Coding Agent Index v2.1: Fable 5.2 vs. Opus 5.5 – Effort
Im Coding Agent Index v2.1 erreichen Claude Fable 5.2 mit high und xhigh sowie Opus 5.5 mit max jeweils 58 Punkte. Fable max fällt auf 56 Punkte und kostet $44.22 pro Aufgabe statt $7.51 bei high. Dieser Vergleich erklärt den schwierigeren FrontierCode-AA 2.0, Timeouts, Sicherheitsablehnungen und Fallback-Modelle. Er zeigt, wann Opus 5.5, GPT-6.1 Sol oder Kimi K3.1 Pro sinnvoll sind und wie sich der Effort in Claude Code prüfen und einstellen lässt.
Inhalt

Wenn du Claude Fable 5.2 für Coding-Agenten nutzt, beginne mit der Effort-Stufe high statt max. Im Artificial Analysis Coding Agent Index v2.1 erzielen Fable 5.2 mit high und xhigh jeweils 58 Punkte. max erreicht dagegen nur 56 Punkte und kostet $44.22 pro Aufgabe statt $7.51 bei high.
Claude Opus 5.5 erreicht mit max ebenfalls 58 Punkte. Seine Stärken liegen jedoch in anderen Teil-Benchmarks als bei Fable 5.2.
Die Veröffentlichung vom 14. November 2026 liefert einen konkreten Grund, die Effort-Standardeinstellungen zu überdenken. Mehr Reasoning kann die benötigte Zeit und die Zahl der Ausgabetokens stark erhöhen. Läuft eine Aufgabe dadurch in ein Zeitlimit, kann die gemessene Leistung sogar sinken.
Die Ergebnisse gelten für bestimmte Modelle, Agenten-Umgebungen, Einstellungen und Zeitlimits. Sie sind keine Garantie für die Erfolgsquote bei Änderungen an deinem Produktivcode.
Was hat sich im Coding Agent Index v2.1 geändert?
Version 2.1 stellt höhere Anforderungen an Änderungen in Repositories. Außerdem wurden die Prüfungen für Terminal-Aufgaben und die Berechnung cacheabhängiger API-Kosten überarbeitet.
Artificial Analysis kombiniert drei Benchmarks:
| Komponente | Aufgaben | Was gemessen wird | Änderung in v2.1 |
|---|---|---|---|
| FrontierCode-AA 2.0 | 132 | Codeänderungen, die ein Repository-Maintainer akzeptieren und mergen würde | Ersetzt FrontierCode 1.1 |
| Terminal-Bench 4.1 | 66 | Terminal-Arbeit durch einen Agenten | Gleiche Aufgaben, aktualisierte Prüfungen |
| SWE-Atlas-QnA-AA | 124 | Verständnis und Erklärung des Verhaltens eines Repositories | Aus v2.0 übernommen |
Laut offizieller Methodik trägt jeder Benchmark ein Drittel zum Gesamtindex bei. Jede Aufgabe wird dreimal bearbeitet. Zuerst wird der Durchschnitt der Versuche berechnet, dann der Durchschnitt der Aufgaben innerhalb jeder Komponente.
Die 66 Terminal-Aufgaben haben dadurch das gleiche Gewicht wie die 132 Aufgaben zur Softwareentwicklung.
FrontierCode-AA 2.0 erklärt den Rückgang der Scores
Die neue FrontierCode-Komponente ist die Implementierung von Cognitions FrontierCode 2.0 durch Artificial Analysis.
Der bisherige Benchmark enthielt 100 Aufgaben, der neue 132. Das grundlegende Bewertungskriterium bleibt gleich: Würde ein Maintainer die Änderung des Agenten in sein Repository übernehmen?
Die neuen Aufgaben verlangen allerdings umfangreichere Implementierungen.
In der Ankündigung von FrontierCode 2.0 berichtet Cognition, dass Referenzlösungen durchschnittlich 67% mehr Dateien und 89% mehr Codezeilen verändern. Außerdem gibt es 43% mehr zwingend zu erfüllende Bewertungskriterien.
Diese sogenannten blocking criteria legen Anforderungen fest, die für eine positive Bewertung erfüllt sein müssen. Scheitert ein Versuch an nur einem solchen Kriterium, bekommt er null Punkte.
Das betrifft Agenten, die einen zunächst plausiblen Patch liefern, aber eine Regression oder einen unvollständigen Fix hinterlassen. Auch Verstöße gegen die Konventionen eines Repositories können zum Problem werden.
Artificial Analysis meldete in seiner Ankündigung vom 14. November:
- Alle 23 Konfigurationen, die auf beiden FrontierCode-Versionen getestet wurden, erzielten auf den neuen Aufgaben niedrigere Werte.
- Der durchschnittliche FrontierCode-Score sank von 45% auf 29%.
- Der gesamte Coding Agent Index fiel im Durchschnitt um ungefähr fünf Punkte.
Das liegt an der geänderten Bewertung. Es bedeutet nicht, dass dieselben Modelle plötzlich schlechter programmieren.
Ein Rückgang von 16 Punkten bei FrontierCode entspricht in einem gleich gewichteten Index aus drei Komponenten ungefähr 5.3 Punkten. Diese Rechnung setzt voraus, dass die anderen beiden Komponenten unverändert bleiben. Sie erklärt damit einen Großteil des gemeldeten Rückgangs.
Vergleiche deshalb bei der Modellwahl keinen v2.0-Score direkt mit einem v2.1-Score.
Unterscheide FrontierCode-AA 2.0 außerdem von Cognitions eigenen Ergebnissen und dem Artificial Analysis Intelligence Index. Dort werden andere Agenten-Umgebungen verwendet. Gleiche Aufgabennamen bedeuten nicht, dass die Ergebnisse direkt vergleichbar sind.
Terminal-Bench 4.1 ändert die Prüfungen, nicht die Aufgaben
Terminal-Bench 4.1 behält alle 66 Aufgaben aus Version 4.0 bei.
Die Änderungen sollen Ergebnisse zuverlässiger prüfen und Reward Hacking verhindern. Dabei erschleicht sich ein Agent Benchmark-Punkte, ohne die eigentlich verlangte Arbeit abzuschließen.
Die offiziellen Release Notes von Terminal-Bench 4.1 beschreiben eine bessere Isolation von Agenten-Code. Außerdem wurden Prüfungen korrigiert, die gültige Lösungen fälschlich abgelehnt hatten.
In Version 4.1 kann eingereichter Code in einem separaten Prozess unter einem nicht vertrauenswürdigen Benutzer ausgeführt werden. Dadurch kann der Code geschützte Tests nicht direkt lesen oder die Ergebnisdatei verändern.
Auch übermäßig einschränkende Annahmen der Prüfungen wurden korrigiert.
Beim Test freecad-platform-drawing wurden beispielsweise gültige Modelle abgelehnt, die direkt aus 3D-Primitiven aufgebaut waren. Der bisherige Prüfer erwartete eine Extrusion von 2D-Skizzen. Version 4.1 akzeptiert nun auch die andere korrekte Lösung.
Artificial Analysis berichtete, dass sich die Terminal-Bench-Ergebnisse der 23 Konfigurationen, die auf beiden Versionen getestet wurden, jeweils um weniger als drei Punkte veränderten.
FrontierCode bleibt deshalb die wichtigste Erklärung für die niedrigeren Gesamtwerte.
Version 2.1 ändert zusätzlich die Berechnung der API-Kosten. Die Versionshistorie der Methodik bestätigt die Angleichung an das Verfahren des Artificial Analysis Intelligence Index.
Die neue Berechnung kombiniert die vom API-Anbieter gemeldeten Tokenzahlen mit aktuellen Messungen der typischen Cache-Trefferrate jedes Modells. Falls ein Anbieter das Schreiben des Caches berechnet, werden diese Gebühren ebenfalls berücksichtigt.
Das unterscheidet sich von einer Berechnung, die nur die Cache-Trefferrate eines einzelnen Benchmark-Durchlaufs verwendet. Bei einem anderen API-Routing kann die Cache-Nutzung abweichen und eine andere Rechnung entstehen.
Fable 5.2 high, xhigh oder max: Was bringt der höhere Preis?
high ist bei Fable 5.2 der sinnvollste Ausgangspunkt für anspruchsvolle Coding-Aufgaben. Damit bezahlst du nicht automatisch für zusätzliches Reasoning, dessen Nutzen noch nicht belegt ist.
Die am 15. November 2026 geprüften Vergleichsergebnisse für Claude Code und Codex zeigen:
| Effort von Fable 5.2 | Index v2.1 | API-Kosten/Aufgabe | Agentenzeit/Aufgabe |
|---|---|---|---|
low | 48 | $2.49 | 13.4 min |
medium | 53 | $2.89 | 15.1 min |
high | 58 | $7.51 | 31.3 min |
xhigh | 58 | $15.47 | 53.3 min |
max | 56 | $44.22 | 2.2 hours |
Die Kosten sind durchschnittliche tokenbasierte API-Gebühren in USD für die Aufgaben des Benchmarks. Es handelt sich weder um Abo-Kontingente noch um Kostenschätzungen für jedes beliebige Entwicklungsticket.
Aus den Zahlen ergeben sich drei praktische Entscheidungen.
Nutze medium für klar begrenzte Aufgaben. Die Stufe erzielt 53 Punkte und kostet $2.89 pro Aufgabe. Sie eignet sich als Testkandidat für kleine Fixes mit eindeutigen Tests, wenn geringe Kosten wichtiger sind als maximale Qualität beim ersten Versuch.
Nutze high für anspruchsvolle Repository-Änderungen. Diese Stufe erreicht den höchsten angezeigten ganzzahligen Fable-Score von 58 Punkten bei $7.51 pro Aufgabe.
Verlange einen nachgewiesenen Vorteil, bevor du xhigh nutzt. Es kostet ungefähr 2.06-mal so viel wie high, obwohl beide den gerundeten Indexwert 58 anzeigen.
Artificial Analysis berichtet, dass medium, high und xhigh alle auf der Pareto-Grenze für Kosten und Leistung liegen. In den zugrunde liegenden Daten hat somit jede dieser Einstellungen einen eigenen Vorteil.
Zwei gleiche gerundete Scores beweisen nicht, dass auch die exakten Werte übereinstimmen. Die Mehrkosten von xhigh sollten sich aber bei deinen konkreten Aufgaben rechtfertigen lassen.
Am deutlichsten fällt der Unterschied zu max aus:
[ \frac{$44.22}{$7.51}\approx5.89 ]
In dieser Bewertung kostet max ungefähr 5.9-mal so viel wie high, erzielt aber zwei Indexpunkte weniger.
Das sind zusätzliche $36.71 pro Benchmark-Aufgabe, ohne eine gemessene Verbesserung des Gesamtergebnisses.
Warum erzielt Fable 5.2 mit max weniger Punkte?
Artificial Analysis führt den niedrigeren max-Score hauptsächlich darauf zurück, dass mehr Aufgaben ihr Zeitlimit erreichen.
Die Analyse der Effort-Stufen und Timeouts nennt folgende Anteile:
| Benchmark | Timeout-Rate Fable 5.2 xhigh | Timeout-Rate Fable 5.2 max |
|---|---|---|
| FrontierCode-AA 2.0 | 1% | 16% |
| SWE-Atlas-QnA-AA | 0% | 13% |
Die Prozentsätze beziehen sich auf Versuche, die wegen Zeitüberschreitung endeten. Sie beschreiben nicht die gesamte Fehlerquote.
Im selben Bericht steht, dass Fable 5.2 mit max bei FrontierCode-AA 2.0 ungefähr dreimal so viele Ausgabetokens pro Aufgabe erzeugt wie xhigh.
Mehr Reasoning benötigt Zeit. Erreicht der Agent die Frist, bevor er seine Arbeit abgeschlossen hat, bekommt der Versuch null Punkte.
So kann eine teurere Einstellung zu einem schlechteren Benchmark-Ergebnis führen.
Das beweist nicht, dass max bei unbegrenzter Bearbeitungszeit grundsätzlich schwächer wäre. Es zeigt nur, dass max unter den gemessenen Aufgaben- und Zeitbedingungen schlechter abgeschnitten hat.
Für Produktionsagenten ist dieser Unterschied ebenfalls wichtig. Wird das Zeitlimit von CI oder Automatisierung überschritten, kann der Ablauf scheitern. Das gilt selbst dann, wenn das Modell mit mehr Zeit möglicherweise einen besseren Patch erzeugt hätte.
Fable 5.2, Opus 5.5, GPT-6.1 Sol oder Kimi K3.1 Pro wählen?
Entscheide anhand der relevanten Teil-Benchmarks, des Aufgabentyps und deines Kostenlimits. Der Gesamtindex kombiniert unterschiedliche Arbeiten aus der Softwareentwicklung. Gleiche Gesamtwerte können daher unterschiedliche Stärken verdecken.
Fable führt bei Codeänderungen, Opus bei Repository-Fragen
Artificial Analysis veröffentlicht folgende Ergebnisse der einzelnen Komponenten:
| Konfiguration | FrontierCode-AA 2.0 | Terminal-Bench 4.1 | SWE-Atlas-QnA-AA | Index |
|---|---|---|---|---|
Claude Code + Fable 5.2 high | 49% | 64% | 62% | 58 |
Claude Code + Fable 5.2 xhigh | 49% | 64% | 62% | 58 |
Claude Code + Opus 5.5 max | 44% | 65% | 66% | 58 |
Für schwierige Änderungen an einem Repository solltest du zuerst Fable 5.2 mit high testen. Bei FrontierCode-AA 2.0 liegt es fünf Punkte vor Opus 5.5 mit max.
Für Untersuchungen eines Repositories und technische Erklärungen solltest du Opus 5.5 mit max ausprobieren. Bei SWE-Atlas-QnA-AA erzielt es 66% statt 62% bei Fable.
Bei Terminal-Bench 4.1 liegen die Konfigurationen mit 64% und 65% dicht beieinander.
Opus 5.5 mit max kostet im selben Coding Agent Index $12.61 pro Aufgabe. Das ist günstiger als Fable 5.2 mit xhigh für $15.47, aber teurer als Fable mit high für $7.51.
Deshalb ist Opus 5.5 max eine sinnvolle Alternative zu Fable xhigh, besonders für Repository-Analysen. Für Änderungen, die bereit zum Mergen sein sollen, bleibt Fable high der günstigere erste Test.
Wenn du Opus direkt vergleichen willst, nutze die Anleitung zum Wechsel auf Opus 5.5 in Claude Code. So wählst du das gewünschte Modell, ohne dich auf einen zuvor gesetzten Alias zu verlassen.
GPT-6.1 Sol ist die günstige Ausgangsbasis
Codex mit GPT-6.1 Sol auf max erzielt 52 Punkte und kostet $1.51 pro Aufgabe.
Die Teil-Benchmarks ergeben:
| Komponente | GPT-6.1 Sol max |
|---|---|
| FrontierCode-AA 2.0 | 42% |
| Terminal-Bench 4.1 | 54% |
| SWE-Atlas-QnA-AA | 60% |
Sol führt in keinem dieser Benchmarks. Sein Vorteil ist brauchbare Coding-Leistung zu deutlich niedrigeren gemessenen API-Kosten.
Für eine große Menge gut überprüfbarer Coding-Aufgaben beginne mit Sol, wenn der Preis wichtiger ist als der höchste Indexwert.
Wechsle zum Testen auf Fable 5.2 high, sobald du Aufgabentypen erkennst, bei denen Sol zu viele abgelehnte Änderungen produziert. Auch zu viele Wiederholungen oder aufwendige Reviews können für einen Wechsel sprechen.
Wenn die höheren Anfangskosten von Fable nicht ausreichend mehr akzeptierte Ergebnisse liefern, bleibe bei Sol.
Weitere Auswahlkriterien findest du im Vergleich von GPT-6.1 Sol, Astra und Opus.
Kimi K3.1 Pro führt bei Terminal-Aufgaben
Kimi Code CLI mit Kimi K3.1 Pro erreicht 68% bei Terminal-Bench 4.1. Das ist laut den Benchmark-Ergebnissen von Artificial Analysis der höchste Wert in dieser Komponente.
Dahinter folgen:
- Claude Code + Sonnet 5.5
max: 66% - Claude Code + Opus 5.5
max: 65% - Antigravity CLI + Gemini 4 Carbon
high: 65% - Claude Code + Fable 5.2
highoderxhigh: 64%
Das Gesamtergebnis von Kimi Code CLI liegt allerdings bei 49 Punkten. Die durchschnittlichen API-Kosten betragen $2.94 pro Aufgabe.
Der Vorsprung bei Terminal-Aufgaben reicht somit nicht für die Führung im gesamten Index.
Teste Kimi K3.1 Pro zuerst bei Automatisierungen mit intensiver Terminal-Nutzung. Dazu gehören das Reparieren von Entwicklungsumgebungen, das Ausführen von Befehlen und Konfigurationsarbeiten.
Besteht die Arbeit hauptsächlich aus Codeänderungen, vergleiche Kimi mit Fable high. Falls der Vorteil von Fable bei FrontierCode auch in deinen Repositories sichtbar wird, kann sich der höhere Preis lohnen.
Für die Einrichtung von Modell und Agenten-Umgebung nutze die Coding-Anleitung zu Kimi K3.1 Pro.
Wie verändern Sicherheitsablehnungen und Fallback die Scores?
Coding Agent Index v2.1 bewertet vollständige Agenten-Konfigurationen. Dazu gehört auch ihr Verhalten, wenn ein Modell eine Aufgabe aus Sicherheitsgründen ablehnt.
Manche Agenten nutzen dann einen Fallback: Sie wechseln auf ein anderes Modell, das den Versuch zu Ende führen soll.
Die Analyse der Sicherheitsablehnungen von Artificial Analysis nennt folgende Anteile von Versuchen, die durch ein Fallback-Modell abgeschlossen wurden:
| Bewertete Konfiguration | Durch Fallback-Modell abgeschlossene Versuche |
|---|---|
| Devin Fusion CLI: Opus 5.5 max + GPT-6 Luna high | 9% |
Claude Code + Opus 5.5 max | 9% |
Claude Code + Fable 5.2 xhigh | 6% |
Claude Code + Sonnet 5.5 max | 5% |
Zusätzlich berichtet Artificial Analysis, dass Codex mit GPT-6.1 Sol max und GPT-6 Astra max ungefähr 1% der Versuche blockiert.
Ein durch das Fallback-Modell abgeschlossener Versuch ist nicht zwangsläufig erfolgreich. Er wurde lediglich nach der Ablehnung durch das Hauptmodell von einem anderen Modell beendet.
Nach den veröffentlichten Bewertungsregeln wird ein solcher abgeschlossener Versuch regulär bewertet. Ein Versuch, der durch eine endgültige Ablehnung blockiert bleibt, erhält null Punkte.
Für die Interpretation ergeben sich daraus zwei Einschränkungen.
Erstens messen die 58 Punkte von Opus 5.5 nicht ausschließlich Antworten von Opus allein. Einige bewertete Versuche wurden von einem anderen Modell abgeschlossen.
Zweitens zeigt der Fallback-Anteil nicht, wie Opus oder Fable ohne diesen Mechanismus abgeschnitten hätten. Der Anteil sagt auch nicht aus, wie viele der übertragenen Versuche tatsächlich erfolgreich waren.
Sicherheitsbezogene Benchmark-Aufgaben können Ablehnungen durch das Modell oder den Anbieter auslösen. Im Produktivbetrieb können die Sicherheitsrichtlinien, das Routing und die Fallback-Modelle anders konfiguriert sein.
Halte bei Agenten-Vergleichen fest, ob während eines Versuchs das Modell gewechselt wurde. Sonst schreibst du Unterschiede bei Kosten oder Qualität möglicherweise dem falschen Modell zu.
Effort in Claude Code einstellen und Kosten kontrollieren
Nutze für Fable 5.2 zunächst high. Ändere die Stufe erst, wenn die Ergebnisse bestimmter Aufgaben einen anderen Wert rechtfertigen.
Die Effort-Dokumentation von Anthropic bestätigt die fünf Stufen low, medium, high, xhigh und max für Fable 5.2. Der API-Standardwert ist high.
Opus 5.5 unterstützt ebenfalls alle fünf Stufen. Sein API-Standardwert ist allerdings medium.
Das ist eine wichtige Vergleichsbedingung. Der Benchmark-Score von Opus 5.5 mit max entspricht nicht einer gewöhnlichen API-Anfrage mit Standardeinstellungen.
Effort in Claude Code setzen und überprüfen
Installiere Claude Code und richte zunächst den Zugriff auf Fable 5.2 ein.
Öffne dann ein Terminal im Verzeichnis deines Repositories.
Führe in Bash diesen Befehl aus:
claude --model claude-fable-5-2 --effort high
Nutze anschließend in der interaktiven Claude-Code-Sitzung:
/model
/effort
Prüfe, ob das gewünschte Modell und die richtige Effort-Stufe aktiv sind.
Das offizielle Claude-Code-Tutorial zur Effort-Auswahl dokumentiert auch diese Befehle:
/effort medium
/effort high
/effort xhigh
/effort auto
Führe jeweils nur den gewünschten Befehl aus. Der letzte Befehl setzt die angeforderte Effort-Stufe für die Sitzung.
Mit /effort auto stellst du den Standardwert des gewählten Modells wieder her.
Wenn du eine Stufe dauerhaft pro Modell speichern möchtest, nutze /effort in einer lokalen interaktiven Sitzung. Ab Claude Code v2.1.251 speichert der Client die gewählte Stufe unter modelSettings in der Benutzerdatei ~/.claude/settings.json.
Verlasse dich bei Fable 5.2 nicht auf einen Eintrag effortLevel auf oberster Ebene dieser Benutzerdatei. Laut der Claude-Code-Einstellungsreferenz ignorieren Opus 5.5 und später erschienene Modelle diesen älteren Benutzerwert, bis eine modellspezifische Stufe gespeichert wurde.
Du kannst Effort auch über die Umgebungsvariable CLAUDE_CODE_EFFORT_LEVEL setzen.
Gemäß der Referenz für Umgebungsvariablen hat sie Vorrang vor --effort, /effort, modelSettings und effortLevel.
Falls /effort oder --effort scheinbar nicht funktioniert, prüfe zuerst, ob CLAUDE_CODE_EFFORT_LEVEL gesetzt ist. Entferne diese Überschreibung, wenn die interaktive Auswahl oder der Startparameter gelten soll.
Für normale Vergleiche empfiehlt sich /effort oder --effort. Der Startparameter gilt für eine Sitzung. Eine gespeicherte interaktive Auswahl kann dagegen in späteren Sitzungen erhalten bleiben.
Claude Code beschränkt max auf die aktuelle Sitzung, sofern die Stufe nicht ausdrücklich über die Umgebungsvariable gesetzt wird.
Enterprise-Administratoren können außerdem die maximal zulässige Effort-Stufe begrenzen. Wenn du eine höhere Stufe anforderst, kann Claude Code nur mit dem festgelegten Limit arbeiten.
Weitere Informationen zur Einrichtung bietet die Anleitung zu Claude Fable 5.2 in Claude Code und der API.
Effort an einer realen Repository-Aufgabe messen
Wähle eine typische Aufgabe mit klaren Akzeptanzkriterien.
Bitte den Agenten beispielsweise, einen fehlgeschlagenen Parser-Test zu untersuchen, den kleinsten korrekten Fix umzusetzen, die betroffenen Tests auszuführen und die geänderten Dateien aufzulisten.
Starte mit Fable 5.2 auf high. Halte das Testergebnis, die Annahme oder Ablehnung der Änderung, die Laufzeit, die API-Kosten und mögliche Timeouts oder Fallbacks fest.
Wiederhole die Aufgabe anschließend mit medium und xhigh. Setze das Repository davor jeweils auf denselben Ausgangszustand zurück.
Halte Werkzeugberechtigungen, Testbefehle, Repository-Revision und Zeitlimit bei allen Versuchen konstant.
Bewerte die Ergebnisse anhand von vier Fragen:
- Hat die Änderung die erforderlichen Tests und das Code-Review bestanden?
- Hat zusätzlicher Effort eine Ablehnung oder einen erneuten Versuch verhindert?
- Hat der Agent die Arbeit innerhalb der betrieblichen Frist abgeschlossen?
- Rechtfertigt die Verbesserung die zusätzlichen API-Kosten?
Wenn dein Team viele wiederkehrende Aufgaben bearbeitet, nutze mehrere Beispiele aus jeder wichtigen Kategorie. Ein einzelner erfolgreicher Durchlauf reicht nicht aus, um eine Standardeinstellung für das gesamte Projekt festzulegen.
Berechne die Gesamtkosten pro akzeptiertem Ergebnis, einschließlich fehlgeschlagener Versuche und Wiederholungen. Dokumentiere die Kosten für menschliche Reviews und Infrastruktur getrennt von den API-Gebühren.
Diese Kennzahl hilft dir bei der Budgetentscheidung mehr als das bloße Teilen der Benchmark-Aufgabenkosten durch den Index-Score.
Ändert sich die Empfehlung bei einem anderen API-Anbieter?
Die Empfehlung, mit high zu beginnen, lässt sich auch bei einer anderen API-Route testen. Die veröffentlichten Aufgabenkosten lassen sich aber nicht ungeprüft übertragen.
Am 2026-11-15 führte der Modellkatalog von BetterToken claude-fable-5-2, claude-opus-5-5, gpt-6.1-sol und kimi-k3.1-pro für nutzungsabhängig abgerechneten API-Zugriff auf.
Die Integrationsdokumentation für Claude Code nennt als Anthropic-kompatible Base URL https://bettertoken.ai, ohne /v1.
Der API-Zugriff über BetterToken ist unabhängig von Claude-Abonnements. Modell-Routing, Cache-Verhalten und unterstützte Funktionen können die tatsächlichen Kosten und beobachteten Ergebnisse beeinflussen.
Prüfe, wie dein Endpoint den angeforderten Effort verarbeitet, und miss die realen Gebühren, bevor du die Kostenwerte von Artificial Analysis übernimmst.
Für regelmäßig ausgeführte Coding-Aufgaben mit Token-Abrechnung beginne bei schwierigen Implementierungen mit Fable 5.2 auf high. Reduziere die Stufe, wo die Akzeptanzrate stabil bleibt, und nutze xhigh nur bei einem nachgewiesenen Vorteil.
Setze max nicht allein deshalb als globalen Standard, weil es die höchste Stufe ist. Entscheidend ist, wie viele Änderungen der Agent innerhalb deines Zeit- und Kostenrahmens abschließen kann und wie viele davon die Prüfung bestehen.