Claude Opus 4.6

Introducing Claude Opus 4.6

Представляем Claude Opus 4.6

We’re upgrading our smartest model.

Мы обновляем нашу самую умную модель.

The new Claude Opus 4.6 improves on its predecessor’s coding skills. It plans more carefully, sustains agentic tasks for longer, can operate more reliably in larger codebases, and has better code review and debugging skills to catch its own mistakes. And, in a first for our Opus-class models, Opus 4.6 features a 1M token context window in beta¹.

Новый Claude Opus 4.6 превосходит предшественника в навыках программирования. Он планирует более тщательно, дольше удерживает агентные задачи, надёжнее работает в больших кодовых базах и лучше ревьюит и отлаживает код, чтобы ловить собственные ошибки. И, впервые для моделей класса Opus, Opus 4.6 получил контекстное окно в 1M токенов в бете1.

Opus 4.6 can also apply its improved abilities to a range of everyday work tasks: running financial analyses, doing research, and using and creating documents, spreadsheets, and presentations. Within Cowork, where Claude can multitask autonomously, Opus 4.6 can put all these skills to work on your behalf.

Opus 4.6 также может применять свои улучшенные способности к самым разным повседневным рабочим задачам: проводить финансовый анализ, заниматься исследованиями, а также использовать и создавать документы, таблицы и презентации. В Cowork, где Claude может автономно работать в многозадачном режиме, Opus 4.6 способен задействовать все эти навыки от вашего имени.

The model’s performance is state-of-the-art on several evaluations. For example, it achieves the highest score on the agentic coding evaluation Terminal-Bench 2.0 and leads all other frontier models on Humanity’s Last Exam, a complex multidisciplinary reasoning test. On GDPval-AA—an evaluation of performance on economically valuable knowledge work tasks in finance, legal, and other domains²—Opus 4.6 outperforms the industry’s next-best model (OpenAI’s GPT-5.2) by around 144 Elo points,³ and its own predecessor (Claude Opus 4.5) by 190 points. Opus 4.6 also performs better than any other model on BrowseComp, which measures a model’s ability to locate hard-to-find information online.

Производительность модели — на уровне state-of-the-art в нескольких оценках. Например, она набирает наивысший балл в оценке агентного программирования Terminal-Bench 2.0 и опережает все остальные фронтирные модели на Humanity's Last Exam — сложном мультидисциплинарном тесте на рассуждение. На GDPval-AA — оценке производительности на экономически ценных задачах интеллектуального труда в финансах, юриспруденции и других областях2 — Opus 4.6 опережает следующую лучшую модель отрасли (GPT-5.2 от OpenAI) примерно на 144 пункта Elo,3 а своего предшественника (Claude Opus 4.5) — на 190 пунктов. Opus 4.6 также показывает себя лучше любой другой модели на BrowseComp, который измеряет способность модели находить труднодоступную информацию в интернете.

As we show in our extensive system card, Opus 4.6 also shows an overall safety profile as good as, or better than, any other frontier model in the industry, with low rates of misaligned behavior across safety evaluations.

Как мы показываем в нашей подробной системной карте, Opus 4.6 также демонстрирует общий профиль безопасности не хуже, а то и лучше, чем любая другая фронтирная модель в отрасли, с низкими показателями несогласованного поведения по всем оценкам безопасности.

In Claude Code, you can now assemble agent teams to work on tasks together. On the API, Claude can use compaction to summarize its own context and perform longer-running tasks without bumping up against limits. We’re also introducing adaptive thinking, where the model can pick up on contextual clues about how much to use its extended thinking, and new effort controls to give developers more control over intelligence, speed, and cost.

В Claude Code теперь можно собирать команды агентов для совместной работы над задачами. В API Claude может использовать компакцию, чтобы суммировать собственный контекст и выполнять более длительные задачи, не упираясь в лимиты. Мы также вводим адаптивное мышление, при котором модель улавливает контекстные подсказки о том, насколько активно использовать расширенное мышление, и новые элементы управления effort, дающие разработчикам больше контроля над интеллектом, скоростью и стоимостью.

We’ve made substantial upgrades to Claude in Excel, and we’re releasing Claude in PowerPoint in a research preview. This makes Claude much more capable for everyday work.

Мы внесли существенные улучшения в Claude in Excel и выпускаем Claude in PowerPoint в формате research preview. Это делает Claude гораздо более полезным для повседневной работы.

Claude Opus 4.6 is available today on claude.ai, our API, and all major cloud platforms. If you’re a developer, use claude-opus-4-6 via the Claude API. Pricing remains the same at $5/$25 per million tokens; for full details, see our pricing page.

Claude Opus 4.6 доступен уже сегодня на claude.ai, в нашем API и на всех крупных облачных платформах. Если вы разработчик, используйте claude-opus-4-6 через Claude API. Цена остаётся прежней — $5/$25 за миллион токенов; полные детали см. на нашей странице цен.

We cover the model, our new product updates, our evaluations, and our extensive safety testing in depth below.

Ниже мы подробно рассказываем о модели, наших новых продуктовых обновлениях, оценках и обширном тестировании безопасности.

First impressions

Первые впечатления

We build Claude with Claude. Our engineers write code with Claude Code every day, and every new model first gets tested on our own work. With Opus 4.6, we’ve found that the model brings more focus to the most challenging parts of a task without being told to, moves quickly through the more straightforward parts, handles ambiguous problems with better judgment, and stays productive over longer sessions.

Мы создаём Claude с помощью Claude. Наши инженеры каждый день пишут код в Claude Code, и каждая новая модель сначала проходит проверку на нашей собственной работе. С Opus 4.6 мы обнаружили, что модель уделяет больше внимания самым сложным частям задачи без отдельных указаний, быстро проходит более простые части, лучше справляется с неоднозначными проблемами благодаря более здравому суждению и сохраняет продуктивность в течение более длительных сессий.

Opus 4.6 often thinks more deeply and more carefully revisits its reasoning before settling on an answer. This produces better results on harder problems, but can add cost and latency on simpler ones. If you’re finding that the model is overthinking on a given task, we recommend dialing effort down from its default setting (high) to medium. You can control this easily with the /effort parameter.

Opus 4.6 нередко мыслит глубже и тщательнее пересматривает свои рассуждения, прежде чем остановиться на ответе. Это даёт лучшие результаты на более сложных задачах, но может увеличивать стоимость и задержку на более простых. Если вы замечаете, что модель «переусердствует» с обдумыванием конкретной задачи, мы рекомендуем снизить effort с уровня по умолчанию (high) до medium. Этим легко управлять с помощью параметра /effort.

Here are some of the things our Early Access partners told us about Claude Opus 4.6, including its propensity to work autonomously without hand-holding, its success where previous models failed, and its effect on how teams work:

Вот что рассказали нам о Claude Opus 4.6 наши партнёры по раннему доступу — в том числе о его склонности работать автономно, без постоянной опеки, о его успехах там, где предыдущие модели не справлялись, и о его влиянии на то, как работают команды:

Claude Opus 4.6 — самая мощная модель, которую выпускала Anthropic. Она принимает сложные запросы и действительно доводит их до конца, разбивая их на конкретные шаги, выполняя и выдавая отточенный результат, даже когда задача амбициозна. Для пользователей Notion это ощущается не как инструмент, а как способный соавтор.

Раннее тестирование показывает, что Claude Opus 4.6 справляется со сложной многошаговой работой по программированию, с которой разработчики сталкиваются каждый день, — особенно с агентными процессами, требующими планирования и вызова инструментов. Это начинает открывать возможности для долгосрочных задач на фронтире.

Claude Opus 4.6 — огромный скачок в агентном планировании. Он разбивает сложные задачи на независимые подзадачи, запускает инструменты и субагентов параллельно и с реальной точностью выявляет препятствия.

Claude Opus 4.6 — лучшая модель из всех, что мы тестировали. Его способности к рассуждению и планированию были исключительными в работе наших AI Teammates. Это также фантастическая модель для программирования — её умение ориентироваться в большой кодовой базе и находить нужные изменения соответствует уровню state of the art.

Claude Opus 4.6 рассуждает над сложными проблемами на уровне, которого мы раньше не видели. Он учитывает крайние случаи, которые упускают другие модели, и стабильно приходит к более элегантным, продуманным решениям. Особенно нас впечатлил Opus 4.6 в Devin Review, где он повысил показатели обнаружения багов.

Claude Opus 4.6 ощутимо лучше Opus 4.5 в Windsurf, особенно на задачах, требующих внимательного исследования, — таких как отладка и понимание незнакомых кодовых баз. Мы заметили, что Opus 4.6 думает дольше, и это окупается, когда нужны более глубокие рассуждения.

Claude Opus 4.6 представляет собой значимый скачок в работе с длинным контекстом. В наших тестах он обрабатывал гораздо большие объёмы информации с уровнем стабильности, который усиливает то, как мы проектируем и развёртываем сложные исследовательские процессы. Прогресс в этой области даёт нам более мощные строительные блоки для создания по-настоящему экспертных систем, которым профессионалы могут доверять.

В 40 расследованиях по кибербезопасности Claude Opus 4.6 выдал лучшие результаты в 38 случаях из 40 при слепом ранжировании против моделей Claude 4.5. Каждая модель выполнялась от начала до конца на одном и том же агентном харнессе с участием до 9 субагентов и более 100 вызовов инструментов.

Claude Opus 4.6 — новый фронтир в долгосрочных задачах по нашим внутренним бенчмаркам и тестированию. Он также крайне эффективен в ревью кода.

Claude Opus 4.6 набрал наивысший балл BigLaw Bench среди всех моделей Claude — 90,2%. С 40% идеальных результатов и 84% выше 0,8 он удивительно силён в юридических рассуждениях.

Claude Opus 4.6 за один день автономно закрыл 13 задач и назначил 12 задач нужным членам команды, управляя организацией примерно из 50 человек в 6 репозиториях. Он принимал как продуктовые, так и организационные решения, синтезируя контекст из нескольких областей, и знал, когда передать вопрос человеку.

Claude Opus 4.6 — это прирост в качестве дизайна. Он прекрасно работает с нашими дизайн-системами и при этом более автономен, что является основой ценностей Lovable. Люди должны создавать то, что имеет значение, а не заниматься микроменеджментом ИИ.

Claude Opus 4.6 превосходен в задачах с высокой нагрузкой на рассуждение — таких как анализ из нескольких источников по юридическому, финансовому и техническому контенту. Оценка Box показала прирост производительности на 10%, достигнув 68% против базовых 58%, и почти идеальные результаты в технических областях.

Claude Opus 4.6 создаёт сложные интерактивные приложения и прототипы в Figma Make с впечатляющим творческим размахом. Модель переводит детальные дизайны и многослойные задачи в код с первой попытки, становясь мощной отправной точкой для команд, чтобы исследовать и воплощать идеи.

Claude Opus 4.6 — лучшая модель Anthropic, которую мы тестировали. Он понимает намерение при минимальных подсказках и превзошёл ожидания, исследуя и создавая детали, о желании которых я и не подозревал, пока их не увидел. Было ощущение, что я работаю вместе с моделью, а не жду её.

И практическое тестирование, и оценки показывают, что Claude Opus 4.6 — значимое улучшение для дизайн-систем и больших кодовых баз, то есть сценариев, которые приносят огромную корпоративную ценность. Он также с одной попытки создал полностью работающий физический движок, справившись с большой задачей широкого охвата за один проход.

Claude Opus 4.6 — самый большой скачок, который я видел за месяцы. Мне комфортнее давать ему последовательность задач по всему стеку и отпускать в работу. Он достаточно умён, чтобы использовать субагентов для отдельных частей.

Claude Opus 4.6 справился с миграцией кодовой базы в несколько миллионов строк как старший инженер. Он спланировал всё заранее, адаптировал свою стратегию по мере обучения и закончил вдвое быстрее.

Мы выпускаем модели в v0 только тогда, когда разработчики действительно почувствуют разницу. Claude Opus 4.6 легко прошёл эту планку. Его рассуждения фронтирного уровня, особенно с крайними случаями, помогают v0 достигать нашей главной цели: дать каждому возможность поднять свои идеи от прототипа до продакшена.

Скачок производительности с Claude Opus 4.6 кажется почти невероятным. Реальные задачи, которые были сложными для Opus [4.5], вдруг стали лёгкими. Это ощущается как переломный момент для табличных агентов в Shortcut.

Evaluating Claude Opus 4.6

Оценка Claude Opus 4.6

Across agentic coding, computer use, tool use, search, and finance, Opus 4.6 is an industry-leading model, often by a wide margin. The table below shows how Claude Opus 4.6 compares to our previous models and to other industry models on a variety of benchmarks.

В агентном программировании, работе с компьютером, использовании инструментов, поиске и финансах Opus 4.6 — лидирующая в отрасли модель, нередко с большим отрывом. В таблице ниже показано, как Claude Opus 4.6 сравнивается с нашими предыдущими моделями и другими моделями отрасли на различных бенчмарках.

Opus 4.6 is much better at retrieving relevant information from large sets of documents. This extends to long-context tasks, where it holds and tracks information over hundreds of thousands of tokens with less drift, and picks up buried details that even Opus 4.5 would miss.

Opus 4.6 гораздо лучше извлекает релевантную информацию из больших наборов документов. Это распространяется и на задачи с длинным контекстом, где он удерживает и отслеживает информацию на протяжении сотен тысяч токенов с меньшим «расплыванием» и улавливает скрытые детали, которые упустил бы даже Opus 4.5.

A common complaint about AI models is “context rot,” where performance degrades as conversations exceed a certain number of tokens. Opus 4.6 performs markedly better than its predecessors: on the 8-needle 1M variant of MRCR v2—a needle-in-a-haystack benchmark that tests a model’s ability to retrieve information “hidden” in vast amounts of text—Opus 4.6 scores 76%, whereas Sonnet 4.5 scores just 18.5%. This is a qualitative shift in how much context a model can actually use while maintaining peak performance.

Распространённая претензия к моделям ИИ — «context rot», когда производительность деградирует по мере того, как разговор превышает определённое число токенов. Opus 4.6 показывает себя заметно лучше предшественников: на варианте 8-needle 1M бенчмарка MRCR v2 — тесте типа «иголка в стоге сена», проверяющем способность модели извлекать информацию, «спрятанную» в огромных объёмах текста, — Opus 4.6 набирает 76%, тогда как Sonnet 4.5 — всего 18,5%. Это качественный сдвиг в том, сколько контекста модель действительно может использовать, сохраняя пиковую производительность.

All in all, Opus 4.6 is better at finding information across long contexts, better at reasoning after absorbing that information, and has substantially better expert-level reasoning abilities in general.

В целом, Opus 4.6 лучше находит информацию в длинных контекстах, лучше рассуждает после усвоения этой информации и в целом обладает существенно более сильными способностями к рассуждению экспертного уровня.

Finally, the charts below show how Claude Opus 4.6 performs on a variety of benchmarks that assess its software engineering skills, multilingual coding ability, long-term coherence, cybersecurity capabilities, and its life sciences knowledge.

Наконец, графики ниже показывают, как Claude Opus 4.6 проявляет себя на различных бенчмарках, оценивающих его навыки в разработке ПО, способности к многоязычному программированию, долгосрочную связность, возможности в кибербезопасности и знания в области наук о жизни.

A step forward on safety

Шаг вперёд в безопасности

These intelligence gains do not come at the cost of safety. On our automated behavioral audit, Opus 4.6 showed a low rate of misaligned behaviors such as deception, sycophancy, encouragement of user delusions, and cooperation with misuse. Overall, it is just as well-aligned as its predecessor, Claude Opus 4.5, which was our most-aligned frontier model to date. Opus 4.6 also shows the lowest rate of over-refusals—where the model fails to answer benign queries—of any recent Claude model.

Эти приросты интеллекта не идут в ущерб безопасности. В нашем автоматизированном поведенческом аудите Opus 4.6 показал низкий уровень несогласованного поведения — такого как обман, подхалимаж, поощрение заблуждений пользователя и содействие злоупотреблениям. В целом он так же хорошо согласован, как и его предшественник Claude Opus 4.5, который был нашей наиболее согласованной фронтирной моделью на тот момент. Opus 4.6 также показывает самый низкий уровень избыточных отказов — когда модель не отвечает на безобидные запросы — среди всех недавних моделей Claude.

For Claude Opus 4.6, we ran the most comprehensive set of safety evaluations of any model, applying many different tests for the first time and upgrading several that we’ve used before. We included new evaluations for user wellbeing, more complex tests of the model’s ability to refuse potentially dangerous requests, and updated evaluations of the model’s ability to surreptitiously perform harmful actions. We also experimented with new methods from interpretability, the science of the inner workings of AI models, to begin to understand why the model behaves in certain ways—and, ultimately, to catch problems that standard testing might miss.

Для Claude Opus 4.6 мы провели самый полный набор оценок безопасности из всех наших моделей, впервые применив множество разных тестов и обновив несколько уже использовавшихся ранее. Мы включили новые оценки благополучия пользователей, более сложные тесты способности модели отказывать в потенциально опасных запросах и обновлённые оценки способности модели скрытно совершать вредоносные действия. Мы также экспериментировали с новыми методами из интерпретируемости — науки о внутреннем устройстве моделей ИИ, — чтобы начать понимать, почему модель ведёт себя определённым образом, и, в конечном счёте, ловить проблемы, которые стандартное тестирование могло бы упустить.

A detailed description of all capability and safety evaluations is available in the Claude Opus 4.6 system card.

Подробное описание всех оценок возможностей и безопасности доступно в системной карте Claude Opus 4.6.

We’ve also applied new safeguards in areas where Opus 4.6 shows particular strengths that might be put to dangerous as well as beneficial uses. In particular, since the model shows enhanced cybersecurity abilities, we’ve developed six new cybersecurity probes—methods of detecting harmful responses—to help us track different forms of potential misuse.

Мы также применили новые средства защиты в областях, где Opus 4.6 проявляет особые сильные стороны, которые могут быть использованы как в опасных, так и в полезных целях. В частности, поскольку модель демонстрирует усиленные способности в кибербезопасности, мы разработали шесть новых проб по кибербезопасности — методов обнаружения вредоносных ответов, — чтобы помочь нам отслеживать разные формы потенциальных злоупотреблений.

We’re also accelerating the cyberdefensive uses of the model, using it to help find and patch vulnerabilities in open-source software (as we describe in our new cybersecurity blog post). We think it’s critical that cyberdefenders use AI models like Claude to help level the playing field. Cybersecurity moves fast, and we’ll be adjusting and updating our safeguards as we learn more about potential threats; in the near future, we may institute real-time intervention to block abuse.

Мы также ускоряем киберзащитные применения модели, используя её для поиска и устранения уязвимостей в open-source ПО (как мы описываем в нашем новом блог-посте по кибербезопасности). Мы считаем критически важным, чтобы кибербоезащитники использовали модели ИИ вроде Claude, чтобы выровнять условия игры. Кибербезопасность развивается быстро, и мы будем корректировать и обновлять наши средства защиты по мере того, как узнаём больше о потенциальных угрозах; в ближайшем будущем мы можем ввести вмешательство в реальном времени для блокировки злоупотреблений.

Product and API updates

Обновления продукта и API

We’ve made substantial updates across Claude, Claude Code, and the Claude Platform to let Opus 4.6 perform at its best.

Мы внесли существенные обновления во всём Claude, Claude Code и Claude Platform, чтобы Opus 4.6 мог показать себя наилучшим образом.

Claude Platform

Claude Platform

On the API, we’re giving developers better control over model effort and more flexibility for long-running agents. To do so, we’re introducing the following features:

В API мы даём разработчикам больше контроля над усилиями модели и больше гибкости для долго работающих агентов. Для этого мы вводим следующие возможности:

Адаптивное мышление. Раньше у разработчиков был лишь бинарный выбор — включить или отключить расширенное мышление. Теперь, с адаптивным мышлением, Claude может сам решать, когда более глубокое рассуждение будет полезным. На уровне effort по умолчанию (high) модель использует расширенное мышление, когда это полезно, но разработчики могут менять уровень effort, чтобы сделать её более или менее избирательной.Effort. Теперь доступны четыре уровня effort: low, medium, high (по умолчанию) и max. Мы рекомендуем разработчикам экспериментировать с разными вариантами, чтобы найти оптимальный.Компакция контекста (бета). Долго работающие разговоры и агентные задачи часто упираются в контекстное окно. Компакция контекста автоматически суммирует и заменяет более старый контекст, когда разговор приближается к настраиваемому порогу, позволяя Claude выполнять более длительные задачи, не упираясь в лимиты.Контекст в 1M токенов (бета). Opus 4.6 — наша первая модель класса Opus с контекстом в 1M токенов. Для промптов, превышающих 200k токенов, действует премиальная цена ($10/$37,50 за миллион входных/выходных токенов), доступная только на Claude Platform.128k выходных токенов. Opus 4.6 поддерживает выход до 128k токенов, что позволяет Claude выполнять задачи с большим объёмом вывода, не разбивая их на несколько запросов.Инференс только в США. Для нагрузок, которые должны выполняться в США, доступен инференс только в США по цене токенов с коэффициентом 1,1×.

Product updates

Обновления продукта

Across Claude and Claude Code, we’ve added features that allow knowledge workers and developers to tackle harder tasks with more of the tools they use every day.

Во всём Claude и Claude Code мы добавили возможности, позволяющие специалистам умственного труда и разработчикам решать более сложные задачи, используя больше привычных им инструментов.

We’ve introduced agent teams in Claude Code as a research preview. You can now spin up multiple agents that work in parallel as a team and coordinate autonomously—best for tasks that split into independent, read-heavy work like codebase reviews. You can take over any subagent directly using Shift+Up/Down or tmux.

Мы представили команды агентов в Claude Code в формате research preview. Теперь вы можете запускать несколько агентов, которые работают параллельно как команда и координируются автономно, — это лучше всего подходит для задач, разбивающихся на независимую работу с большим объёмом чтения, такую как ревью кодовых баз. Вы можете напрямую взять управление любым субагентом с помощью Shift+Up/Down или tmux.

Claude now also works better with the office tools you already use. Claude in Excel handles long-running and harder tasks with improved performance, and can plan before acting, ingest unstructured data and infer the right structure without guidance, and handle multi-step changes in one pass. Pair that with Claude in PowerPoint, and you can first process and structure your data in Excel, then bring it to life visually in PowerPoint. Claude reads your layouts, fonts, and slide masters to stay on brand, whether you’re building from a template or generating a full deck from a description. Claude in PowerPoint is now available in research preview for Max, Team, and Enterprise plans.

Claude теперь также лучше работает с офисными инструментами, которые вы уже используете. Claude in Excel справляется с долго работающими и более сложными задачами с улучшенной производительностью, может планировать перед действием, принимать неструктурированные данные и выводить нужную структуру без указаний, а также выполнять многошаговые изменения за один проход. Соедините это с Claude in PowerPoint — и вы сможете сначала обработать и структурировать данные в Excel, а затем визуально оживить их в PowerPoint. Claude читает ваши макеты, шрифты и образцы слайдов, чтобы оставаться в рамках бренда, независимо от того, строите ли вы из шаблона или генерируете целую презентацию из описания. Claude in PowerPoint теперь доступен в формате research preview для планов Max, Team и Enterprise.

Footnotes

Сноски

[1] The 1M token context window is currently available in beta on the Claude Developer Platform only.

[1] Контекстное окно в 1M токенов сейчас доступно в бете только на Claude Developer Platform.

[2] Run independently by Artificial Analysis. See here for full methodological details.

[2] Проведено независимо силами Artificial Analysis. См. здесь полные методологические детали.

[3] This translates into Claude Opus 4.6 obtaining a higher score than GPT-5.2 on this eval approximately 70% of the time (where 50% of the time would have implied parity in the scores).

[3] Это означает, что Claude Opus 4.6 набирает более высокий балл, чем GPT-5.2, на этой оценке примерно в 70% случаев (тогда как 50% случаев означали бы паритет в баллах).

Для моделей GPT-5.2 и Gemini 3 Pro мы сравнивали лучшую заявленную версию модели в графиках и таблице.Terminal-Bench 2.0: Мы приводим как баллы, воспроизведённые на нашей инфраструктуре, так и опубликованные баллы других лабораторий. Все прогоны использовали харнесс Terminus-2, за исключением Codex CLI от OpenAI. Во всех экспериментах применялось распределение ресурсов 1× гарантированно / 3× потолок и 5–15 сэмплов на задачу в разнесённых батчах. Подробности см. в системной карте.Humanity's Last Exam: Модели Claude, прогнанные «с инструментами», запускались с веб-поиском, веб-фетчем, исполнением кода, программным вызовом инструментов, компакцией контекста с триггером на 50k токенов вплоть до 3M суммарных токенов, максимальным усилием рассуждения и включённым адаптивным мышлением. Для деконтаминации результатов оценки использовался блок-лист доменов. Подробнее см. в системной карте.SWE-bench Verified: Наш балл усреднён по 25 прогонам. С модификацией промпта мы видели балл 81,42%.MCP Atlas: Claude Opus 4.6 запускался с max effort. При запуске на high effort он достиг лидирующего в отрасли балла 62,7%.BrowseComp: Модели Claude запускались с веб-поиском, веб-фетчем, программным вызовом инструментов, компакцией контекста с триггером на 50k токенов вплоть до 10M суммарных токенов, максимальным усилием рассуждения и отключённым мышлением. Добавление мультиагентного харнесса повысило баллы до 86,8%. Подробнее см. в системной карте.ARC AGI 2: Claude Opus 4.6 запускался с max effort и бюджетом мышления 120k.CyberGym: Модели Claude запускались без мышления, с effort по умолчанию, температурой и top_p. Модели также давался инструмент «think», позволявший чередующееся мышление в многоходовых оценках.OpenRCA: Для каждого случая сбоя в OpenRCA Claude получает 1 балл, если все сгенерированные элементы корневой причины совпадают с эталонными, и 0 баллов, если выявлено любое несоответствие. Общая точность — это средний балл по всем случаям сбоев. Бенчмарк прогонялся на харнессе автора бенчмарка, оценивался по их официальной методологии и был подан на официальную верификацию.

[Feb 23, 2026] Updated reported score for Opus 4.6 for HLE with tools (53.1% to 53.0%). The update was caused by running an improved cheating detection pipeline which flagged 3 additional instances of cheating that our original pipeline had missed.

[23 фев. 2026] Обновлён заявленный балл Opus 4.6 для HLE с инструментами (с 53,1% до 53,0%). Обновление вызвано запуском улучшенного конвейера обнаружения списывания, который выявил 3 дополнительных случая списывания, пропущенных нашим исходным конвейером.

Related content

Связанные материалы

PwC is deploying Claude to build technology, execute deals, and reinvent enterprise functions for clients

PwC внедряет Claude для создания технологий, проведения сделок и переосмысления корпоративных функций для клиентов

PwC will roll out Claude Code and Cowork starting with U.S. teams and expanding toward a global workforce of hundreds of thousands of professionals, establish a joint Center of Excellence, and train and certify 30,000 PwC professionals on Claude.

PwC развернёт Claude Code и Cowork, начав с команд в США и расширяясь в сторону глобального штата из сотен тысяч специалистов, создаст совместный Центр передового опыта (Center of Excellence) и обучит и сертифицирует 30 000 специалистов PwC по работе с Claude.

Anthropic forms $200 million partnership with the Gates Foundation

Anthropic заключает партнёрство на $200 миллионов с Gates Foundation

Introducing Claude for Small Business

Представляем Claude for Small Business

We're launching Claude for Small Business, a package of connectors and ready-to-run workflows that put Claude inside the tools small businesses use every day.

Мы запускаем Claude for Small Business — пакет коннекторов и готовых к запуску рабочих процессов, которые встраивают Claude в инструменты, которые малый бизнес использует каждый день.