Zwei Evaluierungspfade für Modelle münden in eine gemeinsame Entscheidung über Workload, Kosten und Integration

Vergleich

Grok 4.7 vs Claude Opus 5: Benchmarks, Kosten pro Aufgabe, Coding-Eignung

Q: Sind die Reasoning-Steuerparameter austauschbar?

Nein. Opus 5 nutzt adaptives Thinking, gesteuert über effort; Grok 4.7 nutzt vier benannte reasoning_effort-Stufen. Führen Sie den ersten Durchlauf mit dem jeweiligen Standard aus und erfassen Sie den tatsächlichen Reasoning-Token-Verbrauch.

Jerry

CGO

18. September 2026

Aktualisiert am 22. September 2026

12 Min. Lesezeit

Claude Opus 5 erzielt in unabhängigen Benchmarks höhere Werte; Grok 4.7 ist mit weniger als der Hälfte des Token-Preises gelistet und kostete rund ein Drittel weniger, um dieselbe Testsuite zu durchlaufen. Auf dem Intelligence Index von Artificial Analysis erreicht Opus 5 51 Punkte und Grok 4.7 46, mit dem größten Abstand bei Terminal-Bench 4.0. Der Durchlauf dieses Index kostete $7.275 auf Opus 5 und $4.967 auf Grok 4.7. Beide Modelle sind auf EvoLink aktiv.

Das ist die Form der Entscheidung: ein gemessener Qualitätsabstand gegen einen gemessenen Kostenabstand, und die Antwort hängt vom Workload ab. Dieser Leitfaden liefert die Zahlen, die Spezifikationen, die Methode für Kosten pro Aufgabe und eine Einordnung Workload für Workload. Einen EvoLink-Benchmark berichtet er nicht.

Warum diese Paarung

Vor dem Launch verortete Musk das angestrebte Niveau von Grok 4.7 ungefähr im Bereich von Opus 5.0. Anthropic positioniert Opus 5 für komplexes agentisches Coding und Unternehmensarbeit; xAIs Release Notes positionieren Grok 4.7 für Coding, Agenten und Wissensarbeit. Die Überschneidung bei den Aufgaben ist real, und jetzt, da beide Modelle testbar sind, lässt sich die Behauptung prüfen statt diskutieren. Die Release-Historie steht im Grok 4.7 Release-Protokoll.

Spezifikationen und Preise

Entscheidungsgrundlage	Claude Opus 5	Grok 4.7
Modell-ID beim Anbieter	`claude-opus-5`	`grok-4.7`
Veröffentlicht	24. Juli 2026	21. September 2026
Kontextfenster	1.000.000 Token	500.000 Token
Maximaler Output	128.000 Token	Von xAI nicht veröffentlicht; EvoLink zeigt das Limit seiner Route auf der Produktseite
Modalitäten	Text und Bilder zu Text	Text und Bilder zu Text
Reasoning-Steuerung	Adaptives Thinking, standardmäßig aktiv; `effort` steht standardmäßig auf `high`	`reasoning_effort`: `low`, `medium`, `high` (Standard), `xhigh`
Listenpreis des Anbieters pro 1M Token	$5 Input, $25 Output; Cache-Lesen $0,50; 5-Minuten-Cache-Schreiben $6,25	$2 Input, $6 Output; gecachter Input $0,50
Long-Context-Regel	In der Modellübersicht nicht angegeben; prüfen Sie Anthropics Preisseite	Prompt ≥ 200.000 Token: jedes Token wird mit 2× abgerechnet ($4 / $1 / $12)
Schnellere Variante	Fast Mode (Research Preview, separat bepreist)	Grok 4.7 Fast: 2× Geschwindigkeit, 2× Preis; nur in Cursor und Grok Build, weder auf der öffentlichen API noch auf EvoLinks Route
Serverseitige Tools	Anthropic Tool Use und gehostete Tools	xAI Web Search, X Search, Code Execution, Attachment und Collections Search, separat abgerechnet
EvoLink-Route	Aktiv	Aktiv seit dem 22. September 2026

Die Opus-5-Werte stammen aus Anthropics Modellübersicht; die Grok-4.7-Werte von xAIs Modellseite und Preisseite. Beide geprüft am 22. September 2026. EvoLinks aktuelle Preise stehen auf den Produktseiten zu Grok 4.7 und Claude Opus 5.

Zwei Zeilen prägen alles Folgende. Der Kontext von Opus 5 ist doppelt so groß, was jeden einzelnen Request entscheidet, der mehr als 500.000 Token braucht. Und die Long-Context-Regel von Grok 4.7 verdoppelt den Preis für den gesamten Request, sobald der Prompt 200.000 Token erreicht, was den Preisabstand bei Long-Context-Arbeit verringert: In dieser Stufe stehen Groks $4 Input und $12 Output gegen Opus' $5 und $25.

Benchmarks: Was unabhängige Tests zeigen

Artificial Analysis lässt Grok 4.7 auf xhigh und Claude Opus 5 mit adaptivem Reasoning bei maximalem Aufwand laufen. Ergebnisse mit Stand 22. September 2026:

Messgröße	Claude Opus 5	Grok 4.7 (xhigh)
Intelligence Index v4.3.2	51	46
Terminal-Bench 4.0	49 %	26 %
Humanity's Last Exam	55 %	43 %
AutomationBench-AA	57 %	66 %
Output-Token für den gesamten Index	140 Mio.	240 Mio.
Kosten für den gesamten Index	$7.275	$4.967
Output-Geschwindigkeit	56 Token/s	39 Token/s
Zeit bis zum ersten Token	49,25 s	0,85 s

Vier Lesarten. Opus 5 führt beim Index und bei den beiden schwersten Messgrößen, wobei Terminal-Bench, der nächste Näherungswert für autonome Agentenarbeit, den größten Abstand zeigt. Grok 4.7 gewinnt AutomationBench, ein Aufgabenset für Workplace-Automatisierung, mit neun Punkten Vorsprung. Grok 4.7 schrieb 70 % mehr Output-Token, um dieselbe Suite abzuschließen, und trotzdem kostete die Suite ein Drittel weniger, weil sein Output-Preis etwa ein Viertel des Opus-Preises beträgt. Und das Latenzprofil ist gegenläufig: Opus 5 braucht bei maximalem Aufwand etwa 49 Sekunden bis zum ersten Token, Grok 4.7 weniger als eine Sekunde, was für interaktive Nutzung zählt.

xAIs eigene Zahlen gegenüber Grok 4.6 stehen im Leitfaden 4.7 vs 4.6. Sie verwenden eine andere Harness und sind mit dieser Tabelle nicht vergleichbar.

Kosten pro Aufgabe, nicht Kosten pro Token

Zu Listenpreisen ist der Input von Grok 4.7 2,5-mal und der Output etwa 4,2-mal günstiger als bei Opus 5. Die Suite von Artificial Analysis zeigt, wie viel davon den Kontakt mit einem realen Workload übersteht: Grok 4.7 brauchte 240 Millionen Output-Token, wo Opus 5 140 Millionen brauchte, sodass die realisierte Ersparnis auf der Suite etwa 32 % betrug, nicht 76 %. Das ist das zu erwartende Muster. Ein Modell mit niedrigerem Preis kann mehr Token und manchmal mehr Versuche verbrauchen, um dasselbe akzeptierte Ergebnis zu erreichen.

API cost per accepted task = all billed evaluation charges / accepted tasks

Verwenden Sie die tatsächlich abgerechnete Nutzung des Kanals, auf dem Sie arbeiten. Halten Sie die Kategorien Input, Output, Cache und Tools sichtbar. Gibt es keine akzeptierten Ergebnisse, berichten Sie die gescheiterte Evaluierung statt einer Null.

Die Modellwahl vergleicht akzeptierte Ergebnisse, die Kosten aller Versuche und den Migrationsaufwand, bevor der Einsatz eines Modells ausgeweitet wird

Eine illustrative Rechnung, keine Messung von Grok oder Claude. Angenommen, Opus gibt $40 für einen Stapel Aufgaben aus und akzeptiert 80 Ergebnisse: $0,50 pro Stück. Angenommen, Grok gibt zu seinen niedrigeren Preisen, aber mit höherem Token-Verbrauch $27 aus und akzeptiert 72: $0,375 pro Stück. Grok ist pro akzeptierter Aufgabe günstiger, hinterlässt aber acht Fehlschläge mehr. Wenn ein Fehlschlag eine menschliche Nachbearbeitung zu $2 kostet, wird aus Opus $40 + $40 und aus Grok $27 + $56, und die Reihenfolge kehrt sich um: $0,80 für Opus gegenüber $0,83 für Grok pro gelieferter Aufgabe. Was ein Fehlschlag Sie kostet, entscheidet die Antwort.

Dann kommt der Wechselaufwand hinzu. Wenn Grok $0,125 pro akzeptierter Aufgabe spart und die Anpassung des Workflows $500 kostet, liegt der Break-even bei 4.000 akzeptierten Aufgaben. Für ein Produkt mit hohem Volumen sind das Tage; für ein internes Tool mit geringem Volumen kommt dieser Punkt womöglich nie.

Das Cache-Verhalten lohnt sich auf beiden Seiten zu messen. Opus 5 berechnet ein Cache-Schreiben mit $6,25 pro Million für den 5-Minuten-Cache und liest danach zu $0,50; xAI berechnet gecachten Input laut seiner veröffentlichten Tabelle mit $0,50 ohne separate Schreibgebühr. Der effektive Input-Preis auf jeder Seite hängt von Ihrer Trefferquote ab.

Welches Modell für welchen Workload

Workload	Lesart der Belege	Was Sie an Ihren eigenen Aufgaben prüfen sollten
Lang laufende Coding-Agenten	Opus 5 führt Terminal-Bench mit 23 Punkten Vorsprung; stärkstes Argument für Opus	Quote akzeptierter Patches und Kosten pro akzeptierter Aufgabe beim Standard-Aufwand jedes Modells
Klar umrissene Aufgaben mit hohem Volumen (Extraktion, Klassifikation, Entwürfe)	Der Preisvorteil von Grok 4.7 ist dort am größten, wo der Token-Verbrauch vorhersehbar ist	Schema-Validität und Kosten pro Aufgabe bei `medium` oder `high`
Interaktive Tools mit Latenzbudget	Grok 4.7 liefert im AA-Test das erste Token in unter einer Sekunde; Opus 5 braucht bei maximalem Aufwand etwa 49 s	End-to-End-Abschlusszeit beim Aufwand, den Ihr Produkt braucht
Workplace-Automatisierungsflows	Grok 4.7 führt AutomationBench-AA mit neun Punkten Vorsprung	Ob die Aufgabenform des Benchmarks zu Ihrer passt
Einzelne Requests über 500.000 Token	Nur Opus 5 kann den Request annehmen	Eine Chunking-Strategie, die denselben Akzeptanztest besteht
Requests zwischen 200.000 und 500.000 Token	Groks Long-Context-Stufe halbiert seinen Preisvorteil	Den gestuften Grok-Preis vergleichen, nicht den Schlagzeilenpreis

Das sind Lesarten von Drittanbieter-Ergebnissen, keine Garantien. Beide Modelle dokumentieren Text- und Bildeingabe, Function Calling und strukturierte Ausgaben, sodass sich jede Kategorie auf beiden testen lässt.

Eine faire Evaluierung durchführen

Halten Sie im ersten Durchlauf Aufgabe, Tools, Kontext und Akzeptanzregeln konstant. Halten Sie die Konfiguration fest, die tatsächlich an jedes Modell gesendet wurde, und frieren Sie Tool-Antworten nach Möglichkeit ein. Die Reasoning-Steuerparameter sind die größte Falle: Opus 5 nutzt adaptives Thinking, gesteuert über effort; Grok 4.7 nutzt vier benannte reasoning_effort-Stufen. Führen Sie den ersten Durchlauf mit dem Standard jedes Modells aus und halten Sie die verbrauchten Reasoning- und Output-Token fest. Ein zweiter Durchlauf kann jedes Modell innerhalb eines festen Engineering-Budgets optimieren; berichten Sie die Ergebnisse ohne und mit Tuning getrennt.

Bewerten Sie das Ergebnis der Aufgabe, nicht die Zahl der Tool-Aufrufe. Halten Sie bei Coding-Agenten Planung und Implementierung getrennt: Ein Modell erläutert vielleicht einen starken Plan und lässt den Patch unvollständig. Verwenden Sie für beide Ausgaben denselben Evaluator, prüfen Sie stichprobenartig mit einem Menschen oder einem ausführbaren Validator und verbergen Sie bei subjektivem Review die Modellbezeichnungen.

Was das Gateway vereinfacht und was Sie trotzdem anpassen

EvoLink stellt beide Modelle über dasselbe Konto, denselben Key und OpenAI-kompatible Endpunkte bereit, sodass die Modell-ID zu einem Konfigurationswert wird. Portabel werden dadurch keine modellspezifischen Funktionen.

Integrationsbereich	Was zu inventarisieren ist	Beleg, dass der Adapter bereit ist
Nachrichten und Systemanweisungen	Rollen, Content-Blöcke und beibehaltene Vorgaben	Repräsentative Konversationen bewahren das beabsichtigte Verhalten
Reasoning-Steuerung	`effort` und adaptives Thinking je Workload auf `reasoning_effort` abbilden; keine Gleichwertigkeit annehmen	Erfasster Reasoning-Token-Verbrauch je Einstellung auf beiden
Tools	Definitionen, Autorisierung und Ergebnisformat; Grok-Server-Tools vs. anwendungsseitige Tools	Gültige Argumente, sichere Aktionen und behebbare Fehler
Strukturierte Ergebnisse	Pflichtfelder und nachgelagerte Validatoren	Akzeptierte Ausgaben bestehen dieselben Anwendungsprüfungen
Streaming	Teil-Events, Unterbrechung und Abschlussbehandlung	UI und Backend verarbeiten jeden Endzustand
Kostenreporting	Nutzungsfelder, Cache-Felder und die Zuordnung von Aufgaben zu Versuchen	Summen stimmen mit der tatsächlichen Abrechnung jeder Route überein
Kontextbudget	Requests nahe 200K auf Grok oder überhaupt über 500K	Eine Komprimierungs- oder Chunking-Regel, getestet gegen das Akzeptanzset

Ein gemeinsames API-Gateway verbindet modellspezifische Adapter mit Anwendungsprüfungen und zustandsbewusster Wiederherstellung

Wann es richtig ist, beide Modelle zu behalten

Die Belege sprechen eher für eine Aufteilung als für einen kompletten Wechsel: Routen Sie klar umrissene Arbeit mit hohem Volumen zu Grok 4.7, wo es besteht, und behalten Sie Opus 5 für lang laufende Agentenaufgaben und für Requests, die mehr als 500.000 Token brauchen. Definieren Sie die Eingabekategorie, die Akzeptanzregel und die Eskalationsbedingung, bevor Sie Traffic zuweisen.

Machen Sie beim Fallback die Anwendung für den Zustand verantwortlich. Hat ein Tool bereits eine Datei geschrieben oder eine externe Aktion ausgeführt, braucht das zweite Modell den aktualisierten Zustand und eine klare Regel für die Fortsetzung. Dies ist ein Rollout-Design für Ihre Anwendung, kein Versprechen, dass EvoLink Workloads automatisch klassifiziert oder Zustand zwischen Modellen überträgt.

Eine praktische erste Evaluierung auf EvoLink

Wählen Sie einen teuren oder unzuverlässigen Opus-5-Workload. Sichern Sie ein repräsentatives Aufgabenset, die aktuellen Akzeptanzergebnisse und die abgerechnete Nutzung. Senden Sie dasselbe Set mit demselben EvoLink-Key und der Standard-Aufwandseinstellung an grok-4.7 und vergleichen Sie akzeptierte Ergebnisse und abgerechnete Nutzung nebeneinander. Die Claude Opus 5 Seite und die Grok 4.7 Seite zeigen die aktuellen Preise und die Konfiguration der jeweiligen Route.

Bringt Grok 4.7 keinen relevanten Gewinn, behalten Sie den bestehenden Workflow. Gewinnt es eine Kategorie, weiten Sie diese Kategorie schrittweise aus und halten Sie einen getesteten Wiederherstellungspfad bereit. Teams, die bereits Grok nutzen, sollten stattdessen den Upgrade-Leitfaden Grok 4.7 vs 4.6 verwenden.

FAQ

Ist Grok 4.7 so gut wie Claude Opus 5?

In unabhängigen Benchmarks nicht. Artificial Analysis bewertet Opus 5 mit 51 und Grok 4.7 mit 46 auf seinem Intelligence Index, wobei Opus 5 bei Terminal-Bench 4.0 (49 % vs 26 %) und Humanity's Last Exam vorn liegt. Grok 4.7 führt bei AutomationBench-AA (66 % vs 57 %).

Welches Modell ist besser für Coding, Grok 4.7 oder Opus 5?

Für lang laufendes agentisches Coding spricht der Terminal-Bench-Abstand für Opus 5. Bei klar umrissenen Coding-Aufgaben mit vorhersehbarem Output kann der niedrigere Preis von Grok 4.7 bei den Kosten pro akzeptierter Aufgabe gewinnen. Testen Sie Ihre eigenen Repository-Aufgaben beim Standard-Aufwand jedes Modells.

Wie viel günstiger ist Grok 4.7 als Opus 5?

Zu Listenpreisen 2,5-mal beim Input und etwa 4,2-mal beim Output. Auf der vollständigen Suite von Artificial Analysis betrug die realisierte Ersparnis etwa 32 %, weil Grok 4.7 70 % mehr Output-Token verbrauchte. EvoLinks aktuelle Preise für beide stehen auf den Produktseiten.

Welches Modell hat das größere Kontextfenster?

Opus 5 mit 1.000.000 Token gegenüber 500.000. Opus 5 dokumentiert außerdem einen maximalen Output von 128.000 Token.

Welches Modell ist schneller?

Im Test von Artificial Analysis lieferte Grok 4.7 sein erstes Token nach 0,85 Sekunden gegenüber 49 Sekunden bei Opus 5 mit maximalem Aufwand, während Opus 5 nach dem Start schneller streamte (56 vs 39 Token pro Sekunde).

Sind die Reasoning-Steuerparameter austauschbar?

Nein. Opus 5 nutzt adaptives Thinking, gesteuert über effort; Grok 4.7 nutzt vier benannte reasoning_effort-Stufen. Führen Sie den ersten Durchlauf mit dem jeweiligen Standard aus und erfassen Sie den tatsächlichen Reasoning-Token-Verbrauch.

Lassen sich beide Modelle jetzt über EvoLink evaluieren?

Ja. Beide sind aktive Routen auf demselben Konto und denselben Endpunkten, mit den Modell-IDs claude-opus-5 und grok-4.7.

Wann lohnt es sich, beide Modelle zu behalten?

Wenn jedes eine messbare Rolle hat: Grok 4.7 für klar umrissene Arbeit mit hohem Volumen, wo es besteht, Opus 5 für lang laufende Agenten und Requests über 500.000 Token.

Quellen

Alle Beiträge

#Grok 4.7 #Claude Opus 5 #Modellvergleich #Kosteneffizienz