Claude verfügt über robuste mehrsprachige Fähigkeiten, mit besonders starker Leistung bei Zero-Shot-Aufgaben über verschiedene Sprachen hinweg. Das Modell behält eine konsistente relative Leistung sowohl bei weit verbreiteten als auch bei ressourcenärmeren Sprachen bei, was es zu einer zuverlässigen Wahl für mehrsprachige Anwendungen macht.
Claude beherrscht viele Sprachen über die in der folgenden Tabelle aufgeführten Benchmarks hinaus. Teste mit allen Sprachen, die für deine spezifischen Anwendungsfälle relevant sind.
Die folgende Tabelle zeigt Zero-Shot-Chain-of-Thought-Evaluierungswerte für Claude-Modelle in verschiedenen Sprachen, ausgedrückt als Prozentsatz relativ zur englischen Leistung (100 %):
| Sprache | Claude Opus 4.1 (veraltet)1 | Claude Sonnet 4.51 | Claude Haiku 4.51 |
|---|---|---|---|
| Englisch (Basiswert, fest auf 100 %) | 100 % | 100 % | 100 % |
| Spanisch | 98,1 % | 98,2 % | 96,4 % |
| Portugiesisch (Brasilien) | 97,8 % | 97,8 % | 96,1 % |
| Italienisch | 97,7 % | 97,9 % | 96,0 % |
| Französisch | 97,9 % | 97,5 % | 95,7 % |
| Indonesisch | 97,3 % | 97,3 % | 94,2 % |
| Deutsch | 97,7 % | 97,0 % | 94,3 % |
| Arabisch | 97,1 % | 97,2 % | 92,5 % |
| Chinesisch (vereinfacht) | 97,1 % | 96,9 % | 94,2 % |
| Koreanisch | 96,6 % | 96,7 % | 93,3 % |
| Japanisch | 96,9 % | 96,8 % | 93,5 % |
| Hindi | 96,8 % | 96,7 % | 92,4 % |
| Bengalisch | 95,7 % | 95,4 % | 90,4 % |
| Swahili | 89,8 % | 91,1 % | 78,3 % |
| Yoruba | 80,3 % | 79,7 % | 52,7 % |
1 Mit erweitertem Denken.
Diese Metriken basieren auf MMLU (Massive Multitask Language Understanding)-Testsets in englischer Sprache, die von professionellen menschlichen Übersetzern in 14 weitere Sprachen übersetzt wurden, wie im simple-evals-Repository von OpenAI dokumentiert. Der Einsatz menschlicher Übersetzer für diese Evaluierung gewährleistet qualitativ hochwertige Übersetzungen, was besonders für Sprachen mit weniger digitalen Ressourcen wichtig ist.
Claude leitet die Antwortsprache aus der Konversation ab, aber für Produktionsanwendungen solltest du die Zielsprache explizit angeben. Der zuverlässigste Ort dafür ist der System-Prompt, der die Anweisung über jeden Turn einer Konversation hinweg stabil hält.
client = anthropic.Anthropic()
message = client.messages.create(
model="claude-opus-4-8",
max_tokens=1024,
system="Always respond in French, regardless of the language the user writes in.",
messages=[{"role": "user", "content": "How do I reset my password?"}],
)
print(message.content)Wenn deine Anwendung es Nutzern ermöglicht, zur Laufzeit eine Sprache auszuwählen, interpoliere diese Auswahl in den System-Prompt, anstatt dich darauf zu verlassen, dass Claude sie aus der Nachricht des Nutzers ableitet. Um zwischen zwei bestimmten Sprachen zu übersetzen, nenne beide: Translate the user's message from German to Korean. Respond with only the translation.
Bei der Arbeit mit mehrsprachigen Inhalten:
Befolge außerdem die allgemeinen Hinweise in der Übersicht zum Prompt Engineering, um die Ausgabequalität weiter zu verbessern.
Wende allgemeine Prompting-Techniken an, um die Qualität mehrsprachiger Ausgaben zu verbessern.
Erstelle einen lokalisierten Support-Chatbot mit einem sprachbeschränkten System-Prompt.
Vergleiche Modellstufen, um mehrsprachige Qualität gegen Kosten und Latenz abzuwägen.
Evaluiere die Übersetzungs- und Lokalisierungsqualität, bevor du auslieferst.
Was this page helpful?