Anthropic представила Claude Opus 4.6 — обновление флагманской линейки. Модель доступна с момента анонса: на claude.ai, в API под идентификатором claude-opus-4-6 и на крупных облачных платформах. Тариф для разработчиков не изменился.
Ключевое техническое изменение — контекстное окно на 1 млн токенов. Для моделей класса Opus это впервые, и пока режим работает в бете. Заявлены улучшения и в программировании: модель аккуратнее планирует, дольше удерживает агентную задачу, устойчивее ведёт себя в крупных кодовых базах, а на ревью ловит собственные ошибки раньше, чем их увидит человек.
Кодовые сценарии — не единственное применение. Модель проверяли на финансовом анализе, исследованиях, работе с документами, таблицами и презентациями. Внутри Cowork, где Claude берёт несколько задач одновременно, эти навыки складываются в автономную работу без постоянного присмотра за процессом.
Что изменилось в коде и агентных задачах
В Claude Code появились агентные команды: несколько агентов делят одну задачу и работают над ней совместно. В API добавили compaction — модель сама сжимает собственный контекст в резюме и за счёт этого доводит длинные задачи до конца, не упираясь в лимит. Ещё одна новинка, adaptive thinking, даёт модели возможность по ходу дела оценивать, сколько рассуждений требует конкретный запрос, вместо фиксированного бюджета «размышлений».
Разработчикам отдали и рычаг управления усилием. Параметр /effort задаёт баланс между глубиной рассуждений, скоростью и стоимостью, а значение по умолчанию — high. Об этом ниже, потому что именно здесь прячется основной расход.
Claude Opus 4.6 на бенчмарках: где прирост виднее
Anthropic говорит о лидерстве на нескольких оценках. Часть сравнений идёт с собственным предшественником, часть — с ближайшим конкурентом, GPT-5.2 от OpenAI. Разрыв в 144 и 190 баллов Elo на GDPval-AA выглядит весомо, но это замеры вендора: на реальном рабочем процессе результат зависит от промптов, набора инструментов и объёма контекста, который подаётся в запрос.
| Оценка | Что проверяет | Результат |
|---|---|---|
| Terminal-Bench 2.0 | агентное программирование | лучший результат в отрасли |
| Humanity’s Last Exam | сложные междисциплинарные задачи | лидер среди фронтирных моделей |
| GDPval-AA | знаниевая работа в финансах и праве | +144 Elo к GPT-5.2, +190 к Opus 4.5 |
| BrowseComp | поиск труднодоступной информации | лучший результат среди моделей |
| BigLaw Bench (Harvey) | юридические задачи | 90,2% |
В приложенной system card компания сообщает о низкой частоте невыровненного поведения по проверкам безопасности, а общий профиль называет не хуже, чем у других фронтирных моделей. Для команд, которые выпускают агентов с доступом к инструментам и файлам, это аргумент в пользу модели, но не замена собственным тестам перед продакшном.
Excel, PowerPoint и автономный Cowork
Claude в Excel получил заметные доработки, версия для PowerPoint вышла в research preview. Практический смысл в том, что модель закрывает не только код, но и обычную офисную рутину: свести таблицы из разных источников, собрать финмодель, подготовить черновик презентации. Для команд в России это скорее вопрос доступа через API и облака, чем готовый сценарий «из коробки» — надстройки живут в экосистеме Microsoft, и перед внедрением нужно сверить их с политикой хранения данных внутри компании.
Партнёры привели собственные цифры. Harvey сообщает о 90,2% на BigLaw Bench, где 40% ответов оказались идеальными, Box — о приросте на своей оценке до 68% против 58% у базовой линии, Rakuten — о дне, когда модель закрыла 13 задач и распределила 12 по нужным людям в организации примерно на 50 человек и шести репозиториях, самостоятельно решив, где звать человека. NBIM прогнали сорок киберисследований: Opus 4.6 выигрывал в слепом сравнении с моделями 4.5 почти во всех прогонах, работая с девятью субагентами и сотней с лишним вызовов инструментов.
«Claude Opus 4.6 берёт сложные запросы и действительно доводит их до конца: разбивает на конкретные шаги, выполняет и выдаёт отполированный результат даже на амбициозных задачах.»
Сара Сакс, руководитель направления ИИ в Notion
Та же цена, но счёт может вырасти
Тариф прежний: 5 долларов за миллион входных токенов и 25 за миллион выходных. Риск в другом. Модель чаще пересматривает собственные рассуждения, и на простых запросах это оборачивается лишними токенами и задержкой. Anthropic прямо предупреждает: если Opus 4.6 перемудривает на конкретной задаче, значение /effort снижают с high до medium.
С миллионным контекстом логика похожа. Большое окно удобно для анализа монолитных репозиториев и стопок документов, но каждый запрос несёт весь объём, поэтому счёт растёт кратно. Бета-статус добавляет второе ограничение: поведение на предельных объёмах может меняться от релиза к релизу, и закладывать его в продакшн без запаса по длине запроса неразумно.
Кому переходить на новую модель, а кому подождать
Апгрейд не требует срочности для всех. Если пайплайны работают на Opus 4.5 и упираются в длину контекста или в качество ревью, разница будет заметна быстро. Там, где важна предсказуемая латентность на коротких операциях, новая модель способна добавить времени, пока не выставлен пониженный уровень усилия.
| Ситуация | Что делать |
|---|---|
| В продакшне агенты на Opus 4.5 | прогнать свои проверки и сравнить стоимость одной задачи, а не цену токена |
| Крупные репозитории, длинные договоры | вынести бету на 1 млн токенов в отдельный эксперимент |
| Критична задержка ответа | снизить /effort до medium и замерить разницу |
| Юридические и финансовые расчёты | оставить проверку человеком: бенчмарки не отменяют ошибок |
| Отчёты в Excel и PowerPoint | дождаться выхода PowerPoint из research preview |
Отдельная оговорка про безопасность автономных сценариев. Модель, которая сама вызывает инструменты и субагентов, расширяет и поверхность ошибки: лишний вызов API, запись в файл, отправка письма. Ограничения по правам доступа и журналирование действий остаются на стороне команды, а не модели.
Первые проверки перед переключением
Самый дешёвый способ понять, нужен ли апгрейд, — взять одну-две задачи, на которых предыдущая модель буксовала, и прогнать их через Opus 4.6 при разных значениях /effort. Сравнивать имеет смысл не только качество ответа, но и полную стоимость прогона вместе с временем до результата.
