Sonnet 5

Beschreibung des Modells

Anthropic veröffentlicht zu Claude Sonnet 5 keine Architekturdaten. Weder die Modellseite der Claude-Plattform noch die System Card vom 30. Juni 2026 nennen Parameterzahl, Schichtzahl oder ob das Modell dicht oder als Mixture of Experts aufgebaut ist. Dokumentiert sind ausschließlich Betriebsdaten: 1 Million Token Kontextfenster, 128 000 Token maximale Ausgabe, Text und Bilder als Eingabe, Text als Ausgabe, adaptives Denken mit fünf Effort-Stufen und ein Trainingsdaten-Cutoff im Januar 2026. Die System Card beschreibt das Training als proprietäre Mischung aus öffentlich verfügbaren Internetdaten, öffentlichen und privaten Datensätzen sowie synthetischen Daten anderer Modelle, ohne Angaben zu Rechenaufwand oder Datenmenge.

Modell-ID

claude-sonnet-5

Kontextfenster

1 000 000 Token

Maximale Ausgabe

128 000 Token

Maximale Ausgabe (Batch API, Beta)

300 000 Token

Ein- und Ausgabe

Text und Bilder zu Text

Denkmodus

Adaptives Denken, standardmäßig aktiv

Effort-Stufen

low, medium, high, xhigh, max; Standard high

Tokenizer

Rund 30 Prozent mehr Token je Text als bei Sonnet 4.6

Angaben des Herstellers: Quelle · Modellkarte · Hersteller

Bilderkennung

Eigener Testlauf, nicht Teil eines gemessenen Laufs. Cloud-Referenz.

Vorläufig: der Lösungsschlüssel für die Preisschilder ist noch nicht vollständig gesichert.

Aufgabe 1 · Werte ablesen

Was das Modell aus der Tooltip-Tabelle gelesen hat

Und aus den Kennzahlkacheln

• QWEN3.6 27B · OPEN 37.1 · AA Intelligence Index — Open-Weight, kein API-Key, läuft auf ihrer eigenen GPU.
• VS. OPUS 4.5 (40,8) 91% · des Opus-4.5-Niveaus im Gesamtindex. Bei Coding-Benchmarks: gleichauf.
• PROPRIETÄRE SPITZE · HEUTE 59.9 · Das Rechenzentrum klettert weiter — doch der Abstand schrumpft jedes Quartal.

Aufgabe 2 · Komplexe Schrifterkennung

Geprüft wird das Lesen von winzigen, schräg stehenden, teils verdeckten Schriften in einem Foto mit über vierzig Objekten, dazu zwei Währungszeichen, die sich bei starker Drehung kaum unterscheiden. Zum Test werden die Preisschilder verwendet.

Das Modell über die schwierigste Stelle: „Im Diagramm die eng gedrängten Punktbeschriftungen oben rechts (Qwen-, Gemma- und Mistral-Punkte liegen dicht beieinander, Labels überschneiden sich fast). In Bild B die Preisziffern selbst: die Schilder liegen schräg zur Kamera und sind bei mehreren Masken so klein/unscharf abgebildet, dass ich nicht einmal den vollständigen Produktnamen sicher lesen konnte, geschweige denn die Beträge.“

Wo sich das Modell selbst unsicher war (10 Stellen)

• Bild A: erster X-Achsen-Wert — gelesen als '23, könnte auch '22 sein
• Bild A: Klammerwert in Kachel 2 — gelesen als '(40,8)', Ziffer nicht eindeutig
• Bild A: Y-Achsenbeschriftung '(AA v4.0)' im Klammerteil unsicher
• Bild A: Fußzeile unter der Tooltip-Tabelle nur teilweise lesbar
• Bild A: mögliche kleine Zahlen-Abzeichen neben KIMI und MISTRAL im Filter — Ziffern zu klein für eine sichere Lesung
• Bild A: Zusatztext neben dem Mistral-Legendeneintrag nicht sicher entzifferbar
• Bild B: bei den meisten Schildern im Wertungsbereich waren die Pfund-/Euro-Ziffern zu klein bzw. zu schräg fotografiert, um sie ohne Raten zu übernehmen — deshalb dort null statt einer erfundenen Zahl
• Bild B: Reihenfolge £/€ bei mehreren Schildern nicht sicher bestimmbar
• Bild B: genaue Zusatzbezeichnungen der drei 'REDHOOD'-Masken (z. B. V1 / Armor / Battle Damaged / Airman) nicht sicher unterscheidbar
• Bild B: die Abgrenzung des Wertungsbereichs (x bis 700, y ab 950) konnte ich nur optisch schätzen, ohne Koordinatenwerkzeug — einzelne Schilder nahe der Grenze könnten falsch zugeordnet sein

Diese Liste hat das Modell selbst geschrieben, nicht der Auswerter. Sie zählt in die Wertung: ein eingestandenes „nicht lesbar“ kostet einen Punkt, eine erfundene Angabe kostet mehr.

Die vollständige Antwort des Modells als JSON · Die Auswertung dazu steht nicht daneben: sie nennt zu jedem Fehler den richtigen Wert, und damit läge der Lösungsschlüssel offen.

Quellen

• Modellkartedocs.anthropic.com/en/docs/about-claude/models
• Herstellerseitewww.anthropic.com
• Messdaten-Repogithub.com/KaiFelixBennett/local-ai-amd-benchmark
• Quelltext · Moorhuhngithub.com/KaiFelixBennett/local-ai-amd-benchmark/tree/main/benchmarks/sonnet5/moorhuhn

Selbst ausprobieren

1. Gewichte laden
2. llama-server mit der Startzeile oben starten
3. Den Endpunkt in VS Code als eigenes Modell eintragen und den Agenten wählen

Auftrag, Agentdateien und Werkzeuge: Agent Test Harness

Zitieren: Kai Felix Bennett, „Nutzbarkeitstest von lokaler KI auf AMD-Hardware", benchmark.securesight.ai, Lauf sonnet5. Messdaten CC-BY-4.0.

Messdaten CC-BY-4.0, Code MIT.