Claude 3: Portfolio statt Einheitsmodell
Anthropics Claude-3-Familie — Opus, Sonnet und Haiku — ersetzt das Einheitsmodell durch ein gestaffeltes Portfolio: eine API, drei Preispunkte, Bildeingabe und 200K Kontext auf allen Stufen. Wir ordnen die verifizierten Startzahlen ein, benennen die Kompromisse und skizzieren ein Routing-Muster, das jeder Arbeitslast das günstigste Modell zuweist, das ihre Evaluation besteht.
Ein Modell für alles
Die meisten produktiven LLM-Systeme laufen Anfang 2024 auf einem einzigen Modell. Ein Flaggschiff bearbeitet alles: Klassifikation, Extraktion, Zusammenfassung, Code-Review, mehrstufiges Schlussfolgern. Die Wahl fällt einmal am Projektstart und wird selten revidiert. Das ist bequem. Es ist auch teuer, denn Anfrageverteilungen sind schief: Die Masse der Aufrufe ist einfach, eine Minderheit ist schwer — und beide brauchen unterschiedliches Werkzeug.
Ein Flaggschiff auf einer Routing- oder Tagging-Aufgabe verschwendet Geld und Latenz. Ein kleines Modell auf komplexer Analyse liefert falsche Antworten. Keines der beiden Fehlermuster wird sichtbar, solange niemand die Arbeitslast pro Aufgabe misst. Mit der am 4. März 2024 angekündigten Claude-3-Familie macht Anthropic die gestaffelte Alternative explizit: drei Modelle — Haiku, Sonnet, Opus — hinter einer API, zu drei Preispunkten.
Die Claude-3-Familie im Überblick
Claude 3 umfasst drei Modelle aufsteigender Leistungsfähigkeit: Haiku, Sonnet und Opus. Alle drei teilen ein Kontextfenster von 200K Token, akzeptieren Bildeingaben und haben einen Wissensstand von August 2023. Laut Anthropic können alle drei technisch Eingaben jenseits von einer Million Token verarbeiten; diese Option ist nicht allgemein verfügbar und ausgewählten Kunden vorbehalten.
Zum Start sind Opus und Sonnet über die Anthropic-API allgemein verfügbar. Sonnet treibt die kostenlose Stufe von claude.ai an; Opus erfordert ein Claude-Pro-Abonnement für 20 US-Dollar pro Monat. Sonnet steht zudem auf Amazon Bedrock bereit und in privater Vorschau auf Google Cloud Vertex AI. Haiku ist angekündigt, aber noch nicht veröffentlicht.
Leistung und Preis pro Stufe
Die Preisspreizung ist die zentrale Designentscheidung. Opus kostet pro Token das Sechzigfache von Haiku, bei Ein- und Ausgabe gleichermaßen. Ein Team, das jede Anfrage an die oberste Stufe schickt, zahlt diesen Faktor auf das gesamte Volumen — unabhängig davon, ob die Aufgabe es erfordert. Die publizierten Zahlen:
Die Benchmark-Werte stammen aus Anthropics Model Card und sind Indizien, kein Eignungsnachweis für eine konkrete Anwendung. Zwei Details fallen auf. Opus meldet 86,8 % auf MMLU (5-shot), knapp über dem publizierten GPT-4-Wert von 86,4 %. Und Haiku schneidet auf HumanEval besser ab als Sonnet — 75,9 % gegenüber 73,0 %. Kleine Modelle sind nicht uniform schlechter; die Fähigkeitsprofile unterscheiden sich je Aufgabe.
| Modell | Eingabe $/Mio. Token | Ausgabe $/Mio. Token | MMLU 5-shot | HumanEval 0-shot | Kontext |
|---|---|---|---|---|---|
| Claude 3 Opus | $15 | $75 | 86,8 % | 84,9 % | 200K |
| Claude 3 Sonnet | $3 | $15 | 79,0 % | 73,0 % | 200K |
| Claude 3 Haiku | $0,25 | $1,25 | 75,2 % | 75,9 % | 200K |
Bildeingabe auf allen Stufen
Alle drei Modelle akzeptieren Bilder als Eingabe: Fotos, Diagramme, technische Zeichnungen, Dokumentseiten. Die Fähigkeit ist nicht der obersten Stufe vorbehalten. Für dokumentenlastige Organisationen ist das relevant; Anthropic nennt Enterprise-Kunden, deren Wissensbasen zu bis zu 50 % aus Formaten wie PDFs und Präsentationsfolien bestehen. Auf dem AI2D-Benchmark für wissenschaftliche Diagramme meldet Sonnet 89,2 %, Opus 88,3 % und Haiku 80,6 % (0-shot).
Der Zuschnitt ist eng: Vision ist reine Eingabe. Die Modelle erzeugen keine Bilder und liefern keine verlässlichen Pixelkoordinaten oder Bounding Boxes. Ein Diagramm lesen funktioniert; Objektdetektion nicht. Ein System, das Lokalisierung oder Segmentierung braucht, braucht weiterhin ein dediziertes Vision-Modell. Behandeln Sie Claude-3-Vision als Dokumentenverständnis, nicht als Computer Vision.
Langer Kontext mit gemessenem Recall
Ein Fenster von 200K Token entspricht grob 150.000 englischen Wörtern. Langer Kontext nützt nur, wenn das Modell zuverlässig daraus abrufen kann. In Anthropics Needle-in-a-Haystack-Evaluation — ein eingepflanzter Satz wird aus einem großen Korpus abgerufen — erreicht Opus 99,4 % mittleren Recall und 98,3 % bei voller 200K-Länge. Sonnet und Haiku liegen um 95 % und damit vor Claude 2.1.
Zwei Einschränkungen. NIAH misst den Abruf eines einzelnen eingepflanzten Satzes, nicht das Schlussfolgern über ein ganzes Fenster; ein hoher Wert garantiert keine korrekte Synthese von 200K Token. Und langer Kontext wird pro Token abgerechnet: Ein voller 200K-Prompt an Opus kostet allein an Eingabe rund 3 US-Dollar, vor jeder Ausgabe. Retrieval-Infrastruktur ersetzt das nur bei geringem Anfragevolumen.
Modellwahl pro Aufgabe
Die technische Konsequenz ist eine Routing-Entscheidung pro Arbeitslast, nicht pro Projekt. Klassifikation, Extraktion, Moderation und einfache Transformationen gehen an das kleinste Modell, das die Evaluation der Aufgabe besteht — Haiku, sobald es ausgeliefert ist. Retrieval-gestütztes Antworten und regulärer Produktionsverkehr liegen bei Sonnet. Mehrstufiges Schlussfolgern, schwierige Analysen und seltene Aufgaben mit hohem Einsatz rechtfertigen Opus.
Ein zweites Muster ist Eskalation: Die Anfrage geht zuerst an die günstige Stufe, die Ausgabe wird validiert, und bei gescheiterter Validierung oder niedriger Konfidenz läuft die Anfrage auf einer höheren Stufe erneut. Da alle drei Modelle dieselbe API-Form teilen, ist der Stufenwechsel eine Konfigurationsänderung, kein Umbau. Voraussetzung ist ein Evaluationsset pro Aufgabe; ohne dieses bleibt die Zuordnung Raterei.
Was die Staffelung nicht löst
Prompts übertragen sich nicht unverändert zwischen Stufen. Ein auf Opus optimierter Prompt kann auf Haiku abfallen; jede Stufe braucht ihren eigenen Evaluationslauf — drei Modelle verdreifachen die Testfläche. Das Routing selbst wird zu einer Komponente, die gebaut, überwacht und versioniert werden muss. Und Haiku ist angekündigt, nicht ausgeliefert; Produktionsplanung sollte noch nicht darauf aufbauen.
Auch die Kosten sinken nicht automatisch. Billige Token laden zu Volumen ein; die Gesamtausgaben können steigen, während die Stückkosten fallen. Schließlich beseitigt die Staffelung kein Modellrisiko: Anthropic berichtet weniger unnötige Verweigerungen und höhere Genauigkeit gegenüber Claude 2.1, aber Halluzinationen bleiben, auf jeder Stufe. Ausgabevalidierung bleibt Pflicht, unabhängig vom erzeugenden Modell.
Ausblick vom März 2024
Wir erwarten, dass gestaffelte Portfolios binnen Jahresfrist über alle Anbieter hinweg zur Norm werden. Das Muster ist ökonomisch zu offensichtlich, um exklusiv zu bleiben: OpenAI verteilt Arbeitslasten bereits über GPT-4 Turbo und GPT-3.5 Turbo, und Google positioniert Gemini in den Stufen Ultra, Pro und Nano. Die Einheit der Modellwahl verschiebt sich vom Anbieter zur Aufgabe.
Zwei Prognosen. Erstens: Mittelklasse-Modelle erreichen in etwa einem Jahr die heutige Flaggschiff-Qualität, zu einem Bruchteil des Preises; wer jetzt Routing baut, sammelt diesen Gewinn automatisch ein. Zweitens: Evaluationssets pro Aufgabe werden das dauerhafte Engineering-Asset — Modelle werden ausgetauscht, Evals bleiben. Wir bei Blue IT Systems behandeln Modellwahl als Konfiguration, nicht als Architektur. Claude 3 ist die erste Veröffentlichung, die diese Haltung zum vorgesehenen Standard macht.
Quellen
- Anthropic — Introducing the next generation of Claude (Mar 4, 2024)
- Anthropic — The Claude 3 Model Family: Opus, Sonnet, Haiku — Model Card (Mar 2024)
- Ars Technica — The AI wars heat up with Claude 3 (Mar 4, 2024)
- TechCrunch — Anthropic claims its new AI chatbot models beat OpenAI's GPT-4 (Mar 4, 2024)