Programmierung — KI, die Produktionscode schreibt

Das agentische Coding-Modell, das nicht nur autovervollständigt — es plant, nutzt Werkzeuge, debuggt über Dateien hinweg und erledigt die chaotische Repo-Aufgabe, während Sie den Hund ausführen. Terminal-Bench 82,7% ist kein Tippfehler.

Terminal-Bench 2.0 82,7% (übertrifft Opus 4.7s 69,4% deutlich); Expert-SWE 73,1% bei 20-Stunden-Aufgaben; FrontierMath Tier 4 35,4%; ~40% weniger Output-Tokens; 1M Kontext mit nativer Tool-Nutzung und Codex-Integration.

2× API-Preis (5$/30$ pro 1M Tokens); liegt hinter Claude Opus 4.7 bei SWE-Bench Pro (58,6% vs. 64,3%); API nicht zum Launch verfügbar; frühe Halluzinationsberichte erfordern Verifizierung.

Anthropics Hybrid-Reasoning-Monster — das Modell, das Code nicht nur schreibt, sondern *engineered*. SWE-Bench Pro 64,3% vernichtet jedes andere Modell auf dem härtesten Real-World-Coding-Benchmark. CursorBench 70%. Hochauflösende Vision, die Ihre Screenshots liest. Und ein 'xhigh'-Anstrengungsmodus, der tiefer denken lässt als jedes Modell zuvor. Kein inkrementelles Update — ein Kategoriebruch.

SWE-Bench Pro 64,3% (neuer SOTA — schlägt GPT-5.4s 57,7% und Kimi K2.6s 58,6% mit Abstand). CursorBench 70% in echten IDE-Sitzungen. OSWorld 78%. Hochauflösende Vision bis 3,75 MP für Screenshots und Diagramme. Gleiche Preise wie Opus 4.6 ($5/$25). Überall verfügbar: Claude.ai, API, Bedrock, Vertex, GitHub Copilot.

Nicht alles eitel Sonnenschein. Tokenverbrauch ist spürbar höher (neuer Tokenizer erhöht Kosten 15–35% bei Code-lastigen Prompts). Adaptives Reasoning lässt es bei einfachen Prompts 'fauler' wirken. Manche Nutzer berichten von Rückschritten bei der Langkontext-Erinnerung über 100K Token. Ein Spezialist — brillant bei hartem Coding, gelegentlich frustrierend bei einfachen Aufgaben.

Alibabas agentisches Coding-Flaggschiff — maßgeschneidert für die Art von Coding-Aufgaben, die Stunden dauern, nicht Minuten. Qwen 3.7 Max führte eine 35-stündige Kernel-Optimierungssitzung mit 1.158 Tool Calls durch — ganz ohne menschliches Eingreifen. SWE-Bench Pro 60,6%, ein 1M-Token-Kontextfenster und Cross-Harness-Kompatibilität, die es direkt in Claude Code oder jedes Standard- Agent-Framework einstecken lässt.

SWE-Bench Pro 60,6%, Terminal-Bench 2.0 Terminus 69,7, Code Arena WebDev ~1541 Elo (Top 4). Das erste chinesische proprietäre Modell, das westliche Frontier-Modelle bei Produktions-Coding-Benchmarks konsistent erreicht. 210+ Output-Token/Sek. macht es zu einem der schnellsten verfügbaren Frontier-Modelle.

Nur über API verfügbar, keine offenen Gewichte (bisher). Intensive Agent- Sitzungen werden schnell teuer — ein Nutzer berichtete von $43 in 15 Minuten autonomem Coding. Unabhängige Evaluierungen zeigen mehr Varianz als die offiziellen Benchmarks vermuten lassen. Nicht die stärkste Wahl für reine UI/Design-Arbeit.