Claude Sonnet 4.5 ist Anthropics bisher fortschrittlichstes Sonnet-Modell, optimiert für reale Agenten und Codierungs-Workflows. Es liefert modernste Leistung bei Codierungs-Benchmarks wie SWE-bench Verified, mit...
Claude Sonnet 4.5 ist ein großes Sprachmodell von Anthropic, das über die OpenAI-kompatible API von OrcaRouter verfügbar ist. Es ist zwischen den Modellstufen Haiku und Opus von Anthropic…
Claude Sonnet 4.5 schneidet bei Aufgaben, die tiefgehendes Denken über lange Texte erfordern, gut ab, wie z. B. Dokumentenanalyse, Zusammenfassung und Extraktion. Sein MMLU-Pro-Wert von 86,0 zeigt starkes Faktenwissen und Denkfähigkeit in einem breiten Themenspektrum. Das Modell ist auch bei der Codegenerierung, Fehlersuche und Refaktorierung effektiv, insbesondere bei großen Projekten, die in seinen Kontextfenster passen. Bei multimodalen Aufgaben kann es Bilder interpretieren, Beschreibungen liefern, Fragen zu visuellen Inhalten beantworten oder Informationen aus Diagrammen extrahieren. Die Ausgabefähigkeit von 64.000 Token ermöglicht es, umfassende Antworten zu erzeugen, was es nützlich für das Schreiben langer Inhalte oder das Generieren strukturierter Daten macht.
Claude Sonnet 4.5 akzeptiert Bilder und Dateien als Teil seiner Eingabe zusammen mit Text. Wenn ein Bild bereitgestellt wird, interpretiert das Modell dessen visuellen Inhalt – wie Objekte, Text im Bild oder räumliche Beziehungen – und kann Fragen beantworten oder Anweisungen basierend auf dieser Interpretation befolgen. Dateien können in verschiedenen Formaten hochgeladen werden; das Modell extrahiert den Textinhalt und verarbeitet ihn im selben Kontext. Dies ermöglicht Aufgaben wie die gleichzeitige Analyse einer gescannten Rechnung (Bild) und einer zugehörigen Tabelle (Datei). Das Modell generiert keine Bilder; seine Ausgabe ist immer Text. Die multimodale Verarbeitung verwendet Token: Bilder verbrauchen Token proportional zu ihrer Auflösung, und Dateiinhalte werden als Text tokenisiert.
Wenn Ihre Aufgaben einfach, kurzkontextuell oder einzelmodal (nur Text) sind, ist möglicherweise ein kostengünstigeres Modell wie Anthropics Claude Haiku besser geeignet. Zum Beispiel können einfache Klassifizierung, kurze Frage-Antwort-Interaktionen oder kleinere Textgenerierung oft von kleineren Modellen zu einem Bruchteil der Kosten bewältigt werden. Ähnlich ist die Bezahlung für Claude Sonnet 4.5 möglicherweise nicht gerechtfertigt, wenn Sie keinen erweiterten Kontext oder multimodale Fähigkeiten benötigen. Bewerten Sie die Komplexität und Länge Ihrer typischen Abfragen. Bei der Batch-Verarbeitung von Tausenden kurzer Anfragen reduziert ein günstigeres Modell die Gesamtausgaben. OrcaRouter bietet mehrere Modellstufen, sodass Sie das Modell an Ihren tatsächlichen Bedarf anpassen können.
Claude Sonnet 4.5 ist ideal für Aufgaben, die seinen großen Kontext und multimodale Eingaben nutzen. Zu den besten Anwendungsbeispielen gehören: Zusammenfassen gesamter Rechtsverträge oder Forschungspapiere, Durchführen von Code-Reviews an einer vollständigen Codebasis, Erstellen von Dokumentation aus Code, Extrahieren strukturierter Daten aus gescannten Dokumenten (Bildern) und Entwickeln von Chatbots, die sich an lange Gesprächsverläufe erinnern müssen. Es eignet sich auch gut für Bildungsanwendungen, bei denen das Modell Lehrbuchkapitel oder Vorlesungsfolien lesen und darüber nachdenken muss. Für kreatives Schreiben ermöglicht das hohe Ausgabe-Token-Limit die Erstellung langer Inhalte wie Geschichten oder Berichte in einem Durchgang. In jedem Fall deutet der MMLU-Pro-Score von 86.0 auf zuverlässiges Denken hin.
MMLU-Pro ist ein Benchmark, der das mehrsprachige Textverständnis eines Modells in einer Vielzahl von Themenbereichen misst, darunter MINT, Geisteswissenschaften und Sozialwissenschaften. Er besteht aus Multiple-Choice-Fragen, die sowohl Wissen als auch logisches Denken testen sollen. Claude Sonnet 4.5 erreicht bei diesem Benchmark einen Wert von 86,0. Dieses Ergebnis zeigt, dass das Modell 86,0 % der Fragen korrekt beantwortet, was es zu den leistungsstärksten Modellen für allgemeine Wissens- und Denkaufgaben zählt. Zur Einordnung: MMLU-Pro ist eine erweiterte Version des ursprünglichen MMLU mit anspruchsvolleren Fragen. Ein Wert über 80 gilt als sehr wettbewerbsfähig, wobei die Leistung bei bestimmten Aufgaben variieren kann.
Zu den Stärken von Claude Sonnet 4.5 gehören sein sehr großer Kontextfenster (1M Token), hohes Ausgabelimit (64k Token), multimodale Eingabeunterstützung und ein starker MMLU-Pro-Wert von 86.0. Diese Funktionen machen ihn leistungsstark für Aufgaben mit langem Kontext und multimodale Aufgaben. Einschränkungen sind in den bereitgestellten Daten nicht angegeben, aber wie alle LLMs kann er manchmal falsche oder halluzinierte Informationen produzieren. Er verfügt nicht über Echtzeitwissen über sein Trainingsdatum hinaus. Er kann auch keine Bilder generieren oder Aktionen außerhalb von Textausgaben durchführen. Die Kosten pro Token sind höher als bei kleineren Modellen, daher ist er für einfache, kurze Aufgaben möglicherweise nicht wirtschaftlich. OrcaRouter gibt keine spezifischen Latenzdaten an, daher hängt die Geschwindigkeit von der Infrastruktur des Anbieters ab.
Es werden keine spezifischen Latenzdaten für Claude Sonnet 4.5 bereitgestellt. Im Allgemeinen hängt die Geschwindigkeit von Faktoren wie der Anzahl der Eingabe- und Ausgabe-Token, der Backend-Last des Anbieters und der Modellarchitektur ab. Als Modell der mittleren Preisklasse wird erwartet, dass es eine langsamere Inferenz als kleinere Modelle (z. B. Claude Haiku) aber eine schnellere als größere (z. B. Claude Opus) aufweist. OrcaRouter leitet Anfragen an die API von Anthropic weiter, daher unterliegen die Antwortzeiten der Infrastruktur von Anthropic. Für latenzempfindliche Anwendungen werden Tests mit Ihren typischen Nutzlasten empfohlen. Das große Kontextfenster kann die Zeit bis zum ersten Token erhöhen, wenn riesige Eingaben verarbeitet werden, da das Modell alle Token aufnehmen muss, bevor es eine Ausgabe generiert.
Obwohl Claude Sonnet 4.5 bei MMLU-Pro (86.0) gute Ergebnisse erzielt und große Kontexte unterstützt, weist es Einschränkungen auf, die bei LLMs üblich sind. Es kann plausible, aber falsche Informationen produzieren (Halluzination). Sein Wissen hat ein Trainings-Cutoff-Datum, das in den bereitgestellten Daten nicht angegeben ist; es könnte keine Kenntnis von sehr aktuellen Ereignissen haben. Das Modell verfügt außerhalb des aktuellen Kontexts weder über Browsing-Funktionen noch über externen Speicher. Die multimodale Verarbeitung von hochauflösenden Bildern kann erhebliche Token-Budgets verbrauchen, wodurch die effektive Textkapazität reduziert wird. Das Preismodell bedeutet, dass lange Ausgaben oder sehr große Eingaben teuer werden können. Es gibt keine Garantie für Konsistenz bei identischen Prompts; Temperatur und andere Parameter beeinflussen die Ausgabe. Die API von OrcaRouter kann hier nicht näher beschriebene Ratenbegrenzungen aufweisen.
OrcaRouter berechnet Claude Sonnet 4.5 zum Tarif des Anbieters ohne Aufschlag. Der Preis beträgt 3,00 $ pro 1 Million Input-Tokens und 15,00 $ pro 1 Million Output-Tokens. Input-Tokens umfassen den gesamten Text, Bild-Token-Äquivalente und Dateiinhalts-Tokens, die in einer Anfrage gesendet werden. Output-Tokens sind die generierten Antwort-Tokens. Es fallen keine zusätzlichen Kosten an, nur der Token-Verbrauch. Dieses Pay-per-Token-Modell bedeutet, dass die Kosten linear mit der Nutzung skalieren. Für eine Anfrage mit 100.000 Input-Tokens und 10.000 Output-Tokens würden die Kosten 0,30 $ für Input und 0,15 $ für Output betragen, insgesamt 0,45 $.
Die Kosten pro Ausgabe-Token ($15 pro 1 Mio.) sind fünfmal höher als die Kosten pro Eingabe-Token ($3 pro 1 Mio.). Diese Asymmetrie ermutigt Benutzer, Prompts zu entwerfen, die die Länge der generierten Antworten minimieren. Zum Beispiel kann die Bitte um präzise Antworten oder strukturierte Ausgaben (JSON) die Anzahl der Ausgabe-Token reduzieren. Umgekehrt können die Eingabekosten ansteigen, wenn große Dokumente einbezogen werden. Das 1M-Kontextfenster ermöglicht riesige Eingaben, aber jeder Eingabe-Token verursacht Kosten. Benutzer sollten abwägen, ob der gesamte Kontext notwendig ist. Wenn Sie lange Ausgaben generieren, dominieren die Ausgabekosten. Die Verwendung eines niedrigeren Ausgabe-Token-Limits (über den max_tokens-Parameter) hilft, die Ausgaben zu kontrollieren.
OrcaRouter enthält in den vorliegenden Daten keine spezifischen Informationen über Caching-Rabatte oder Ratenbegrenzungen für Claude Sonnet 4.5. Im Allgemeinen bieten einige API-Anbieter Prompt-Caching an (d.h. keine erneute Verarbeitung identischer Eingabe-Präfixe), um Kosten und Latenz zu reduzieren. Es wird empfohlen, die OrcaRouter-Dokumentation auf solche Funktionen zu prüfen. Ratenbegrenzungen (z.B. Anfragen pro Minute oder Token pro Minute) können gelten und variieren je nach Kontostufe. Benutzer mit hohem Durchsatz sollten sich für Details an OrcaRouter wenden. Bewährte Praxis: Implementieren Sie Wiederholungslogik mit exponentiellem Backoff in Ihrer Anwendung, um mögliche Ratenbegrenzungsantworten zu handhaben.
Die Preisgestaltung von Claude Sonnet 4.5 (3$/15$ pro 1M Tokens) liegt zwischen günstigeren kleineren Modellen (z. B. Claude Haiku) und teureren Flaggschiff-Modellen (z. B. Claude Opus). Die genauen Preise anderer Modelle werden nicht angegeben, aber im Allgemeinen bietet ein Modell mit einem 1M-Kontext und einem MMLU-Pro-Wert von 86,0 ein spezifisches Preis-Leistungs-Verhältnis. Für Aufgaben, die keinen großen Kontext oder multimodale Eingaben erfordern, kann ein günstigeres Modell kosteneffizienter sein. Umgekehrt hat Opus (falls verfügbar) wahrscheinlich höhere Kosten pro Token und potenziell höhere Benchmark-Werte. Die Null-Aufschlags-Politik von OrcaRouter bedeutet, dass Sie genau den Anbieterpreis zahlen, was Kostenvergleiche zwischen Modellen transparent macht.
OrcaRouter bietet einen OpenAI-kompatiblen API-Endpunkt. Um Claude Sonnet 4.5 zu verwenden, setzen Sie die Basis-URL auf https://api.orcarouter.ai/v1 und geben Sie die Modell-ID als "anthropic/claude-sonnet-4.5" an. Sie benötigen einen API-Schlüssel von OrcaRouter. Das Anfrageformat folgt der Chat-Completions-Struktur von OpenAI: Senden Sie ein Array von Nachrichten mit Rollen wie 'system', 'user', 'assistant'. Für Bildeingaben fügen Sie eine Nachricht mit Inhalt hinzu, der sowohl Text- als auch image_url-Teile enthält. Für Dateieingaben müssen Sie die Datei möglicherweise zuerst hochladen oder als Text codieren. Die Antwort enthält den vom Modell generierten Text im Standard-OpenAI-Format. Beispiel: curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer $ORCA_API_KEY" -d '{"model":"anthropic/claude-sonnet-4.5","messages":[{"role":"user","content":"Hello"}]}'
Bei der Verwendung von Claude Sonnet 4.5 über die API von OrcaRouter können Sie Standardparameter der OpenAI-Chat-API wie 'model', 'messages', 'max_tokens', 'temperature', 'top_p', 'frequency_penalty', 'presence_penalty', 'stop' und 'stream' nutzen. Der Parameter 'max_tokens' steuert das Token-Limit der Ausgabe, bis zum Modellmaximum von 64.000 Tokens. Für multimodale Anfragen fügen Sie 'image_url' innerhalb des Nachrichteninhaltsarrays ein. Der Parameter 'stream' unterstützt Server-Sent-Events für die Echtzeit-Token-Generierung. Zusätzliche Parameter wie 'seed' für deterministische Ausgaben sind möglicherweise verfügbar. Eine vollständige Liste finden Sie in der Dokumentation von OrcaRouter. Beachten Sie, dass nicht alle OpenAI-Parameter unterstützt werden; Tests werden empfohlen. Die API antwortet mit einem JSON-Objekt, das 'choices' enthält, jeweils mit einem 'message'-Objekt.
Wenn Sie von der OpenAI-API zu OrcaRouter für Claude Sonnet 4.5 wechseln, ist der Vorgang aufgrund der API-Kompatibilität unkompliziert. Ändern Sie die Basis-URL von https://api.openai.com/v1 zu https://api.orcarouter.ai/v1. Ersetzen Sie Ihren API-Schlüssel durch einen OrcaRouter-API-Schlüssel. Aktualisieren Sie den Modellnamen auf „anthropic/claude-sonnet-4.5“. Der meiste vorhandene Code, der den OpenAI Python-Client, JavaScript-Client oder direkte HTTP-Anfragen nutzt, sollte mit minimalen Änderungen funktionieren. Stellen Sie bei multimodalen Funktionen (Bilder, Dateien) sicher, dass Ihre Nachrichtenstruktur dem OpenAI-Format mit Inhaltsteilen entspricht. Wenn Sie die native API von Anthropic verwendet haben, müssen Sie möglicherweise Nachrichten in das Chat-Completions-Format (Benutzer-/Assistentenrollen) umstrukturieren. Die Dokumentation von OrcaRouter enthält wahrscheinlich Migrationsleitfäden.
Claude Opus ist das leistungsfähigste und teuerste Modell von Anthropic, während Sonnet 4.5 ein Mittelklasse-Angebot ist. Opus erzielt in der Regel höhere Benchmark-Ergebnisse (genaue Zahlen nicht angegeben), kostet aber auch mehr pro Token. Sonnet 4.5 bietet ein 1M-Kontextfenster, normalerweise dasselbe wie Opus, und eine Ausgabelimit von 64k. Der Kompromiss liegt zwischen erstklassiger Argumentation (Opus) und einer kosteneffizienteren Ausgewogenheit (Sonnet). Für Aufgaben, bei denen Sonnets MMLU-Pro-Wert von 86.0 ausreicht, könnte es ein besseres Preis-Leistungs-Verhältnis bieten. Wenn Ihre Anwendung maximale Genauigkeit bei anspruchsvollen Aufgaben erfordert, ziehen Sie Opus in Betracht. OrcaRouter bietet wahrscheinlich beide an, sodass ein einfacher Wechsel durch Ändern der Modell-ID möglich ist.
Claude Sonnet 4.5 (MMLU-Pro 86,0) konkurriert mit anderen Modellen der oberen Mittelklasse wie GPT-4o. GPT-4o unterstützt ebenfalls multimodale Eingaben und verfügt über ein großes Kontextfenster (die genaue Größe kann abweichen). Preise und Benchmark-Ergebnisse für GPT-4o sind hier nicht angegeben, daher ist ein direkter numerischer Vergleich nicht möglich. Allgemeine Unterschiede betreffen architektonische Entscheidungen und Trainingsmethoden. Einige Nutzer bevorzugen Claude aufgrund der Sicherheits- und Langtextverarbeitung, während andere GPT-4o aufgrund seines breiteren Ökosystems favorisieren. Über OrcaRouter können Sie beide Modelle mit demselben API-Format testen und die Ergebnisse mit Ihren spezifischen Daten vergleichen. Die Wahl hängt von der empirischen Leistung in Ihrem Anwendungsfall und den akzeptablen Kosten ab.
Wählen Sie Claude Sonnet 4.5, wenn Sie eine Balance zwischen Leistungsfähigkeit, Kontextlänge und Kosten benötigen. Wenn Ihre Aufgaben kurz und einfach sind (z. B. Single-Turn-Klassifikation), ist Haiku günstiger und schneller. Wenn Sie das absolut beste Reasoning benötigen und bereit sind, mehr zu zahlen, ist Opus die bessere Wahl. Sonnet ist ideal für den Mittelweg: Es bietet ein großes Kontextfenster (1M) und einen starken MMLU-Pro-Score (86.0) zu einem moderaten Preis. Für Anwendungen, die lange Dokumente mit moderater Komplexität verarbeiten, bietet Sonnet wahrscheinlich ausreichende Qualität, ohne zu viel auszugeben. Wenn Sie unsicher sind, ermöglicht Ihnen die API von OrcaRouter, verschiedene Modelle einfach durch Ändern der Modell-ID per A/B-Test zu vergleichen.
OpenAI-kompatibel — behalte dein bisheriges SDK
https://api.orcarouter.ai/v1https://api.orcarouter.aifrom openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="anthropic/claude-sonnet-4.5",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_tokensreasoningresponse_formatstopstreamstructured_outputstemperaturethinkingtool_choicetoolstop_ktop_p| Eingabe / 1M Tokens | $3.00 |
| Ausgabe / 1M Tokens | $15.00 |
| Cache-Lesen / 1M | $0.300 |
| Cache-Schreiben / 1M | $3.75 |
| Währung | USD |
Schätzung auf Basis des Listenpreises
Nur eine Schätzung — die tatsächliche Token-Anzahl hängt vom Tokenizer des Anbieters ab.
GET /api/public/models/anthropic/claude-sonnet-4.5Öffnen @misc{orcarouter_claude_sonnet_4_5,
title = {Claude Sonnet 4.5 API},
author = {Anthropic},
year = {2025},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/anthropic/claude-sonnet-4.5}
}Anthropic. (2025). Claude Sonnet 4.5 API. OrcaRouter. https://www.orcarouter.ai/models/anthropic/claude-sonnet-4.5