- május 22-én Anthropic bejelentette a Claude-modellek következő generációját: Claude Opus 4 és Claude Sonnet 4. A cég szerint a két modell új mércét állít a kódolás, a hosszabb távú, összetett következtetés és az AI-ügynökök (agents) képességei terén.
Mire képesek a modellek és miben különböznek
-
Claude Opus 4-t Anthropic a világ legjobb kódolási modelljeként definiálja: kiemelkedő a hosszú, több ezer lépést igénylő, folytonos munkavégzésben, és az ügynök-műveletekben. A modell a bemutató szerint a SWE-bench-en 72,5%-kal és a Terminal-bench-en 43,2%-kal vezet. Opus 4 különösen jól teljesített több külső partnertesztben, például 7 órán át tartó, önálló, nyílt forráskódú refaktorálásnál (Rakuten), valamint jelzették, hogy javítja a kódminőséget szerkesztés és hibakeresés közben.
-
Claude Sonnet 4 a Sonnet 3.7 jelentős továbbfejlesztése: iparági szintű kódolási teljesítményt nyújt (SWE-bench 72,7%) és jobb irányíthatóságot (steerability) a pontosabb utasításkövetés érdekében. Bár általánosságban nem előzi meg Opus 4-et, Anthropic szerint Sonnet 4 optimális egyensúlyt kínál képesség és költséghatékonyság között, és elérhető a szabad (free) felhasználók számára is.
Külső visszajelzések és esettanulmányok több szereplőtől érkeztek: GitHub, Replit, Cursor, Block (codename goose), Cognition, Manus, iGent, Sourcegraph, Augment Code és mások—mindegyik a modellek előrelépését emelte ki bizonyos feladatokban, például komplex kódbázisok megértésében, autonóm többlépéses feladatokban és pontosabb hibajavításban.
Extended thinking és eszközhasználat (beta)
Mindkét modell most képes eszközöket használni (például webkeresést) „extended thinking” módban: a modell váltogat a belső gondolkodás és az eszközhasználat között, hogy jobb válaszokat állítson elő. A modellek képesek párhuzamosan több eszközt használni, és Anthropic szerint jelentősen csökkent az a viselkedés, amikor a modell rövidítő megoldásokat vagy kiskapukat alkalmaz a feladatok elvégzéséhez—agent jellegű feladatoknál mindkét modell 65%-kal kevésbé hajlamos erre Sonnet 3.7-hez képest.
Memória és helyi fájl-hozzáférés
Opus 4 különösen javult a memória-képességekben: ha a fejlesztők helyi fájl-hozzáférést biztosítanak számára, a modell képes „memóriafájlokat” létrehozni és fenntartani, kulcsinformációkat kinyerni és elmenteni, ami jobb hosszú távú koherenciát és feladatkövetést eredményez. A bejelentésben illusztrációként szerepel, hogy Opus 4 játék közben jegyzeteket készített (például Pokémon), amelyek valódi példák szerint segítették a folyamatos teljesítményt.
Claude Code mostantól általánosan elérhető
A Claude Code a kutatási előzetes után általánosan elérhetővé vált. Főbb újdonságok:
- Background task támogatás GitHub Actions-en keresztül.
- Natív integrációk VS Code és JetBrains IDE-khez: javasolt szerkesztések inline megjelenítése a fájlokban, így zökkenőmentes páros programozás.
- Claude Code SDK, amely lehetővé teszi egyedi ügynökök és alkalmazások építését ugyanazzal a mag-ügynökkel.
- Példa: Claude Code on GitHub (beta) – PR-címkézéssel képes reagálni reviewer megjegyzésekre, CI-hibák javítására, illetve kód módosítására.
Új API-képességek
Anthropic négy új API-képességet jelentett be, amelyek fejlesztők számára lehetővé teszik erősebb ügynökök építését:
- Code execution tool
- MCP connector
- Files API
- Prompt cache lehetősége: promptok gyorsítótárazása legfeljebb egy órára
Elérhetőség és árképzés
A Claude Opus 4 és Sonnet 4 hibrid módokkal érkezik: azonnali válaszadásra és extended thinkingre optimalizált üzemmódokkal. A Pro, Max, Team és Enterprise Claude-tervek mindkét modellt és az extended thinkinget tartalmazzák; Sonnet 4 emellett a free felhasználók számára is elérhető. Mindkét modell elérhető Anthropic API-n, Amazon Bedrock-on és Google Cloud Vertex AI-n. Az árak változatlanok az előző Opus és Sonnet modellekhez képest: Opus 4 ára 15$/75$ per millió token (input/output), Sonnet 4 ára 3$/15$.
Teljesítménymutatók és benchmarkok
Anthropic a publikációban részletes benchmarkadatokat közöl: Opus 4 és Sonnet 4 vezet a SWE-bench Verifieden, és több mérésnél is közöltek eredményeket (GPQA Diamond, MMMLU, MMMU, AIME, TAU-bench). Megjegyzik, hogy a Claude 4 család hibrideként bizonyos benchmarkoknál az eredményeket extended thinkinggel érték el (akár 64K tokenig). Példák a számokra:
- SWE-bench: Opus 4 72,5% (jelentett), Sonnet 4 72,7% (jelentett)
- Terminal-bench: Opus 4 43,2%
- „High compute” eljárásokkal a vállalat 79,4% és 80,2% pontszámokat is megemlít Opus 4 és Sonnet 4 esetében (belső eljárással kiválasztott párhuzamos próbálkozások és utóválogatás után).
A bejelentés tartalmaz részleteket a TAU-bench és SWE-bench módszertanáról is, például a tesztlépések számának növeléséről és a korábbi tervezőeszköz (planning tool) eltávolításáról a SWE-bench feltételeknél.
Biztonság, tesztelés és további lépések
Anthropic hangsúlyozza, hogy a modelleket széles körben tesztelték és értékelték a kockázat minimalizálása és a biztonság maximalizálása érdekében, beleértve a magasabb AI Safety Level-ök (például ASL-3) implementálására tett intézkedéseket. A cégnél elérhető a Developer Mode azoknak a felhasználóknak és szervezeteknek, amelyek teljes hozzáférést szeretnének a gondolati láncokhoz (chains of thought) fejlett prompt-engineering célokra.
Hogyan kezdjük el
A modellek és Claude Code már elérhetők Anthropic rendszerén és a választott platformokon; a bejelentés bátorítja a felhasználókat, hogy próbálják ki a Claude-t és küldjék visszajelzéseiket, amelyek segítik a további fejlesztést.
