Grok 4.6 vs. Claude Opus 5: Dieselbe 61, zwei verschiedene Ökonomien

Artificial Analysis lässt jedes Frontier-Modell dieselben neun Bewertungen durchlaufen und veröffentlicht die Abrechnung. Auf seinem Intelligence Index ergibt sich, dass Grok 4.6 und Claude Opus 5 auf derselben Zahl landen — 61 —, was dies zu einem seltenen direkten Vergleich macht, bei dem der zusammengesetzte Index dir nicht sagen kann, welches du verwenden solltest. Was das kann, ist eine weniger bekannte Kennzahl aus derselben Quelle: In der AA-Briefcase-Suite für Wissensarbeit erledigte Grok 4.6 eine Aufgabe in etwa 53 Durchläufen und ungefähr einer halben Milliarde Input-Tokens, während Claude Opus 5 bei maximalem Aufwand für dieselbe Arbeit etwa 103 Durchläufe und zwei Milliarden Tokens benötigte. Das ist eine Lücke von vier zu eins beim Token-Verbrauch zwischen zwei Modellen, deren wichtigster Wert identisch ist, und sie zeigt sich erst, wenn man aufhört, Modellkarten zu vergleichen, und anfängt, Rechnungen zu vergleichen.

Beide Modelle sind aktuelle Flaggschiff-Veröffentlichungen, was dies zu einem sauberen Vergleich macht und nicht zu einem Generationsunterschied. Grok 4.6 wurde am 12. August 2026 von SpaceXAI als Weiterentwicklung der Grok-4.5-Basis veröffentlicht – dieselbe Mixture-of-Experts-Basis mit 1,5 Billionen Parametern, neu trainiert mit längeren Supervisions- und Reinforcement-Learning-Läufen, die auf langlaufende Agenten abzielen. Claude Opus 5 wurde am 24. Juli 2026 von Anthropic als fest datiertes Flaggschiff mit adaptivem Denken, einem Kontextfenster von 1 Million Token sowie Bild- und Dateieingabe veröffentlicht. Sie stehen auf dem unabhängigen Scoreboard an derselben Stelle und auf der Preisliste an entgegengesetzten Punkten: 2 $ / 6 $ pro Million Token für Grok 4.6 gegenüber 5 $ / 25 $ für Claude Opus 5. Die interessante Arbeit besteht darin, herauszufinden, welche Hälfte dieses Satzes deine Produktionsentscheidung bestimmt.

Die 61, die eine Effizienzlücke von vier zu eins verbirgt.

Der Intelligence Index ist eine Zusammensetzung aus neun Bewertungen, was seine Stärke und sein blinder Fleck ist. Eine einzelne Zahl, die Reasoning-, Mathematik-, Programmier- und Wissensarbeits-Werte mittelt, verdeckt, wie ein Modell dorthin gelangt – und diese beiden gelangen auf entgegengesetzte Weise dorthin. Die eigene professionelle Wissensarbeitssuite im Aktenkoffer-Stil von Artificial Analysis ist das klarste Fenster dazu: Sie misst echte langfristige Aufgaben und verzeichnete Grok 4.6 bei etwa 53 Turns und 0.5B Eingabe-Tokens pro Aufgabe gegenüber Claude Opus 5 Max bei ungefähr 103 Turns und 2B Eingabe-Tokens. Bei der Kostenökonomie pro Aufgabe ist das der Unterschied zwischen einem Modell, das einen Recherche-und-Erstellungsauftrag mit einem Viertel der Tokens abschließt, und einem, das sie verbrennt.

Die Ursache ist eine Designentscheidung, kein Fehler. Grok 4.6 wurde gezielt dafür trainiert, seine eigene Arbeit während des Prozesses zu überprüfen und anzuhalten, wenn eine Teilaufgabe tatsächlich abgeschlossen ist – xAI beschreibt lange Aufgaben-Trajektorien mit Selbsttests als Trainingsziel. Claude Opus 5 ist auf Tiefe der Argumentation und Breite des Wissens trainiert, und sein Standardverhalten besteht darin, härter nachzudenken und mehr zu konsultieren, als unbedingt nötig ist. Beide sind „Reasoning-Modelle“; sie verteilen den Aufwand unterschiedlich, und die Verteilung ist die Spezifikation, die für Agent-Workloads zählt.

Die Lücke ist am wichtigsten für Agenten, die ein Modell in einer Schleife aufrufen — Forschungsagenten, Code-Agenten, die Dutzende von Turns ausführen, Dokumentpipelines, die über Nacht Stapel verarbeiten. Jeder Turn wird abgerechnet, und jedes Eingabe-Token ist Kontext, der beim nächsten Aufruf erneut gesendet werden muss. Ein Modell, das in 53 Turns bei 0,5B Tokens abschließt, ist nicht nur billiger pro Token; es ist pro Aufgabe um etwa eine Größenordnung billiger als eines, das 103 Turns bei 2B Tokens benötigt, bevor man überhaupt mit dem Listenpreis multipliziert.

Das Datenblatt, beide Seiten

Wo sie sich auf dem Papier unterscheiden, jeweils in einer Zeile:

• Intelligence Index — Grok 4.6 erreicht 61 Punkte, Rang #6 von 184; Claude Opus 5 erreicht 61 Punkte, gemeinsam an der Spitze des Rankings. Ein Gleichstand, laut Artificial Analysis.

• Listenpreis pro 1M Tokens — Grok 4.6 bei 2 $ für Eingabe / 6 $ für Ausgabe (verdoppelt auf 4 $ / 12 $ für Prompts mit 200K oder mehr Eingabe-Tokens); Claude Opus 5 bei 5 $ für Eingabe / 25 $ für Ausgabe, mit 50 % Batch-Rabatt auf 2,50 $ / 12,50 $.

• Kontextfenster — 500.000 Tokens für Grok 4.6 gegenüber 1.000.000 für Claude Opus 5, der eindeutigste Spezifikationsvorteil, den eines der beiden Modelle aufweist.

• Maximale Ausgabe — Claude Opus 5 erlaubt bis zu 128K Ausgabe-Tokens (300K über die Batch-API); die Ausgabeobergrenze von Grok 4.6 ist niedriger und liegt im Bereich einer typischen langen Antwort.

• Eingaben — beide akzeptieren Text und Bild; Claude Opus 5 akzeptiert auch Dateien, und Anthropics Version multimodaler Eingabe greift direkter auf Dokumente zu.

• GDPVal-AA v2 (Wissensarbeit) — Grok 4.6 bei 1.753 Elo gegenüber Claude Opus 5 bei 1.852 Elo. Opus 5 erobert die Krone für Wissensarbeitsqualität bei der Kennzahl, bei der die Aktenkoffer-Effizienz Grok bevorzugte. [Artificial Analysis]

• CursorBench v3.2 — 69,9 % für Grok 4.6 gegenüber 70,0 % für Claude Opus 5, praktisch gleichauf bei dem Coding-Agent-Benchmark, auf dem beide getestet wurden. [Artificial Analysis]

• Reasoning-Steuerung — Claude Opus 5 legt einen Effort-Regler von niedrig bis maximal offen und adaptives Denken ist standardmäßig aktiviert; Grok 4.6 legt den Reasoning-Aufwand offen, ist aber auf einen Standardwert abgestimmt, der lange Agenten-Trajektorien begünstigt.

Der Punkt, diese nebeneinanderzulegen, ist, dass kein Modell dominiert. Claude Opus 5 ist auf dem Papier der bessere Generalist: mehr Kontext, höhere Ausgabegrenze, Dateieingabe, höhere Qualität bei Wissensarbeit. Grok 4.6 ist das bessere Preis-Leistungs-Verhältnis und der effizientere Agent. Die einzige verbleibende Frage ist, welche davon die Arbeit beschreibt, die du tatsächlich hast.

Wo Claude Opus 5 seinen Premiumpreis rechtfertigt

Anthropics Launch-Zahlen — vom Anbieter gemeldet, nicht unabhängig reproduziert — weisen Claude Opus 5 mit 96,0 % bei SWE-bench Verified und 79,2 % bei SWE-bench Pro aus, bei einem OSWorld-Wert von 70,6 % für Computernutzung. Beim breiten Gesamtwert entspricht die 61 der von Grok 4.6, und bei GDPVal-AA liegt das Modell messbar vorn. Übersetzt man das in die Praxis, erhält man ein Modell, das über die gesamte Bandbreite des Arbeitstags eines Wissensarbeiters mithält: Texterstellung, Analyse, Verarbeitung langer Dokumente, Bild-plus-Text-Aufgaben und Programmierung — alles an einem Ort mit einem Kontextfenster von einer Million Token.

Das Kontextfenster ist der ehrliche Grund, danach zu greifen. Ein Limit von 500K Token ist groß, aber es ist keine vollständige Codebasis plus ein Forschungskorpus plus die Zwischenergebnisse einer langen Agentensitzung. Teams, die eine tiefgehende Single-Pass-Analyse über sehr große Korpora durchführen — ein vollständiges Repository, ein Jahr Finanzeinreichungen, ein langer PDF-Stapel — werden an Grok 4.6s Obergrenze stoßen und Claude Opus 5s nie erreichen. Für diese Arbeitslasten ist der zusätzliche Kontext kein Luxus; er ist der Unterschied zwischen dem Bewältigen der Aufgabe und dem Orchestrieren um das Limit herum.

Wo Grok 4.6 das bessere Angebot ist

Dreht man die gleichen Fakten um, ist Grok 4.6 die bessere Wahl für Agent-Pipelines – und das nicht nur knapp. Gegenüber dem Listenpreis von Opus 5 ist er beim Input 2,5× und beim Output 4,2× günstiger, und seine Token-Effizienz pro Aufgabe verstärkt diesen Vorteil noch: Die AA-Briefcase-Zahlen legen nahe, dass für dasselbe Ergebnis bei der Wissensarbeit etwa 4× weniger Tokens und 2× weniger Turns nötig sind. Multipliziert man 4× mit 2,5×, schlägt eine Aufgabe, die bei Opus 5 mit $1.00 zu Buche schlägt, bei Grok 4.6 mit etwa $0.10 zu Buche – bevor Mengenrabatte auf Opus-Seite einen Teil der Lücke schließen.

Bei agentischer Codierung im Speziellen verbesserte sich Grok 4.6s DeepSWE-1.1-Ergebnis zwischen 4.5 und 4.6 von 54 % auf 65,9 %, und sein CursorBench-Score liegt innerhalb eines halben Punktes von Opus 5, während es seine eigene Arbeit dabei selbst verifiziert. Für ein Team, das täglich Tausende agentische Aufrufe ausführt, bei denen jeder Aufruf eine mehrstufige Schleife ist, machen die Ökonomie pro Aufgabe und die kürzeren Trajektorien den Unterschied zwischen einem tragfähigen Produkt und einer Burn-Rate aus. Das ist das Argument, das xAI vorbringt, und die unabhängigen Effizienzdaten stützen diese Richtung.

Die Routing-Entscheidung

Dies ist das Matchup, in dem ein Router sein Geld wert ist, denn die richtige Antwort lautet „beides, wobei die Aufteilung durch die Form der Arbeitslast bestimmt wird“. Grok 4.6 und Claude Opus 5 sind beide auf OrcaRouter zum jeweiligen Listenpreis des Anbieters live – $2 / $6 für grok/grok-4.6, $5 / $25 für anthropic/claude-opus-5 – mit 0 % Aufschlag, sodass die Zahl in Ihrem Kostenmodell die Zahl ist, die abgerechnet wird. Die Infrastruktur, die die Aufteilung praktikabel macht: ein API-Schlüssel für beide Modelle, automatisches Failover, wenn der Endpunkt eines Anbieters mitten in einem langen Agentenlauf nachlässt, und eine Routing-DSL, die kurze, hochvolumige Turns an Grok 4.6 senden und die langfristige, kontextintensive Arbeit innerhalb eines einzigen Aufrufs an Claude Opus 5 eskalieren kann. Sie benötigen keinen zweiten Vertrag, um eine zweistufige Architektur zu betreiben, und Sie können die Aufteilung neu justieren, sobald echte Verkehrsdaten eintreffen, anstatt anhand von Modellkarten zu raten.

Die ehrliche Lesart

Der Gleichstand beim Gesamtindex ist real, und er ist eine Falle. Modelle mit gleichem Score sind nicht austauschbar; sie unterscheiden sich genau dort, wo der Score blind ist. Claude Opus 5 ist die sicherere Standardwahl für breite, kontextlastige Wissensarbeit mit Dokumenten und Bildern, bei der ein 1M-Token-Fenster und tiefes Denken mehr zählen als die Kosten. Grok 4.6 ist die bessere Standardwahl für Agentenschleifen mit hohem Volumen, bei denen sich die Token-Effizienz pro Aufgabe und ein 2,5-facher Preisvorteil zu einem Rechnungsunterschied von einer Größenordnung summieren. Wenn Ihre Arbeitslast Ersteres ist, zahlen Sie für Opus 5 und hören Sie auf, sich über den Preis Gedanken zu machen. Wenn es Letzteres ist, ist die auf dem Papier ausgewiesene 61er-Parität der beste Grund, den Sie je haben werden, Grok 4.6 zuerst zu testen – die Benchmark sagt, sie seien gleich, und die Rechnung sagt, das seien sie nicht.