модель · Anthropic · вышла 28 мая
Claude Opus 4.8
Прежняя флагманская модель Anthropic для программирования и долгих агентных задач, её сменила Claude Opus 5
О модели
Claude Opus 4.8 была старшей общедоступной моделью Anthropic с конца мая по конец июля 2026 года. Она вышла через полтора месяца после Opus 4.7 и стоила столько же. Сама компания назвала прирост «скромным, но ощутимым» и описала модель как более толкового напарника. Главный упор сделан на агентные задачи. В них модель сама проходит длинную цепочку шагов: пишет и запускает код, работает в браузере, управляет компьютером.
Ранние тестировщики, которых цитирует Anthropic, отмечают, что модель лучше оценивает ситуацию. В Claude Code она задаёт нужные вопросы, находит свои ошибки и возражает, если план неудачный. В анонсе приводятся такие результаты: 84% в Online-Mind2Web (задачи на настоящих сайтах через браузер), а в бенчмарке Super-Agent она единственной довела до конца все задачи. В Legal Agent Benchmark (юридические задачи) она первой набрала больше 10% по строгому правилу, при котором ответ засчитывается, только если в нём всё верно. Отдельно лаборатория говорит о честности: модель примерно вчетверо реже молча пропускает изъяны в собственном коде, чаще признаёт, что ей не хватает сведений, и реже делает необоснованные утверждения.
Вместе с моделью вышли новые функции. В claude.ai и Cowork появился выбор уровня усилий. Чем он выше, тем глубже модель рассуждает, но тем дольше отвечает и быстрее расходует лимиты; по умолчанию стоит высокий. В Claude Code в статусе предварительной версии появились динамические процессы (Dynamic Workflows): модель планирует крупную работу, запускает сотни параллельных субагентов — вспомогательных копий себя, каждая со своей частью задачи, — и проверяет результат. Так за один сеанс можно перевести на новые технологии кодовую базу в сотни тысяч строк. Быстрый режим отвечает в 2,5 раза быстрее обычного и стоит втрое дешевле, чем у прошлых моделей.
Opus 4.8 не была самой сильной моделью компании. Более мощную Claude Mythos Preview тогда получили лишь несколько организаций из проекта Project Glasswing для работы по кибербезопасности: Anthropic объяснила, что моделям такого уровня нужны более строгие защитные меры. По оценкам безопасности лаборатории, Opus 4.8 заметно реже, чем Opus 4.7, отступает от заданных правил и намерений разработчиков. В июле 2026 года её сменила Claude Opus 5, которая стоит столько же, но, по словам Anthropic, заметно сильнее. Сейчас у лаборатории есть и более новая Opus 5.5.
источники:Анонс Claude Opus 4.8 ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг10место из 268индекс 158вероятный разброс 156–161
- 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 ↗91,6%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 ↗67,7%максимальное
- Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗29,5%очень высокое
- 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 ↗28,6%максимальное
- 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 ↗20,6%максимальное
- Surface Evolver Bench16 задач: описать для физической программы Surface Evolver форму жидкости под действием поверхностного натяжения, гравитации и ограниченийЗасчитывается частичное выполнение: отдельные баллы за корректный файл, успешный прогон симуляции и совпадение объёма, площади и энергии с эталоном.Подробнее на английском ↗87,5%высокое
- FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗56,1%максимальное
- FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗80,0%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 ↗46,5%
- DeepSWE113 долгих задач по программированию в 91 открытом проекте на пяти языках; задачи написаны с нуля и не публиковалисьEpoch нашла, что примерно в 20% задач проверка отклоняет верные решения, поэтому реальный потолок заметно ниже 100%.Подробнее на английском ↗59,0%максимальное
- 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 ↗33,8%высокое
- ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗69,0%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 ↗48,9%максимальное
- Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗30,6%
- 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 ↗8,3%
- 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 ↗53,0%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 ↗50,2%высокое
- GSO-BenchУскорение реальных программ: агент получает код проекта и тест скорости и должен сделать код быстрее — не хуже, чем эксперт-программистПодробнее на английском ↗47,1%
- 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 ↗72,1%высокое
- 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 ↗82,9%очень 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 ↗98,3%
- 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 ↗57,8%
- 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 ↗88,0%
- ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗92,5%максимальное
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).