KI-Entwicklertools · Was kam heute

Anthropic hat Claude Fable 5.1 und Claude Mythos 5.1 veröffentlicht, zwei neue Modelle, die als weltweit fortschrittlichste für Coding und Knowledge Work positioniert werden. Fable 5.1 zeigt erhebliche Leistungssteigerungen gegenüber seinem Vorgänger in mehreren Benchmarks: Terminal-Bench-Science 0.1 (52,6% vs. 24,7%), Terminal-Bench 4.0 (60,9% vs. 42,0%), CursorBench 3.2.0 (73,4% vs. 70,5%) und Humanity's Last Exam (65,0% vs. 63,8% mit Tools). Gleichzeitig reduzierte Anthropic die Preise um etwa 25% für typische Workloads und bis zu 45% für hochkomplexe agentic Coding-Aufgaben durch 75% niedrigere Cache-Lese-Kosten. Das Unternehmen verbesserte auch die Sicherheitsvorkehrungen: Die Cybersecurity-Safeguards zeigen 60% weniger falsch positive Meldungen, die Biology-Safeguards feuern 85% weniger bei harmlosen Anfragen. Neu ist die Unterstützung für Vulnerability-Identifikation im Defensive-Bereich. Enterprise Frontier Safeguards ermöglichen Kunden Zero-Data-Retention bei vollständiger Privatsphäre, indem Daten auf ihrer eigenen Cloud-Infrastruktur gespeichert werden. Claude Mythos 5.1 mit stärkeren Safeguards ist für Cyberdefense und Life Sciences Professionals über Verification Programs verfügbar.

Claude Fable 5.1 führt die KI-Modell-Rankings für September 2026 an und erreicht 1762 Elo auf der WebDev Arena – 73 Punkte über seinem Vorgänger. Die Kosten sinken erheblich: Cache-Lesevorgänge fallen um 75% auf $0,25 pro Million Tokens, was typische Workloads um etwa 25% und agentische Tasks um bis zu 45% verbilligt. Die obligatorische 30-Tage-Datenspeicherung entfällt. Qwen 3.8 Max debütiert als drittes Modell mit 1686 Elo und $2/$6 Preisgestaltung – das günstigste Frontier-Modell mit nativer Video-Unterstützung und teilweise verfügbaren Open Weights. Bei den AI-Tools rückt Claude Code auf Platz 1 vor, angetrieben durch Zugang zu Fable 5.1 (1762 Elo). OpenCode fällt auf Platz 2, behalten aber Modell-Agnostik mit 75+ Anbietern und MIT-Lizenz. Cursor hält Platz 3 nach SpaceX-Übernahme im August, verliert aber Marktanteile: Ramp-Share sank von 41% auf 26%. Windsurf bleibt an Platz 4 mit Arena Mode und Git Worktrees; Grok CLI neu mit Subagents und Plugin-Marketplace.

Benchmark Radar ist eine neue Datenbank und Suchmaschine für die Entdeckung und das Abrufen von KI-Benchmarks, die täglich Benchmark-Papers, Repositories, Datasets und Releases von 37 Quellen erfasst. Das System katalogisiert 1.283 Benchmark-Einträge mit 12.916 numerischen Beobachtungen zu 790 Benchmarks und deckt LLM-Evaluationen, agentenbasierte und Tool-Use-Benchmarks, Coding, Reasoning, Safety und domänenspezifische Evaluationen ab. Die v0.11.0-Version bietet ein durchsuchbares Interface mit Leaderboard, Pareto-Frontier-Ansicht, täglichen Feeds, CLI für Offline-Abfragen und reproducible Analysen zur Unterstützung von Entwicklern bei der Auswahl von Evaluationen für neue KI-Systeme.

BullshitBench ist ein Benchmark-Tool, das misst, ob KI-Modelle Unsinn erkennen und deutlich ablehnen, statt fälschlicherweise weiterzumachen. Die aktuellsten Tests vom 10. September 2026 umfassen DeepSeek V4.1 Flash, Claude Fable 5.1 und GPT-6 Astra mit jeweils niedriger und maximaler Reasoning-Einstellung. Das Benchmark bewertet Modelle mittels eines Drei-Richter-Panels und deckt 13 Unsinn-Techniken über Software-, Finanz-, Rechts-, medizinische und Physik-Fragen ab. Die Ergebnisse sind interaktiv durchsuchbar und vergleichbar, mit Export-Optionen für Daten und Visualisierungen.