модель · Anthropic · вышла 5 февраля
Claude Opus 4.6
Устаревшая флагманская модель Anthropic для программирования и агентных задач, её сменили Opus 4.7 и нынешняя Opus 5.5
О модели
Claude Opus 4.6 вышла в феврале 2026 года и тогда была самой сильной моделью Anthropic. Компания делала её для сложного программирования, агентных задач и интеллектуального труда: финансового анализа, подготовки документов, многошаговых исследований. Агентная задача — это многошаговая работа, которую модель ведёт сама: пишет и запускает код, пользуется инструментами. По словам Anthropic, по сравнению с Opus 4.5 новая модель лучше планирует и дольше справляется с долгими агентными задачами. Она также увереннее разбирается в больших кодовых базах и чаще находит ошибки, когда проверяет код.
Главное отличие от Opus 4.5 — работа с длинными текстами: когда текста становится много, качество ответов падает меньше, чем раньше. Opus 4.6 стала первой моделью линейки Opus с контекстным окном в миллион токенов. Есть тест MRCR v2: в тексте длиной в миллион токенов прячут восемь фактов, и модель должна их найти. По замерам лаборатории, Opus 4.6 набрала в нём 76%, а Sonnet 4.5 — 18,5%. На GDPval-AA, который оценивает полезную в экономике интеллектуальную работу, она обошла Opus 4.5 примерно на 190 пунктов рейтинга Эло, а GPT-5.2 — примерно на 144. Компания заявляла, что на момент выхода модель лидировала в Terminal-Bench 2.0 (программирование в терминале), Humanity's Last Exam (сложные вопросы из разных наук) и BrowseComp (поиск в интернете информации, которую трудно найти).
Вместе с моделью Anthropic добавила новые функции. Адаптивное мышление позволяет модели самой решать, когда стоит подумать подольше. Уровень усилий разработчик выбирает из четырёх: низкий, средний, высокий (стоит по умолчанию) и максимальный. Сжатие контекста кратко пересказывает старую часть длинного разговора, и модель работает дольше, не упираясь в предел контекста. В Claude Code появились команды агентов: несколько копий модели делят задачу между собой и выполняют её параллельно.
Лаборатория предупреждала, что на простых задачах модель может думать слишком долго. В таком случае Anthropic советует снизить уровень усилий до среднего: ответ придёт быстрее и обойдётся дешевле. При выходе миллион токенов контекста был доступен только в тестовом режиме и только на Claude Developer Platform, а запросы длиннее 200 тысяч токенов стоят дороже. По оценкам Anthropic, по безопасности модель не хуже Opus 4.5, а необоснованных отказов у неё меньше, чем у всех недавних моделей Claude. Теперь компания относит Opus 4.6 к устаревшим и советует перейти на Opus 5.5, которая к тому же дешевле. Отключать Opus 4.6 Anthropic обещает не раньше 5 февраля 2027 года.
источники:Анонс Claude Opus 4.6 ↗Страница модели в документации ↗Обзор моделей Claude ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг25место из 268индекс 155вероятный разброс 153–157
- 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 ↗46,3%максимальное
- 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%
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).
* Meta Platforms Inc., которой принадлежат Facebook и Instagram, признана в России экстремистской организацией, её деятельность запрещена.