Claude Sonnet 5.5 zu Extra Effort: Warum die Behauptung „nächstes Claude-Modell“ beide eigenen Tests nicht besteht

Am 5. November um 12:44 UTC veröffentlichte ein X-Konto namens @chetaslua einen Satz, der seit Oktober in verschiedenen Formen kursiert: „Sonnet 5.5 Extra sieht nach einem Routing zum nächsten Claude-Modell aus.“ Am nächsten Morgen hatte der Beitrag 20.900 Aufrufe, 384 Likes und 38 Antworten. Das Modell, das er nennt, ist eines, das man heute aufrufen kann — Claude Sonnet 5.5, veröffentlicht am 28. September zu 2 $ und 10 $ pro Million Tokens. Das Wort „Extra“ ist kein zweites Modell. Es ist die zweithöchste Stufe in Claudes Effort-Menü, die Anthropic als „Extra high“ bezeichnet und die API als „xhigh“ nennt.

Zwei Tests werden als Beleg angeführt: eine Frage dazu, wohin Andrej Karpathy 2026 ging, und ein Pelikan auf einem Fahrrad, vollständig in SVG gezeichnet. Beide Tests bestehen bei dem Modell, das Anthropic im September ausgeliefert hat. Das ist die ganze Schwierigkeit an der Behauptung. Ein Test prüft eine Tatsache, die einen Monat innerhalb von Claude Sonnet 5.5s eigenem Trainingsfenster liegt. Der andere misst eine Größe, die die Extra-Einstellung erhöhen soll. Keiner der beiden kann unterscheiden, ob „ein besseres Modell geantwortet hat“ oder „die Einstellung, die ich gewählt habe, das getan hat, was ihre Dokumentation sagt“.

Das macht den Beitrag nicht wertlos. Es macht ihn zu einem sauberen Exemplar eines Tests, der entscheidend wirkt und es nicht ist – und die beiden Vorgehensweisen, die er verwendet, eine Wissensprüfung und ein Vergleich der Ausgabengröße, sind dieselben beiden Vorgehensweisen, die hinter den meisten Routing-Behauptungen in diesem Herbst stecken. Sie durchzugehen ist nützlicher als eine weitere Runde des Rätselratens darüber, was Anthropic nicht angekündigt hat.

Was wurde tatsächlich gepostet?

Der Beitrag beschreibt eine einzelne Chat-Sitzung und zwei Prompts. Der erste fragte, wohin Karpathy 2026 gegangen sei, und wies das Modell an, das Web nicht zu nutzen; die Antwort besagte, er sei im Mai 2026 ins Pretraining-Team von Anthropic eingetreten. Der zweite verlangte „einen Pelikan auf einem Fahrrad, so realistisch wie möglich, nur mit Codes“, und das Ergebnis wird als 26.599 SVG-Elemente, rund 6.500 Federstriche, keine eingebetteten Bilder, Data-URIs oder Skripte und 1.860 Zeilen Python beschrieben. Aus diesen beiden Wortwechseln schließt der Verfasser des Beitrags, dass das Label etwas Neueres ausliefert als das Modell, das es benennt.

Nichts begleitet es. Keine Modellkennung, keine Preisliste, keine Systemkarte, keine Anthropic-Erklärung. Der Nachfolger, auf den es hindeutet, kursiert seit Oktober unter mehreren Namen, von denen keiner von Anthropic stammt und keiner aufrufbar ist. Anthropics eigene Modellliste, heute gelesen, enthält vier aktuelle Modelle: Claude Fable 5.1, Claude Opus 5.5, Claude Sonnet 5.5 und Claude Haiku 5.5. Es gibt keine fünfte Zeile und keine Kennung irgendwo in dem Beitrag, die ein Leser testen könnte.

Was „Extra“ ist, bevor es zu einem Rätsel wird

Das Effort-Menü in Claudes Apps listet fünf Stufen auf – Low, Medium, High, Extra high (xhigh) und Max –, wobei die vom Modell empfohlene Stufe mit Default gekennzeichnet ist. „Extra“ ist die Kurzform, die Leute für die vierte Stufe verwenden. Anthropics eigene Referenz beschreibt xhigh als erweiterte Fähigkeit für Arbeit mit langem Horizont, ausgerichtet auf „lang laufende agentische und Coding-Aufgaben (über 30 Minuten) mit Token-Budgets im Millionenbereich“. Damit sagt Ihnen der Anbieter im Voraus, dass diese Stufe dafür gedacht ist, deutlich mehr zu verbrauchen als die Stufe darunter.

Die Stufe wird außerdem pro Modell kalibriert, nicht global. Anthropics Migrationshinweis für diese Generation sagt klar, dass die Effort-Stufen von Claude Sonnet 5.5 neu kalibriert sind – eine Stufe „erzeugt nicht dieselbe Menge an Denken wie auf Claude Sonnet 5“ – und empfiehlt Entwicklern, ihren Effort-Sweep erneut durchzuführen, statt eine Einstellung zu übernehmen. Daraus folgen zwei Konsequenzen, beide langweilig und beide fatal für die Schlussfolgerung. Eine Anfrage auf Extra bei Sonnet 5.5 ist nicht dieselbe Anfrage wie Extra beim Vorgänger, daher ist „es fühlt sich anders an, als ich es in Erinnerung habe“ zu erwarten. Und das Drehen eines Reglers von High auf Extra ist eine Anweisung, mehr Tokens auszugeben, sodass eine längere, dichtere, aufwendigere Zeichnung das gewünschte Ergebnis ist.

Es gibt noch ein Detail an der Oberfläche, das es sich festzuhalten lohnt, denn hier passen die Bezeichnungen nicht mehr zusammen. Die Standard-Aufwandsstufe der Claude API für dieses Modell ist hoch; die Standardstufe von Claude Code für dasselbe Modell ist mittel. Eine Antwort der App auf Extra, eine Antwort der API auf ihrer Standardstufe und eine Antwort von Claude Code auf seiner Standardstufe sind drei verschiedene Konfigurationen ein und desselben Modells. Wenn man zwei davon vergleicht und daraus schließt, ein neues Modell sei erschienen, vergleicht man Standardeinstellungen, nicht Checkpoints.

Test eins: ein Fakt aus dem Mai, geprüft gegen einen Juni-Stichtag

Die Karpathy-Frage ist die stärkere der beiden Prüfungen, denn anders als bei den meisten dieser Tests lässt sich ihre Antwort mit öffentlich zugänglichen Aufzeichnungen abgleichen. Sie stimmt. Karpathy gab am 19. Mai 2026 auf X bekannt, dass er zu Anthropic gewechselt sei; er begann in dieser Woche im Pre-Training-Team, berichtete an Nick Joseph und erklärte, er werde ein Team aufbauen, das sich darauf konzentriert, Claude zur Beschleunigung der Pre-Training-Forschung einzusetzen. Die Antwort, die der Beitrag beschreibt – Wechsel zu Anthropic, Mai 2026, Pre-Training-Team –, ist korrekt.

Die Genauigkeit ist das Problem. Der verlässliche Wissensstand von Claude Sonnet 5.5 endet im Juni 2026, und sein Trainingsdaten-Cutoff ist derselbe. Die Einstellung erfolgte etwa einen Monat vor diesem Zeitpunkt. Ein ausgeliefertes Claude Sonnet 5.5, dem diese Frage bei abgeschaltetem Web gestellt wird, soll sie beantworten, und die Beantwortung ist es, was seine Dokumentation vorhersagt. Die Probe erbrachte das Nullergebnis und wurde als Befund gelesen.

Es lohnt sich, genau zu sein, was eine Wissenssonde leisten kann und was nicht, denn hier gehen die meisten dieser Behauptungen schief:

• Eine korrekte Antwort auf ein Ereignis vor dem Stichtag ist nicht aussagekräftig. Jedes Modell in der Reihe wurde darauf trainiert.

• Eine falsche Antwort wäre informativ gewesen – in die entgegengesetzte Richtung. Wenn ein Modell, das von einer im Mai 2026 erfolgten Einstellung wissen sollte, diese verneint, ist das ein Beleg für einen anderen, schwächeren Checkpoint, nicht für einen stärkeren, nicht angekündigten.

Nur ein Fakt nach dem Cutoff unterscheidet. Ein Fakt, der nach Juni 2026 veröffentlicht wurde und auf dem kein Modell der aktuellen Reihe trainiert worden sein konnte, ist die einzige Art von Frage, die einen neuen Checkpoint von einem alten trennt. Karpathy veröffentlichte am 2. November einen Workflow-Bericht in seinem eigenen Blog. Nach dessen Inhalt zu fragen, mit ausgeschaltetem Web, wäre ein echter Test gewesen. Zu fragen, wohin er im Mai ging, war keiner.

Test zwei: eine Pelikanzählung, die Ausführlichkeit misst

Der Pelikan-Prompt ist Simon Willsons seit Langem laufende Ad-hoc-Evaluierung, und er hat ihn am 28. September gegen Claude Sonnet 5.5 getestet, am Tag, an dem das Modell veröffentlicht wurde. Seine veröffentlichten Ergebnisse sind hier die nützliche Vergleichsbasis, weil sie datiert, zugeordnet und gemessen sind und nicht nach Augenmaß gezählt wurden.

• Bei maximalem Aufwand – eine Stufe über der, die im Beitrag verwendet wurde – verbrauchte das Modell 128.000 Ausgabe-Tokens, erreichte die Obergrenze, kostete 1,28 $ und erzeugte überhaupt kein SVG.

• Bei xhigh – der Stufe, die der Beitrag „Extra“ nennt – erzeugte dasselbe Modell einen Pelikan in 41 Sekunden für 5,74 Cent.

Liest man diese beiden Zeilen zusammen, bricht der zweite Test des Beitrags zusammen. Das ausgelieferte Modell auf Extra zeichnet den Vogel bereits – das ist der 41-Sekunden-Lauf für 5,74 Cent –, also ist ein Vogel auf Extra nicht anomal. Das ausgelieferte Modell eine Stufe über Extra zeichnet überhaupt nichts, also ist bei dieser Aufgabe der Aufwandsregler mit großem Abstand die dominierende Variable, und der Aufwandsregler ist das Einzige, was der Beitrag geändert hat. Ein Ergebnis, das sich mit der Einstellung ändert, an der man gedreht hat, ist ein Beleg für diese Einstellung.

Die Elementanzahl verdient ihre eigene Rechnung, denn sie ist die Zahl, die am wahrscheinlichsten wiederholt wird. Anthropic gibt an, dass 1 Mio. Token auf dem aktuellen Tokenizer ungefähr 2,5 Mio. Zeichen entsprechen. Wenn 26.599 Elemente durchschnittlich 40 Zeichen hätten – ein konservativer Wert, sobald man Pfaddaten und Attribute einbezieht –, wäre die Zeichnung etwa 1,06 Mio. Zeichen lang, also ungefähr 424.000 Token. Das ist mehr als das Dreifache der synchronen Ausgabegrenze von 128.000 Token und liegt auch über der Batch-Grenze von 300.000 Token. Wenn die Elemente durchschnittlich sieben Zeichen hätten, passt dieselbe Anzahl bequem in etwa 74.000 Token.

Die Anzahl ist also durch die Markup-Dichte begrenzt, nicht durch die Modellstärke, und ein knapperes Modell gibt eine größere Zahl an. Die Beschreibung des Beitrags selbst deutet auf die wahrscheinlichere Lesart hin: 1.860 Zeilen Python erscheinen im selben Chat, und ein Skript, das über Federn iteriert, kann 26.599 Elemente ausgeben, ohne dass das Modell 26.599 Elemente schreibt. Der Beitrag sagt nicht, ob dieser Code den Pelikan gezeichnet hat oder ein separates Artefakt war – genau das Detail, das ein Leser bräuchte. Was sich ohne die Datei sagen lässt, ist, dass die Elementanzahl ein Maß für Ausführlichkeit auf einer Stufe ist, deren dokumentierte Aufgabe darin besteht, mehr zu produzieren.

Die einzige wirklich interessante Zeile in der Beschreibung ist die negative: keine eingebetteten Bilder, keine Data-URIs, keine Skripte. Ein Pelikan mit diesem Detailgrad, ausschließlich aus Vektorprimitiven gebaut, ist ein echtes Ergebnis. Es ist allerdings ein Ergebnis zur Ausgabequalität, und Ausgabequalität bei einer höheren Aufwandsstufe ist das am wenigsten überraschende, was ein Modell liefern kann.

Die eine dokumentierte Art und Weise, wie ein anderes Claude antwortet

Nichts davon beweist, dass Anthropic niemals eine Anfrage unter einer Bezeichnung mit unterschiedlichen Gewichten bedienen würde. Es bedeutet jedoch, dass die Behauptung die Mechanismen erklären muss, die Anthropic dokumentiert, und beide weisen in die andere Richtung.

Der erste ist der Refusal-Fallback. Eine abgelehnte Anfrage liefert HTTP 200 mit stop_reason: „refusal“ und einem stop_details-Objekt, das den Richtlinienbereich benennt. Ein serverseitiger Fallback, gesetzt mit fallbacks: „default“ und in der Beta auf der Claude API, versucht cyber- und frontier_llm-Ablehnungen erneut auf Claude Sonnet 5 – dem älteren, günstigeren Modell. Das ist ein dokumentierter Fall, in dem eine Sonnet-5.5-Anfrage von etwas anderem beantwortet wird, und es ist ein Downgrade, das sich in der Antwort selbst ankündigt.

Das zweite ist die Bindung von Thinking-Blöcken. Thinking-Blöcke zeichnen auf, welches Modell sie erzeugt hat, und wenn eine Konversation zu einem Modell wechselt, das sie nicht lesen kann, verwirft die API sie, bevor das Modell die Anfrage sieht, und meldet den Verlust in input_transformations, wenn der Beta-Header gesetzt ist. Das ist die API, die Ihnen sagt, dass sich das die Anfrage bedienende Modell geändert hat. Keiner der beiden Mechanismen stuft eine claude-sonnet-5-5-Anfrage auf ein stärkeres, nicht angekündigtes Modell unter derselben Zeichenfolge hoch.

Das Fehlen eines Mechanismus ist kein Beweis dafür, dass nichts geschieht. Es ist jedoch der Maßstab, den die Behauptung erfüllen muss: Eine Routing-Erzählung, die ausschließlich eine Verbesserung beschreibt, muss erklären, warum der eine von Anthropic veröffentlichte Pfad bergab führt und eine Quittung hinterlässt.

Am nächsten kommt einer externen Überprüfung der Index, den unabhängige Evaluatoren gegen das von Anthropic ausgelieferte Modell laufen lassen. Artificial Analysis führt Claude Sonnet 5.5 mit 55 auf seinem Intelligence Index v5.0.1, auf Platz neun von 69 Modellen bei einem Median von 37. Das ist eine Messung des Strings in der heute ausgelieferten Form, und es ist die Oberfläche, auf der ein deutlich stärkerer Checkpoint, der sich unter demselben Namen verbirgt, irgendwann voraussichtlich auftauchen würde.

Wie ein Test aussehen könnte, der das klären würde

Wenn du wissen willst, ob das Etikett vor dir von etwas anderem bereitgestellt wird, ist das Experiment nicht schwer. Es macht nur weniger Spaß, als einen Pelikan zu posten.

• Fixiere den Identifier, nicht das Label. Rufe claude-sonnet-5-5 mit einem expliziten Effort-Wert auf, damit die Anfrage jedes Mal dieselbe Anfrage ist. Ein Label in einem Menü ist eine Produktoberfläche; ein Identifier ist ein Ziel.

• Mehr als einmal sampeln. Eine Antwort auf einer Stufe ist eine Anekdote. Zehn bei high und zehn bei xhigh, derselbe System-Prompt, dieselben max_tokens, liefern dir zwei Verteilungen. Aufwand erzeugt eine glatte, monotone Verschiebung der Ausgabelänge. Ein anderer Checkpoint erzeugt tendenziell eine Diskontinuität im Inhalt, die die Länge nicht erklärt.

• Verwende einen Fakt, der nach dem Stichtag liegt. Ein Stichtag im Juni 2026 bedeutet, dass alles, was nach Juni veröffentlicht wurde, zulässig ist und alles davor als Testsonde wertlos ist. Dies ist die einzige Änderung, die den Test vom 5. November lohnenswert gemacht hätte.

Lies das Antwortobjekt und zieh es dann in Zweifel. Die Felder model, usage, stop_reason und stop_details sind es wert, protokolliert zu werden, und ein Refusal-Fallback ist dort sichtbar. Aber diese Felder geben nur wieder, was der Server zu tun behauptet. Sie sind eine Aussage, keine Überprüfung – dieselbe Art von Beleg wie ein Modell zu bitten, sich selbst zu beschreiben.

Kalkuliere den Preis, bevor du es ausführst. Bei 2 $ und 10 $ pro Million Tokens kostet eine Antwort mit 128.000 Tokens 1,28 $, was Willisons Zahl entspricht und auch einfach der Preisliste. Zwanzig Antworten, die bis zum Limit laufen dürfen, kosten etwa 25 $.

Welche zusätzlichen Kosten entstehen, während Sie auf eine Antwort warten?

Hinter dem Gerücht steckt eine praktische Frage, die sich unabhängig von seiner Auflösung stellt. Claude Sonnet 5.5 rechnet Thinking als Output ab, Thinking wird auf max_tokens angerechnet, und Extra ist für Token-Budgets in Millionenhöhe dokumentiert. Eine einzelne Antwort, die eine Million Output-Tokens verbraucht, kostet allein auf der Output-Seite 10 US-Dollar – zu einer Preisliste, die viele Teams gerade deshalb gewählt haben, weil sie die günstige Stufe war.

• Eine Stufe über Extra erreichte der gemessene Pelikan-Lauf die Obergrenze von 128.000 Token und kostete 1,28 $, ohne eine Zeichnung zu erzeugen. Die Kosten einer fehlgeschlagenen Anfrage sind bei diesem Modell nicht null.

• Eine Sprosse tiefer wurde dieselbe Aufgabe in 41 Sekunden für 5,74 Cent erledigt. Der Unterschied zwischen den beiden beträgt mehr als das Zwanzigfache, und er wird durch ein Dropdown-Menü bestimmt.

Ein Team, das täglich 1.000 Extra-Anfragen mit jeweils 30.000 Ausgabe-Tokens ausführt, verbraucht 30 Mio. Ausgabe-Tokens pro Tag, also 300 $, bevor die Eingabe überhaupt berücksichtigt wird.

Das ist der Teil, auf den ein Leser sich heute stützen kann, unabhängig davon, was Anthropic als Nächstes ausliefert. Wenn Extra ein anderes Modell ist, ist der Glücksfall real, aber nicht planbar. Wenn Extra das ist, was sein Name sagt, dann zahlt eine Arbeitslast, die nicht gegen high und medium geprüft wurde, für Gründlichkeit, die niemand gemessen hat.

OrcaRouter routet Claude Sonnet 5.5 zu den 2 und 10 US-Dollar des Anbieters selbst, ohne Aufschlag obendrauf, und Effort ist ein Parameter pro Anfrage statt eines separaten Vertrags, sodass ein Effort-Sweep über die Stufen hinweg eine Schleife in einem Skript ist. Das ist auch die ehrliche Absicherung gegen eine Behauptung wie diese: den Modellbezeichner festlegen, den man gemeint hat, denselben Prompt auf jeder Stufe ausführen und die eigenen Token-Zahlen statt eines Screenshots vergleichen. Wenn sich eine Routing-Frage nicht von außen klären lässt, ist das Nächstbeste eine Einrichtung, in der die Antwort am eigenen Traffic messbar ist — und in der ein Failover auf High oder auf ein anderes Modell eine Konfigurationsänderung statt einer Migration ist.

Was würde diese Seite verändern?

Eine Modellkennung, eine Preisliste, eine Systemkarte oder ein Satz von Anthropic, der den Nachfolger benennt. Jedes Einzelne davon klärt die Frage an einem Nachmittag, und nichts davon existiert heute. Bis es eines davon gibt, ist die ehrliche Beschreibung dessen, was hinter dem Label steckt, diejenige, die Anthropic veröffentlicht: Claude Sonnet 5.5, ein Cutoff vom Juni 2026, fünf Aufwandsstufen und ein dokumentierter Grund zu der Annahme, dass ein größerer Pelikan bei einer höheren Einstellung ein größerer Pelikan bei einer höheren Einstellung ist.

Die eigene Formulierung des Beitrags verrät es. Er vergleicht Extra mit einer Erwartung, nicht mit einer Messung – derselben Stufe auf Sonnet 5 oder derselben Stufe bei Max oder einer veröffentlichten Baseline aus der Startwoche. Diese Vergleiche existieren und sind günstig. Bis jemand sie durchführt, ist „sieht nach Routing aus“ eine Beschreibung eines Dropdowns, das seinen Job macht.