Opus 4.5 стала первой моделью, преодолевшей 80% на SWE-Bench verified
Anthropic выпустила Opus 4.5 и показала, что корпорации наконец поняли, что будущее не в болтовне, а в реальной работе.
Новая версия Opus показала передовые результаты в бенчмарках по кодингу, использованию инструментов и решению задач. Но главное — это 1 в мире модель, которая преодолела 80% на уважаемом тесте для программирования SWE-Bench verified.
Самое интересное — это улучшения памяти для длинных контекстов. «Улучшения общего качества длинного контекста важны, но одних контекстных окон недостаточно», — заявила глава продуктового управления Диана На Пенн. «Знать правильные детали для запоминания действительно важно в дополнение к простому расширению контекстного окна».
Эти изменения позволили запустить долгожданную функцию «бесконечного чата» для платных пользователей. Теперь модель будет сжимать память контекста без уведомления пользователя, когда достигнет лимита.
По отзывам, модель особенно впечатляет на тестах реального софтверного инжиниринга. Когда даёшь ей сложный баг в многосистемной архитектуре, она сама находит решение.
Многие улучшения нацелены на агентные сценарии, когда Opus управляет группой подагентов на базе Haiku. «Вот где основы вроде памяти становятся действительно важными», — объясняет Пенн. «Потому что Claude должен исследовать кодовые базы и большие документы, а также знать, когда вернуться назад и перепроверить что-то».
Получается, что Anthropic делает ставку не на имитацию разговора, а на реальные рабочие инструменты. Модель, которая не просто болтает, а действительно помогает с кодом и таблицами.
