Opus 5.5 abgeschwächt? Entwickler sehen einen Abfall, Benchmarks nicht

Shane Melaugh fragte am 7. November 2026 auf X, ob Opus 5.5 „generft“ wurde, also still und heimlich abgeschwächt. Laut seiner Analyse von 1.400 Claude-Code-Sitzungen hat das Modell um den 3. November herum seine Art zu denken verändert. Am Montag landete derselbe Thread auf der Startseite von Hacker News (320 Punkte und 215 Kommentare in wenigen Stunden), und Anthropic hat sich bisher nicht dazu geäußert.

Was haben die Entwickler eigentlich bemerkt?

Melaugh hat Beschwerden anderer Entwickler gesammelt: Opus 5.5 soll in Claude Code Anweisungen ignorieren, dieselben Fehler wiederholen und für Kleinigkeiten Subagenten starten. Dann ließ er 1.400 seiner eigenen Sitzungen vom Modell Gemini 4 Argon analysieren. Ergebnis: gleicher Modellname, aber um den 3. November hat die Art des Denkens (Zitat) „took a sharp turn“. Der Post hat schon fast 500.000 Aufrufe.

Es ist nicht das einzige Signal. Im GitHub von Claude Code ist seit dem 26. Oktober Issue #105112 offen, mit deutlich härteren Zahlen. Der Autor hat 6.638 Antworten von Opus 5.5 aus seinen Transkripten ausgewertet und nennt ein anderes Datum: den Umbruch zwischen dem 18. und 19. Oktober.

1. Vor dem Umbruch korrigierte er 5,2 % von 5.738 Antworten, danach 25,4 % von 900.
2. Der Anstieg zeigt sich auf jeder Effort-Stufe: medium, high, xhigh und max.
3. Das Modell denkt nicht kürzer: im Schnitt 4.434 Thinking-Tokens pro Antwort in der Woche ab dem 12. Oktober und 6.702 eine Woche später. Laut dem Autor besteht das Problem darin, dass das Modell recherchiert und dann gegen das antwortet, was es gelesen hat.
4. In einem Update vom 5. November nennt er 17,0 % Korrekturen vom 2. bis 4. November, gegenüber 3,6–7,0 % pro Woche von Ende August bis Mitte Oktober.

Der Autor hat auch geprüft, dass er auf seiner Seite nichts geändert hat (gleiche Client-Version, CLAUDE.md, Hooks). Ein zweiter Nutzer mit einem ähnlichen Muster unter Windows 11 hat sich dem Issue angeschlossen. Von Anthropic hat dort niemand geantwortet.

Opus 5.5 abgeschwächt: Was sagen die Benchmarks?

Hier dreht sich das Bild. Das Projekt LiveNerf schickt seit dem Launch täglich denselben Satz von 78 Fragen (GPQA Diamond, MMLU-Pro, AIME und Wettbewerbsmathematik) durch Claude Code, bewertet ohne KI-Richter. Stand 8. November, Tag 46 von 60: „no change detected in Opus 5.5“. Ein früherer HN-Thread über LiveNerf sammelte über 900 Punkte, das Thema „Nerf“ kehrt also seit dem Launch immer wieder.

Allerdings misst LiveNerf etwas anderes als das, worüber sich die Entwickler beschweren: einzelne Prüfungsfragen auf einer festgepinnten Version Claude Code 2.1.280, keine stundenlangen Agenten-Sitzungen mit Tools. Beides kann gleichzeitig stimmen.

Woher kann der Unterschied kommen?

Erstens von den Denk-Zusammenfassungen. Claude zeigt nicht sein rohes Reasoning, sondern nur eine Zusammenfassung davon. Theo von T3 meint (das wissen wir aus zweiter Hand, aus dem Bericht von AICoder), dass Anthropic schrittweise auf den Konten genau das Modul ändert, das diese Zusammenfassungen schreibt, und dass er keinen Leistungsabfall sieht. Dann hätte die Gemini-Analyse eine Änderung im Stil der Zusammenfassungen gesehen, nicht im Modell selbst. Ähnlich argumentieren einige Kommentatoren auf HN.

Zweitens von den Effort-Einstellungen. Laut der Dokumentation von Anthropic läuft Opus 5.5 standardmäßig auf medium, eine Stufe niedriger als Opus 5 (high). Dazu hat Claude Code in den letzten Versionen geändert, mit welchem Effort Subagenten laufen (Changelog, Versionen 2.1.316–2.1.317).

Drittens vom Präzedenzfall. Wie wir wissen, beschrieb Anthropic im April in einem Postmortem, dass die Beschwerden über Claude Code drei Ursachen auf Produktseite hatten: einen gesenkten Standard-Effort, einen Fehler, der in jeder Runde altes Thinking löschte, und eine Anweisung, die Antworten kürzte. An den Modellgewichten hat damals niemand etwas geändert, und das Unternehmen versicherte: „we never intentionally degrade our models“. Eine Änderung im Produkt rund um das Modell kann also wie ein „dümmeres Modell“ aussehen, obwohl es keines ist.

Worauf sollte man achten?

Solange Anthropic sich nicht äußert, ist das ein Streit auf Basis der Daten einzelner Personen, also sollten wir ihn mit Abstand betrachten. Issue #105112 ist aber so detailliert (mit der ID einer Beispielanfrage), dass Anthropic es auf seiner Seite überprüfen kann.

Bei uns selbst können wir zumindest die Einstellungen ausschließen. Laut Changelog stellen wir in Claude Code den Effort auf Projektebene ein (effortLevel), für Subagenten über die Variable CLAUDE_CODE_SUBAGENT_EFFORT, und „ultrathink“ startet eine Runde auf Opus 5.5 mit Effort xhigh. Mehr dazu, wofür Claude Code Tokens ausgibt, habe ich beim Tokenverbrauch durch Agenten-Statusmeldungen und bei den Nutzungslimits geschrieben.

FAQ

Hat Anthropic bestätigt, dass Opus 5.5 schwächer ist?

Nein. Bis zum 9. November habe ich keinen öffentlichen Kommentar von Anthropic gefunden, und unter Issue #105112 hat niemand aus dem Unternehmen geantwortet.

Hat Anthropic Claude schon einmal abgeschwächt?

Im April 2026 räumte das Unternehmen ein, dass die Qualität von Claude Code wegen drei Produktänderungen gesunken war, die bis Version 2.1.116 behoben wurden. Laut Postmortem wurden die Modelle selbst nicht verändert.

Was ist der Standard-Effort von Opus 5.5?

Medium. Opus 5 und frühere Opus-Modelle verwenden standardmäßig high, eine Anfrage ohne gesetzten Effort läuft auf Opus 5.5 also eine Stufe niedriger.