Augusztus 5., 2025-én megjelent Claude Opus 4.1, az Opus 4 frissített változata, amely a fejlesztők szerint elsősorban ügynöki (agentic) feladatokban, valós kódírási helyzetekben és összetett következtetésekben hoz előrelépést.
Hol érhető el és ár
Opus 4.1 mostantól elérhető a fizetős Claude-felhasználók számára és a Claude Code felületén. Emellett elérhető az API-n keresztül, valamint Amazon Bedrockon és Google Cloud Vertex AI-n is. A közlemény szerint az árazás megegyezik az Opus 4-gyel.
Teljesítmény és benchmarkok
Az Opus 4.1 a fejlesztők szerint kódolási teljesítményében 74,5%-ot ért el a SWE-bench Verified mérésen. A frissítés az általános képességek többségében javulást mutat az Opus 4-hez képest; különösen kiemelik a több fájlon átívelő (multi-file) kódrefaktorálásban elért előrelépést.
Konkrét visszajelzések a partnerektől:
- GitHub megállapította, hogy az Opus 4.1 a legtöbb képességben javulást mutat az Opus 4-hez képest, és különösen erős a többfájlos refaktorálásban.
- Rakuten Group szerint az Opus 4.1 képes pontosan meghatározni a helyes javításokat nagy kódbázisokban anélkül, hogy felesleges módosításokat vagy hibákat vezetne be; csapatuk ezért előnyben részesíti a modellt napi hibakeresési feladatokhoz.
- Windsurf jelentése szerint az Opus 4.1 körülbelül egy standard deviációval jobb eredményt nyújt az ő junior fejlesztő benchmarkjukon az Opus 4-hez képest; ezt a teljesítménynövekedést a Sonnet 3.7-ről Sonnet 4-re történt átmenethez hasonlítják.
Különleges képességek: részletkövetés és ügynöki keresés
A frissítés célja a részletek nyomon követésének és az ügynöki keresés (agentic search) képességének javítása, amelyek fontosak bonyolult, több lépéses problémamegoldási feladatoknál és kutatás- illetve adatelemzési munkáknál.
Benchmarks és „extended thinking” megjegyzések
A közlemény hangsúlyozza, hogy a Claude modellek hibrid következtetési rendszerek, és a közölt benchmark-eredmények különböző beállításokkal (kiterjesztett gondolkodás, azaz extended thinking) készültek. A megadott eredményeknél jelölték, hogy hol használtak extended thinkinget (akár 64K tokenig):
- Nem használtak extended thinkinget: SWE-bench Verified, Terminal-Bench.
- Extended thinkinggel jelentették az alábbi benchmarkokat: TAU-bench, GPQA Diamond, MMMLU, MMMU, AIME.
A TAU-bench esetében például a módszertan egy kiegészítő utasítást alkalmazott az Airline és Retail Agent Policy-hez, amely arra ösztönözte Claudet, hogy a problémamegoldás közben külön írja le gondolatait és több lépéses (maximum 100 modell-kompletálási lépésig megnövelt) pályákat használjon; a legtöbb pálya azonban továbbra is 30 lépés alatt fejeződött be.
A SWE-benchnél a Claude 4 család esetében továbbra is ugyanazt az egyszerű vázat alkalmazták, amely két eszközt biztosít: egy bash eszközt és egy fájlszerkesztő eszközt (string-cseréken keresztül). A Sonnet 3.7 esetében használt harmadik "tervező eszközt" már nem alkalmazzák.
Ajánlás és hozzáférés fejlesztőknek
A bejelentés azt javasolja, hogy az Opus 4-et használó felhasználók frissítsenek Opus 4.1-re minden felhasználási területen. Fejlesztők számára az API-n keresztül a modellazonosító, amelyet használni javasolnak:
claude-opus-4-1-20250805
További információkért a közlemény a rendszerkártyát, a modelloldalt, az árazási lapot és a dokumentációkat ajánlja, valamint felhívja a figyelmet a felhasználói visszajelzések fontosságára a további fejlesztésekhez.
Adatforrások és hivatkozott anyagok
A bejelentés megemlít több, a modellek összehasonlításához használt anyagot és korábbi bejelentéseket, többek között az OpenAI o3 és o3 system card anyagait, a Gemini 2.5 Pro modellkártyáját, valamint Anthropic saját Sonnet 3.7 és Claude 4 bejelentéseit. A publikáció részletezi a benchmark-jelentések készítésének feltételeit is.
