модель · Anthropic · вышла 16 апреля
Claude Opus 4.7
Устаревшая флагманская модель Anthropic для программирования и долгих агентных задач, её сменили Opus 4.8 и Opus 5
О модели
Claude Opus 4.7 — модель из старшей линейки Anthropic Opus. Она рассуждает перед ответом и сама вызывает внешние инструменты. Компания делала её для сложного программирования и долгих задач, которые модель ведёт без участия человека. По словам Anthropic, она точно следует инструкциям и, прежде чем отчитаться, придумывает способ проверить свой результат. Лаборатория при этом признала, что по широте возможностей Opus 4.7 уступает Claude Mythos Preview. Это более сильная модель компании, которую в открытый доступ не выпустили.
Главное отличие от Opus 4.6 — программирование, особенно самые трудные задачи. По замерам Anthropic, в CursorBench модель набирает 70% против 58% у предшественницы, а в Rakuten-SWE-Bench решает втрое больше задач из рабочей среды. Ещё модель стала лучше видеть. Она принимает картинки примерно до 3,75 мегапикселя, это втрое больше, чем у прежних Claude. В тесте XBOW на чёткость зрения результат вырос с 54,5% до 98,5%, а это важно для управления компьютером по скриншотам и разбора подробных схем.
Кроме того, у модели появился новый уровень глубины рассуждений, между высоким и максимальным. С ним можно тоньше выбирать, что важнее на трудной задаче: качество ответа или скорость. Opus 4.7 берут для тяжёлой разработки, проверки кода, работы агентов и офисных задач. Anthropic заявляет, что она аккуратнее и изобретательнее делает интерфейсы, слайды и документы. В оценке Finance Agent модель, по словам компании, показала лучший результат, а в OfficeQA Pro ошибается на 21% реже, чем Opus 4.6.
У модели есть оговорки. Инструкции она понимает буквально, а прежние версии толковали их вольно или пропускали части. Поэтому Anthropic советует заново настроить запросы и обвязку, то есть программы, через которые модель запускают. Новый токенизатор (способ делить текст на токены) превращает тот же текст в 1–1,35 раза больше токенов, так что работа может выйти дороже. Запросы, похожие на запрещённое или рискованное применение в кибербезопасности, модель сама распознаёт и блокирует. Для специалистов, которые легально проверяют защиту, Anthropic открыла программу Cyber Verification Program. В мае 2026 года на смену Opus 4.7 пришла Opus 4.8 по той же цене, а летом вышла Opus 5.
источники:Анонс Claude Opus 4.7 ↗Системная карта Claude Opus 4.7 ↗Анонс Claude Opus 4.8, сменившей Opus 4.7 ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг19место из 268индекс 156вероятный разброс 154–158
- 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 ↗91,1%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 ↗61,4%максимальное
- Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗20,7%
- 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 ↗19,0%максимальное
- MirrorCodeМодель с нуля воссоздаёт целую консольную программу по её поведению, документации и примерам, не видя исходного кодаПодробнее на английском ↗31,1%высокое
- OSWorld 2.0Долгие задачи на настоящем компьютере в десктопных и веб-приложениях; у человека уходит около 1,6 часа на задачуЗадача оценивается по многим взвешенным контрольным точкам, поэтому засчитывается и частичное выполнение.Подробнее на английском ↗18,2%максимальное
- FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗31,7%максимальное
- FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗70,2%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 ↗38,5%
- ExploitBenchНаписание эксплойтов для 41 реальной уязвимости движка V8 — от вызова сбоя до выполнения произвольного кодаВзлом разбит на 16 ступеней, и засчитываются промежуточные, так что балл не равен доле полностью взломанных уязвимостей.Подробнее на английском ↗26,5%
- PostTrainBenchМожет ли ИИ-агент сам дообучить базовую языковую модель за 10 часов на одной видеокарте H100, без готового кода и данныхБалл — результат дообученной модели на нескольких тестах; официальные версии тех же моделей от разработчиков набирают около 51%.Подробнее на английском ↗28,6%очень высокое
- ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗54,0%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 ↗49,2%максимальное
- Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗26,3%максимальное
- 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 ↗51,7%очень высокое
- GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗44,1%высокое
- Terminal BenchЗадачи в командной строке по мотивам реальной работы: агент сам выполняет их в терминале, результат проверяют автотестыПодробнее на английском ↗80,2%
- 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 ↗75,8%максимальное
- HLEHumanity's Last Exam: 2500 вопросов экспертного уровня по математике, естественным и гуманитарным наукам, ответ не найти поискомПодробнее на английском ↗33,0%
- 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 ↗76,4%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 ↗97,8%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 ↗54,0%
- 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 ↗83,5%максимальное
- 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 ↗86,9%максимальное
- ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗93,5%высокое
Новости о модели
все упоминания · 12Grok 4.7 уступила только моделям Anthropic в тесте на офисную работу
В бенчмарке Artificial Analysis Grok 4.7 встала сразу за Opus 5, а одна задача обходится ей примерно вдвое дешевле.
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).