Programmierung — KI, die Produktionscode schreibt

Der neue König des agentischen Programmierens. Anthropics Mythos-Klasse-Modell toppt nicht nur die Benchmarks — es schreibt sie um. SWE-Bench Pro 80,3% demoliert das Feld. FrontierCode Diamond 29,3% ist 5× GPT-5.5. Stripe migrierte 50 Millionen Zeilen Ruby an einem Tag. Token-effizient, vision-nativ und gebaut für die Art von langfristiger Ingenieursarbeit, die Werkzeuge von Teamkollegen unterscheidet.

SWE-Bench Pro 80.3% (SOTA — 21,7 Punkte über GPT-5.5). FrontierCode Diamond 29.3% (5× GPT-5.5s 5,7%, 2× Opus 4.8s 13,4%). CursorBench SOTA. Senior Engineer Benchmark 91/100 (vs GPT-5.5s 62/100). 50M-Zeilen-Codebasis- Migration an einem Tag. Vision-only Spielabschluss. Claude Code Integration. 1M Kontext.

Premium-Preise bei $10/$50 pro M Token (2× Opus 4.8). Konservative Sicherheitsmechanismen leiten <5% der Sitzungen an Opus 4.8 weiter (Cybersicherheit, Biologie-Themen). Unabhängige Benchmarks kommen noch. Nutzungslimits bei Spitzennachfrage auf Pro/Max-Plänen. Am besten über Claude Code oder kompatible IDEs erlebbar.

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.

Der neue Goldstandard für agentische Softwareentwicklung — schneller, ehrlicher und dramatisch besser darin, bei komplexen, langlaufenden Aufgaben auf Kurs zu bleiben. SWE-Bench Pro 69,2% schlägt nicht nur jedes andere Modell — es schlägt seinen eigenen Vorgänger um fast 5 Punkte. Dynamic Workflows starten Hunderte paralleler Agenten. Und ein Selbstverifikationssystem, das 4× seltener fehlerhaften Code durchlässt. Kein inkrementelles Update — das Modell, das Opus 4.7 hätte sein sollen.

SWE-Bench Pro 69,2% (neuer SOTA — schlägt GPT-5.5s 58,6% und Opus 4.7s 64,3% mit riesigem Abstand). CursorBench stärkstes über alle Effort-Level. 100% End-to-End auf dem Super-Agent-Benchmark (einziges Modell). Dynamic Workflows für große Codebase-Aufgaben. Gleiche Preise wie Opus 4.7 ($5/$25). Überall verfügbar: Claude.ai, API, Bedrock, Vertex, GitHub Copilot.

Weiterhin Premium-Preise ($5/$25 pro 1M Token — wie 4.7, aber Output günstiger als GPT-5.5s $30). Längere Denkprozesse bei schweren Problemen erhöhen Latenz und Token-Verbrauch. Der Tokenizer kann Kosten bei Code-lastigen Prompts weiterhin um 15–35% aufblähen. Sicherheitsmaßnahmen bleiben strikt. GPT-5.5 führt weiterhin bei Terminal-Bench (78,2% vs 74,6%). Am besten in Claude Code oder kompatiblen IDEs.

Zhipu AIs Open-Weight-Coding-Modell hat gerade Platz 1 in der Design Arena erreicht — das erste offene Modell an der Spitze. SWE-bench Pro 62,1%, Terminal-Bench 82,7, FrontierSWE 74,4% (1% hinter Opus 4.8). AkitaOnRails sprang von 46/100 auf 87/100 — der größte Intra-Familien-Sprung aller Zeiten. MIT-Lizenz, 1M-Kontextfenster für langfristige Agent-Arbeit, und zwei Reasoning-Stufen.

Design Arena #1 (Elo 1360 — übertrifft Claude Fable 5), AkitaOnRails 87/100 Tier A (+41 von GLM-5.1s 46), SWE-bench Pro 62,1% (schlägt GPT-5.5 und Qwen 3.7 Max), Terminal-Bench 82,7 (Claude Code Harness — vor Opus 4.8s 78,9), FrontierSWE 74,4%. Höchstplatziertes Open-Source-Modell in allen Langzeit-Coding-Benchmarks. MIT-Lizenz ohne Einschränkungen.

Liegt bei Tiefenbenchmarks hinter geschlossenen Frontier-Modellen — Opus 4.8 führt bei SWE-bench Pro (69,2 vs 62,1) und NL2Repo (69,7 vs 48,9). 744B-MoE erfordert ernsthafte Hardware. Keine nativen Vision-Fähigkeiten. lmarena Gesamt-Platzierung ist obere Mitte (7.-10. Platz).