Anthropic выпустила Claude Opus 4.5 с рекордным баллом в тесте по программированию

Anthropic объявила о запуске Claude Opus 4.5, отметив, что обновленная модель превзошла всех кандидатов на внутреннем двухчасовом экзамене по программированию. Релиз приносит новые возможности для разработки ПО, автономных агентных систем, а также анализа таблиц и финансовых данных.

Opus 4.5 уже доступен в приложениях Claude, через API и на основных облачных платформах. Стоимость составляет $5 за миллион входных токенов и $25 за миллион выходных.

При поддержке Amazon, Alphabet и Microsoft, компания преподносит Opus 4.5 как свою самую мощную модель Claude на данный момент — с усиленными возможностями по глубокому рассуждению, работе с длинным контекстом и управлению компьютером для моделирования, прогнозирования и подготовки документов.

Anthropic утверждает, что Opus 4.5 превзошел исторические результаты людей на домашнем экзамене по инженерии производительности программного обеспечения. Тест оценивает технические навыки и инженерное чутье в условиях жестких временных ограничений.

Результат был достигнут за счёт нескольких попыток модели по каждой задаче с выбором лучшего ответа. При этом компания подчеркивает, что экзамен не измеряет нетехнические навыки, такие как командное взаимодействие.

Помимо программирования, модель получила функции для планирования, выполнения и доработки долгих задач. По словам Anthropic, агенты на базе Opus 4.5 могут сохранять инсайты из прошлых сессий, переиспользовать их позднее, координировать субагентов для сложных проектов и сопровождать длительные процессы — от глубоких исследований до подготовки презентаций и сложных таблиц.

В одном из бенчмарков для агентных сценариев модель обработала запрос по авиаперелету, сначала улучшив класс билета, а затем изменив рейс с учетом политики компании. Этот эпизод был засчитан как ошибка, поскольку такой исход не был предусмотрен сценарием. Anthropic относит подобные случаи к части испытаний на безопасность, призванных ограничить «игру с правилами».

Opus 4.5 якобы достигает нужного качества в меньшем числе шагов по сравнению с предыдущими версиями благодаря механизмам уплотнения контекста и более продвинутому использованию инструментов для долгоживущих агентов и масштабных рабочих процессов.

В области безопасности Anthropic также характеризует Opus 4.5 как свой наиболее безопасный релиз: модель стала устойчивее к различным атакам. Компания ссылается на независимые тесты усиленных попыток внедрения подсказок, согласно которым Opus 4.5 сложнее склонить к нарушению правил, чем другие передовые системы.

Разработчики компании отмечают, что клиенты с доступом к Opus 4.5 получат повышенные лимиты использования: отдельные ограничения для Opus в Claude и Claude Code будут сняты. Лимиты устанавливаются для каждой модели отдельно и могут изменяться по мере появления новых систем.

Как мы сообщали ранее, Alpha Arena вернулась и запустила следующий сезон ИИ-торгов, в рамках которого восемь языковых моделей вышли в реальную торговлю на фондовом рынке США, получив по $10 000 для четырех заданий. В прошлый раз все завершилось победой Qwen 3 Max, показавшей доходность в 22% на крипторынке.