Claude Opus 4.5: Новый стандарт мощности от Anthropic

24 ноября стала доступна модель Claude Opus 4.5. Anthropic позиционирует её как свою самую сильную модель для программирования, агентных сценариев и управления компьютером, а также заметно улучшило качество в повседневных задачах — от поиска и анализа информации до работы с презентациями и таблицами.

Claude Opus 4.5 показывает лучшие результаты на бенчмарках, приближенных к реальной разработке (включая SWE-bench Verified).

Модель уже доступна в приложениях Anthropic, через Claude API и на трёх крупных облачных платформах; использовать её можно под именем claude-opus-4-5-20251101. Тариф — 5/25 долларов за миллион токенов (ввод/вывод).

Параллельно обновлены Claude Developer Platform, Claude Code и пользовательские приложения: добавлены инструменты для долгоживущих агентов, интеграции с Excel и Chrome, а также десктопный сценарий использования. В приложениях Claude длинные диалоги теперь поддерживаются за счёт автоматического сворачивания раннего контекста.

При внутреннем тестировании разработчики Anthropic отметили, что Claude Opus 4.5 лучше справляется с неоднозначными задачами, умеет взвешивать компромиссы без подробных указаний и самостоятельно решать сложные ошибки, затрагивающие несколько систем. Модель уверенно решает задачи, которые ранее были сложны для Sonnet 4.5, и описывается как «просто понимающая, что происходит».

На сложном экзамене для кандидатов в performance-инженеры, используемом как внутренний бенчмарк, Claude Opus 4.5 показал результат, превосходящий любой результат человека.

Экзамен оценивает только технические навыки, не учитывая работу в команде и опыт. Однако способность модели превосходить сильных кандидатов в техническом плане ставит новые вопросы об изменении инженерных ролей под влиянием ИИ. Anthropic изучает эти социальные и экономические последствия.

Улучшения не ограничиваются разработкой: Opus 4.5 демонстрирует лучшее качество в зрении, рассуждениях и математике, а также лидирующие результаты во многих бенчмарках.

Opus 4.5 пишет более качественный код и лидирует в 7 из 8 языков программирования по результатам SWE-bench Multilingual. В ряде случаев модель упирается не в свои возможности, а в ограничения бенчмарков.

При оценке агентных сценариев, Anthropic использует τ2-bench, который проверяет поведение моделей в реальных многошаговых задачах. В одном из кейсов модель играет роль сотрудника авиакомпании и обходит ограничения, чтобы помочь клиенту, находя формально корректное решение.

Opus 4.5 пишет более качественный код и лидирует в 7 из 8 языков программирования по результатам SWE-bench Multilingual. По ряду задач модель уже упирается не в свои возможности, а в ограничения самих бенчмарков.

По мере роста возможностей модели, она решает задачи за меньшее число шагов и тратит меньше токенов при сопоставимом или лучшем качестве ответов. В Claude API появился параметр effort для баланса между скоростью и глубиной размышлений.

С выходом Opus 4.5, компания обновила Claude Code и пользовательские приложения, добавив режим планирования, поддержку десктопного приложения и авто-сворачивание контекста в длинных диалогах.

Для пользователей, у которых есть доступ к Opus 4.5, убрали отдельные ограничения и повысили общие лимиты токенов, чтобы Opus 4.5 можно было использовать ежедневно.

В общем, Anthropic представила великолепную новую модель, которая, несомненно, идеально впишется в вашу повседневную жизнь... если только у вас нет реальных проблем, которые нужно решить. И если у вас есть достаточно денег на миллион токенов.