28 мая Anthropic выпустила Claude Opus 4.8. Идентификатор в API — claude-opus-4-8, модель сразу доступна в Claude API, на claude.ai и в Claude Code (для планов Team, Enterprise и Max). Цена не изменилась относительно предшественника: $5 за миллион входных токенов и $25 за миллион выходных.
Упор в релизе сделан на агентные и компьютерные сценарии. На Online-Mind2Web (браузерные агенты) модель набирает 84%, на OSWorld-Verified — 82,3%, лидирует на Terminal-Bench 2.1. Anthropic также заявляет, что Opus 4.8 — единственная модель, доводящая до конца все кейсы их Super-Agent-бенчмарка, и первая, взявшая 10% по строгому критерию all-pass на юридическом агентном бенчмарке.
Вместе с моделью приехали три вещи, которые заметит любой, кто пишет агентов. Первое — fast mode: режим работает в 2,5 раза быстрее и стоит $10/$50 за миллион токенов, то есть быстрый режим стал втрое дешевле, чем был у предыдущих моделей. Второе — dynamic workflows в Claude Code (research preview): агент раскидывает крупную задачу по параллельным сабагентам. Третье, и самое незаметное на вид: Messages API теперь принимает system-записи в середине диалога, а не только в начале.
Последний пункт стоит объяснить отдельно, потому что он снимает давнюю боль. Раньше, чтобы подсунуть модели новые правила по ходу длинной сессии (сменился инструмент, поменялись права, пришёл апдейт политики), приходилось либо пересобирать system-промпт и терять кэш префикса, либо маскировать инструкции под user-сообщение. Теперь правила можно доставить в середину истории явным блоком — и это дешевле по токенам и честнее по семантике.
Экономика при этом остаётся главным вопросом. Ценник $5/$25 — не тот уровень, на котором гоняют массовую классификацию; Opus имеет смысл там, где стоимость ошибки выше стоимости токенов: рефакторинг, длинные агентные прогоны, работа с браузером и терминалом. На всё остальное разумнее ставить модели младших линеек, а Opus подключать через роутер только на сложных ветках. И прежде чем менять идентификатор модели в проде — прогоните свой эвал-сет: агентные бенчмарки вендора почти никогда не совпадают с профилем вашей задачи.
Комментарии