ИИтак

← Назад

Модель · Anthropic

Claude Opus 4.6

Прежняя флагманская модель Anthropic для программирования, агентов и сложной аналитики, её сменили Opus 4.7 и более новые версии

вышла 4 февраля

Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиШкала условная (Claude 3.5 Sonnet = 130, GPT-5 = 150); интервал — 90-процентный диапазон оценки, и модели с перекрывающимися интервалами надёжно не различаются.Подробнее на английском ↗

24 место из 266
индекс 155, вероятный разброс 154–157 · весь рейтинг →

БенчмаркРезультатОбычно — доля заданий теста, которые модель решила. У некоторых тестов свой счёт; как он устроен, сказано в пояснении к названию тестаУсилиеНасколько долго модель рассуждала перед ответом, когда её проверяли: низкое, среднее, высокое, очень высокое, максимальное. Чем выше усилие, тем обычно выше результат — и тем дольше и дороже ответ. Показан лучший результат и усилие, на котором он получен
DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗ 85,3% максимальное
LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗ 65,6% максимальное
Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗ 17,4%
EBR-benchУчится ли модель на опыте: она раз за разом играет в малоизвестную карточную настольную игру Earthborne Rangers и ведёт заметкиБалл — доля из 21 игровой цели в лучшей из двух итоговых партий после тренировочных; сам по себе он не показывает, выросла ли модель.Подробнее на английском ↗ 12,7% максимальное
FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗ 26,8% максимальное
FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗ 66,0% максимальное
FrontierCodeМодель исправляет проблему в открытом проекте, а правку оценивают по тому, приняли бы её сопровождающие проектаБалл выставляют по критериям сопровождающих и усредняют по пяти запускам; если нарушен хотя бы один обязательный критерий, за задачу ставят ноль.Подробнее на английском ↗ 26,6%
CL-bench LifeЗадачи, которые решаются только по данным из запроса: групповые чаты, личные заметки, истории покупок и браузераПодробнее на английском ↗ 17,0% высокое
CL-benchУмение выучить новое прямо из длинного текста: вымышленные законы, языки программирования, правила — и решить по ним задачиЗадача засчитывается, только если ответ проходит все проверочные критерии экспертов, поэтому даже лидеры решают около четверти.Подробнее на английском ↗ 20,7%
ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗ 50,0% максимальное
APEX-Agents480 многошаговых рабочих задач из инвестбанкинга, консалтинга и корпоративного права: агент работает с файлами, почтой, таблицамиЗадача засчитывается, только если выполнены все пункты экспертного списка критериев; проверяет их другая модель.Подробнее на английском ↗ 32,4%
Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗ 12,7% максимальное
Remote Labor IndexНастоящие заказы с фриланс-площадок — дизайн, архитектура, анализ данных, программирование — выполняемые агентом целикомЧисло — доля заказов, выполненных так, что заказчик принял бы работу; даже у лидеров это немного.Подробнее на английском ↗ 4,2%
SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗ 47,0% максимальное
DeepResearch Bench100 исследовательских заданий уровня аспирантуры из 22 областей: агент ищет в интернете и пишет аналитический отчёт со ссылкамиБалл — не доля верных ответов: модель-судья оценивает качество отчёта в сравнении с эталонным, отдельно проверяются ссылки.Подробнее на английском ↗ 55,3% высокое
GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗ 41,2% высокое
Terminal BenchЗадачи в командной строке по мотивам реальной работы: агент сам выполняет их в терминале, результат проверяют автотестыПодробнее на английском ↗ 79,8%
ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗ 69,2%
METR Time HorizonsНасколько долгие для человека задачи по программированию, машинному обучению и кибербезопасности агент решает самостоятельноРезультат — не процент, а время: длительность задачи (по времени работы эксперта), которую модель решает примерно в половине случаев.Подробнее на английском ↗ 78,9%
HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗ 31,1% максимальное
WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗ 78,0% высокое
OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗ 94,4% максимальное
SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗ 61,1%
Cybench40 задач по взлому (Capture the Flag) с профессиональных соревнований: криптография, веб, реверс-инжиниринг, эксплуатация уязвимостейПодробнее на английском ↗ 93,0%
SWE-Bench verifiedНастоящие задачи из GitHub по проектам на Python: модель правит код, а тесты проверяют, решена ли проблемаПо оценке Epoch, в 5–10% задач есть ошибки, поэтому 100% недостижимы; Epoch считает результат по 484 задачам из 500.Подробнее на английском ↗ 78,7%
GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗ 87,4% максимальное
ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗ 94,0%

Характеристики

Вышла
4 февраля
КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена
1 млн токенов
Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть
до 128 тыс. токенов
Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки
$5 за миллион токенов
Вход из кэшаЦена входа для повторяющегося начала запроса, которое лаборатория уже сохранила у себя. В длинной переписке и у агентов это большая часть входа — и в разы дешевле
$0,50 за миллион токенов
Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения
$25 за миллион токенов
Понимает
текст, изображения, PDF
Отвечает
текст
РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах
да
Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты
да
ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории
закрытые
Знания до
май 2025
Идентификатор в API
claude-opus-4-6

Что это за модель

Claude Opus 4.6 вышла в феврале 2026 года как самая сильная модель Anthropic на тот момент. Компания делала её для сложного программирования, агентных задач и интеллектуального труда в финансах, юриспруденции и исследованиях. Агентные задачи — это когда модель сама выполняет многошаговую работу: пишет и запускает код, пользуется инструментами. По словам Anthropic, Opus 4.6 лучше планирует, внимательнее проверяет код и лучше находит ошибки. Она также надёжнее справляется с большими кодовыми базами и дольше не теряет нить в длинных сессиях.

От Opus 4.5 её отличает прежде всего работа с длинными текстами. На тесте 8-needle 1M MRCR v2 модель должна найти несколько фактов, спрятанных в очень длинном документе. Там она, по замерам лаборатории, набрала 76%, а Sonnet 4.5 — 18,5%. На бенчмарке GDPval-AA, который оценивает полезную в экономике интеллектуальную работу, Opus 4.6 обошла Opus 4.5 примерно на 190 пунктов рейтинга Elo, а GPT-5.2 — примерно на 144. В BigLaw Bench, тесте на юридические задачи, у неё 90,2%. Компания заявляла, что на момент выхода модель лидировала в Terminal-Bench 2.0 (программирование в терминале) и в Humanity's Last Exam (сложные вопросы из разных наук).

Вместе с моделью Anthropic добавила новые функции. Адаптивное мышление позволяет модели самой решать, когда нужно подумать подольше. Уровень усилий можно выбрать из четырёх: от низкого до максимального. Ещё одна функция — сжатие контекста: старую часть длинного разговора модель пересказывает кратко и за счёт этого может работать дольше. В Claude Code появились команды агентов: несколько копий модели делят задачу и выполняют её параллельно.

Лаборатория предупреждает, что на простых задачах модель может думать слишком долго. Тогда стоит понизить уровень усилий, чтобы получать ответ быстрее и дешевле. Контекстное окно в миллион токенов при выходе было бета-функцией и работало только на Claude Developer Platform. Запросы длиннее 200 тысяч токенов стоят дороже. По оценкам Anthropic, по безопасности модель не хуже Opus 4.5, а необоснованно отказывает реже всех недавних моделей Claude. Сейчас Opus 4.6 уже не новейшая: после неё вышли Opus 4.7, Opus 4.8 и Opus 5.

Источники: Анонс Claude Opus 4.6

Того же уровня по индексу Epoch

Другие модели семейства

Новости о модели

  1. 01

    Маск: в тесте на офисную работу Grok 4.7 уступает только Anthropic

    Илон Маск

  2. 02

    Маск: по агентному программированию Grok 4.7 выводит его лабораторию на третье место после Anthropic и OpenAI

    Илон Маск

  3. 03

    Grok 4.6 лучше других отсеял замаскированные опасные задачи по биологии, но пропустил 40%

    SpaceXAI

все 3 новости о Opus 4.6 →

Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).