinen Einsatz ist genau der Multi-Datei-Fall, den eine Bug-Klasse impliziert. Die Kontrolle ist kein Filter für die Ideen des Modells; sie ist eine Phase, in der man den erweiterten Umfang zu sehen bekommt, bevor daraus ein Diff wird.

• Deterministische Gates – Hooks führen eine Prüfung als Skript aus und können verhindern, dass ein Turn endet, bis sie besteht. Das ist das einzige der drei, das nicht davon abhängt, dass das Modell sich entscheidet zu fragen. Sollte das beschriebene Verhalten jemals ausgeliefert werden, ist die ehrliche Art, es zu nutzen, hinter einem Gate, das Sie selbst geschrieben haben, denn „fragt, ob es diese ansprechen sollte“ ist ein Versprechen über das Urteilsvermögen eines Modells, und ein Stop-Hook ist ein Versprechen über Ihr eigenes.

Nichts davon ist eine Kritik an der Behauptung. Es ist der Grund, warum die Behauptung interessant ist: Ein Modell, das einen größeren Umfang vorschlägt, ist nur dann eine Verbesserung, wenn die Erweiterung sichtbar ist, bevor sie angewendet wird, und jeder Mechanismus, der sie sichtbar macht, ist etwas, das der Aufrufer konfiguriert, nicht etwas, das das Modell garantiert.

Was es kosten würde, wenn es funktionierte

Umfangsausweitung ist die teuerste Art von Hilfsbereitschaft, denn sie vervielfacht die Ausgabe statt der Eingabe. Auf der aktuellen Preisliste von A​nthropic kostet Claude Fable 5.1 10 US-Dollar pro Million Eingabe-Token und 50 US-Dollar pro Million Ausgabe-Token, während Claude Opus 5.5 bei 4 und 20 US-Dollar liegt – und A​nthropics eigene Dokumentation verweist Entwickler zuerst auf Claude Opus 5.5 und rät, erst zu Fable zu wechseln, wenn Evals von Opus bei höherem Aufwand noch immer nicht ausreichen. Ein Modell, dessen Verkaufsargument darin besteht, mehr Arbeit zu finden, läuft dieser Empfehlung direkt zuwider, denn die günstige Stufe ist die, deren Ausgabe man vervielfacht haben möchte, und die teure Stufe ist die, in der ein erweitertes Ticket ein Budgetposten ist.

Es gibt Kosten zweiter Ordnung, die nicht in einer Token-Rechnung auftauchen: das Review. Ein Patch für eine Funktion ist in einer Minute gelesen. Ein Befund, der neun weitere Aufrufstellen nennt, muss Punkt für Punkt überprüft werden, und diese Überprüfung ist dieselbe Arbeit, von der das Modell behauptet hat, sie zu beseitigen. Das ist kein Argument gegen die Fähigkeit – ein guter Reviewer mit Checkliste ist schneller als ein guter Reviewer ohne –, aber es bedeutet, dass der Wert von der Präzision abhängt. Ein Modell, das fünf wahre Fälle und einen erfundenen aufzeigt, hat dich Zeit gekostet, den erfundenen zu widerlegen, und dir beigebracht, der Liste etwas weniger zu vertrauen.

Was du heute nennen kannst, und die ehrliche Antwort auf dieses hier.

Nichts Neues. Im Bericht gibt es keine Kennung für das Modell, und unser eigener Katalog ist dafür ein guter Test: Fragt man ihn nach anthropic/claude-fable-5.5, liefert er model not found zurück, und bei anthropic/claude-haiku-5.5 ist es genauso. Diese Strings gehören nicht zu den 209 Modellen, die wir weiterleiten. Was sich auflösen lässt, ist das aktuelle Lineup zum Listenpreis von A​nthropic – anthropic/claude-opus-5.5 mit einem Kontextfenster von 1 Mio. Tokens, einer Ausgabegrenze von 128K und 4 $ / 20 $ pro Million, und anthropic/claude-fable-5.1 zu 10 $ / 50 $. Jede Plattform, die derzeit Zugang zu „A​nthropics neuem Bug-Jagd-Modell“ bewirbt, verkauft einen Namen.

Die praktische Frage, die sich Leserinnen und Leser tatsächlich stellen, ist nicht, wie das Modell heißt. Sie lautet: Wie findet man heraus, ob ein Modell, das den Geltungsbereich erweitert, der eigenen Codebasis hilft oder schadet, ohne einen Produktionspfad auf ein Gerücht zu setzen? Das ist eine Routing-Frage, und genau hier beweist eine Plattform ihren Wert: Leiten Sie einen Teil der Anfragen an das noch nicht erprobte Modell weiter, mit einem von Ihnen bereits gemessenen Modell dahinter, sodass eine schlechte Generalisierung nur einen Review statt eines Vorfalls kostet. Die Preisänderungen und neuen Releases von Anthropic erscheinen am selben Tag bei OrcaRouter mit 0 % Aufschlag, sodass, wenn eine Preisliste erscheint, die Kosten des Experiments dem Listenpreis entsprechen und nichts darüber hinaus. Sie können genau sehen, was die aktuelle Spitze des Lineups auf der Modellseite Claude Opus 5.5, und sie mit der Seite Claude Fable 5.1 vergleichen, bevor Sie entscheiden, welches Modell Ihr Workload standardmäßig verwenden sollte.

Was würde dieses Stück verändern?

Drei Dinge, und das erste ist das, was es am schnellsten klären würde.

Ein Satz aus erster Hand. Eine einzige Zeile in der Dokumentation von A​nthropic, die beschreibt, wann das Modell den Geltungsbereich erweitert und ob diese Erweiterung standardmäßig oder per Opt-in erfolgt, würde das gesamte Leck in eine Spezifikation verwandeln. Das Fehlen dieser Zeile ist der Grund, warum hier jede Behauptung mit Vorbehalt versehen werden muss.

Eine veröffentlichte Evaluation. „Die Klasse gefunden“ ist nur im Gegensatz zu „die Klasse erfunden“ aussagekräftig, und kein Anbieter veröffentlicht einen Aufgabensatz, der beides trennt. Bis es einen gibt — Precision und Recall bei der Identifikation von Defektklassen, bewertet von jemandem außerhalb des Labors —, ist eine Behauptung über die Generalisierung von einem einzigen Bug eine Beschreibung einer Absicht, keine Fähigkeit, die sich über Modelle hinweg vergleichen lässt.

Ein Name und eine Preisliste zusammen. Die Namenskonvention ist über Fable 5, Fable 5.1, Opus 5.5, Sonnet 5.5 und Haiku 5.5 hinweg stabil geblieben, und die Kennung trägt die Stufe: eine claude-fable-5-5 würde $10 / $50 bedeuten und eine claude-opus-5-6 würde $4 / $20 bedeuten. Ein einziger String in der Modellübersicht beantwortet die Frage, die das Leak mit tausend Wörtern behandelt.

Bis dahin ist die ehrliche Position, dass ein Frontier-Lab Berichten zufolge auf ein Verhalten hinarbeitet, zu dem jede Engineering-Organisation bereits eine Richtlinie hat, und niemand hat diese Richtlinie veröffentlicht. Ob ein Modell den Fehler beheben sollte, den du gemeldet hast, oder den Fehler, von dem du nicht wusstest, dass du ihn hast, ist keine Frage der Fähigkeit. Es ist eine Frage dazu, wer den Merge-Button hält, und das Leck – das besagt, dass das Modell fragt – ist eine beruhigendere Antwort als die, die die meisten Coding-Agenten derzeit geben: nämlich weiterzumachen und den Diff sich selbst erklären zu lassen.