rss_feedAnthropic News ·11.03.2026 open_in_newОригинал

Introducing Sonnet 4.6

#Ai Coding Agents #Computer Use #Frontier Models

auto_awesomeКраткое саммари

Anthropic представила Claude Sonnet 4.6 — самую способную модель линейки Sonnet, с улучшениями в программировании, использовании компьютера, рассуждениях на длинном контексте, планировании агентов и работе с дизайном. Модель получила контекстное окно на 1M токенов в бете, при этом цены остались как у Sonnet 4.5 — от $3/$15 за миллион токенов. Разработчики с ранним доступом предпочитают Sonnet 4.6 предшественнику с большим отрывом, а в Claude Code пользователи выбирали её вместо Sonnet 4.5 примерно в 70% случаев и даже вместо флагманской Opus 4.5 (ноябрь 2025) в 59% случаев. Sonnet 4.6 показала заметный рост в использовании компьютера (на бенчмарке OSWorld и, например, 94% на страховом бенчмарке у одного из клиентов), а также значительно усиленную устойчивость к prompt injection, сопоставимую с Opus 4.6. Модель уже доступна на всех планах Claude, в Cowork, Claude Code, API и основных облачных платформах, а бесплатный тариф по умолчанию переведён на неё с поддержкой создания файлов, коннекторов, навыков и компакции.

translate EN + RU EN RU

Introducing Claude Sonnet 4.6

Представляем Claude Sonnet 4.6

Claude Sonnet 4.6 is our most capable Sonnet model yet. It’s a full upgrade of the model’s skills across coding, computer use, long-context reasoning, agent planning, knowledge work, and design. Sonnet 4.6 also features a 1M token context window in beta.

Claude Sonnet 4.6 — наша самая способная модель Sonnet на сегодня. Это полноценное усиление навыков модели в программировании, использовании компьютера, рассуждениях на длинном контексте, планировании агентов, интеллектуальной работе и дизайне. Sonnet 4.6 также получила контекстное окно на 1M токенов в бете.

For those on our Free and Pro plans, Claude Sonnet 4.6 is now the default model in claude.ai and Claude Cowork. Pricing remains the same as Sonnet 4.5, starting at $3/$15 per million tokens.

Для пользователей наших тарифов Free и Pro Claude Sonnet 4.6 теперь является моделью по умолчанию в claude.ai и Claude Cowork. Цены остаются такими же, как у Sonnet 4.5 — от $3/$15 за миллион токенов.

Sonnet 4.6 brings much-improved coding skills to more of our users. Improvements in consistency, instruction following, and more have made developers with early access prefer Sonnet 4.6 to its predecessor by a wide margin. They often even prefer it to our smartest model from November 2025, Claude Opus 4.5.

Sonnet 4.6 приносит значительно улучшенные навыки программирования большему числу наших пользователей. Улучшения в согласованности, следовании инструкциям и многом другом привели к тому, что разработчики с ранним доступом предпочитают Sonnet 4.6 предшественнику с большим отрывом. Часто они даже предпочитают её нашей самой умной модели на ноябрь 2025 года — Claude Opus 4.5.

Performance that would have previously required reaching for an Opus-class model—including on real-world, economically valuable office tasks—is now available with Sonnet 4.6. The model also shows a major improvement in computer use skills compared to prior Sonnet models.

Производительность, которая раньше требовала бы обращения к модели класса Opus — в том числе на реальных, экономически ценных офисных задачах — теперь доступна в Sonnet 4.6. Модель также демонстрирует существенное улучшение в навыках использования компьютера по сравнению с прежними моделями Sonnet.

As with every new Claude model, we’ve run extensive safety evaluations of Sonnet 4.6, which overall showed it to be as safe as, or safer than, our other recent Claude models. Our safety researchers concluded that Sonnet 4.6 has “a broadly warm, honest, prosocial, and at times funny character, very strong safety behaviors, and no signs of major concerns around high-stakes forms of misalignment.”

Как и для каждой новой модели Claude, мы провели обширные оценки безопасности Sonnet 4.6, которые в целом показали, что она так же безопасна, как и другие наши недавние модели Claude, или безопаснее. Наши исследователи безопасности пришли к выводу, что у Sonnet 4.6 «в целом тёплый, честный, просоциальный и порой забавный характер, очень сильные модели поведения в области безопасности и отсутствие признаков серьёзных проблем с рассогласованием в ситуациях с высокими ставками».

Computer use

Использование компьютера

Almost every organization has software it can’t easily automate: specialized systems and tools built before modern interfaces like APIs existed. To have AI use such software, users would previously have had to build bespoke connectors. But a model that can use a computer the way a person does changes that equation.

Почти в каждой организации есть ПО, которое нелегко автоматизировать: специализированные системы и инструменты, созданные до появления современных интерфейсов вроде API. Чтобы ИИ мог работать с таким ПО, раньше пользователям приходилось бы создавать индивидуальные коннекторы. Но модель, которая умеет пользоваться компьютером так же, как человек, меняет это уравнение.

In October 2024, we were the first to introduce a general-purpose computer-using model. At the time, we wrote that it was “still experimental—at times cumbersome and error-prone,” but we expected rapid improvement. OSWorld, the standard benchmark for AI computer use, shows how far our models have come. It presents hundreds of tasks across real software (Chrome, LibreOffice, VS Code, and more) running on a simulated computer. There are no special APIs or purpose-built connectors; the model sees the computer and interacts with it in much the same way a person would: clicking a (virtual) mouse and typing on a (virtual) keyboard.

В октябре 2024 года мы первыми представили универсальную модель, использующую компьютер. Тогда мы написали, что она «всё ещё экспериментальна — порой громоздка и подвержена ошибкам», но мы ожидали быстрого прогресса. OSWorld, стандартный бенчмарк использования компьютера ИИ, показывает, как далеко продвинулись наши модели. Он предлагает сотни задач в реальном ПО (Chrome, LibreOffice, VS Code и других), запущенном на симулированном компьютере. Никаких специальных API или построенных под задачу коннекторов; модель видит компьютер и взаимодействует с ним почти так же, как это делал бы человек: щёлкая (виртуальной) мышью и печатая на (виртуальной) клавиатуре.

Across sixteen months, our Sonnet models have made steady gains on OSWorld. The improvements can also be seen beyond benchmarks: early Sonnet 4.6 users are seeing human-level capability in tasks like navigating a complex spreadsheet or filling out a multi-step web form, before pulling it all together across multiple browser tabs.

За шестнадцать месяцев наши модели Sonnet добились устойчивого прогресса на OSWorld. Эти улучшения видны и за пределами бенчмарков: первые пользователи Sonnet 4.6 наблюдают возможности на уровне человека в таких задачах, как навигация по сложной электронной таблице или заполнение многошаговой веб-формы, прежде чем собрать всё воедино в нескольких вкладках браузера.

The model certainly still lags behind the most skilled humans at using computers. But the rate of progress is remarkable nonetheless. It means that computer use is much more useful for a range of work tasks—and that substantially more capable models are within reach.

Модель, безусловно, всё ещё уступает самым искусным людям в использовании компьютера. Но темп прогресса тем не менее впечатляет. Это означает, что использование компьютера стало гораздо полезнее для целого ряда рабочих задач — и что существенно более способные модели уже не за горами.

Scores prior to Claude Sonnet 4.5 were measured on the original OSWorld; scores from Sonnet 4.5 onward use OSWorld-Verified. OSWorld-Verified (released July 2025) is an in-place upgrade of the original OSWorld benchmark, with updates to task quality, evaluation grading, and infrastructure.

At the same time, computer use poses risks: malicious actors can attempt to hijack the model by hiding instructions on websites in what’s known as a prompt injection attack. We’ve been working to improve our models’ resistance to prompt injections—our safety evaluations show that Sonnet 4.6 is a major improvement compared to its predecessor, Sonnet 4.5, and performs similarly to Opus 4.6. You can find out more about how to mitigate prompt injections and other safety concerns in our API docs.

В то же время использование компьютера несёт риски: злоумышленники могут попытаться захватить контроль над моделью, спрятав инструкции на сайтах — это известно как атака prompt injection. Мы работали над повышением устойчивости наших моделей к prompt injection — наши оценки безопасности показывают, что Sonnet 4.6 серьёзно превосходит предшественника, Sonnet 4.5, и работает схоже с Opus 4.6. Подробнее о том, как смягчать prompt injection и другие проблемы безопасности, можно узнать в нашей документации по API.

Evaluating Claude Sonnet 4.6

Оценка Claude Sonnet 4.6

Beyond computer use, Claude Sonnet 4.6 has improved on benchmarks across the board. It approaches Opus-level intelligence at a price point that makes it more practical for far more tasks. You can find a full discussion of Sonnet 4.6’s capabilities and its safety-related behaviors in our system card; a summary and comparison to other recent models is below.

Помимо использования компьютера, Claude Sonnet 4.6 улучшилась на бенчмарках по всем направлениям. Она приближается к интеллекту уровня Opus при цене, которая делает её практичнее для гораздо большего числа задач. Полное обсуждение возможностей Sonnet 4.6 и её поведения в области безопасности можно найти в нашей системной карте; сводка и сравнение с другими недавними моделями приведены ниже.

In Claude Code, our early testing found that users preferred Sonnet 4.6 over Sonnet 4.5 roughly 70% of the time. Users reported that it more effectively read the context before modifying code and consolidated shared logic rather than duplicating it. This made it less frustrating to use over long sessions than earlier models.

В Claude Code наше раннее тестирование показало, что пользователи предпочитали Sonnet 4.6 модели Sonnet 4.5 примерно в 70% случаев. Пользователи сообщали, что она эффективнее читала контекст перед изменением кода и консолидировала общую логику, а не дублировала её. Это сделало её менее раздражающей в использовании на протяжении длинных сессий по сравнению с прежними моделями.

Users even preferred Sonnet 4.6 to Opus 4.5, our frontier model from November, 59% of the time. They rated Sonnet 4.6 as significantly less prone to overengineering and “laziness,” and meaningfully better at instruction following. They reported fewer false claims of success, fewer hallucinations, and more consistent follow-through on multi-step tasks.

Пользователи даже предпочитали Sonnet 4.6 модели Opus 4.5, нашей флагманской модели ноября, в 59% случаев. Они оценили Sonnet 4.6 как существенно менее склонную к избыточной инженерии и «лени» и заметно лучше следующую инструкциям. Они сообщали о меньшем числе ложных заявлений об успехе, меньшем числе галлюцинаций и более последовательном доведении до конца многошаговых задач.

Sonnet 4.6’s 1M token context window is enough to hold entire codebases, lengthy contracts, or dozens of research papers in a single request. More importantly, Sonnet 4.6 reasons effectively across all that context. This can make it much better at long-horizon planning. We saw this particularly clearly in the Vending-Bench Arena evaluation, which tests how well a model can run a (simulated) business over time—and which includes an element of competition, with different AI models facing off against each other to make the biggest profits.

Контекстного окна Sonnet 4.6 на 1M токенов достаточно, чтобы вместить целые кодовые базы, объёмные контракты или десятки научных статей в одном запросе. Что ещё важнее, Sonnet 4.6 эффективно рассуждает по всему этому контексту. Это может делать её значительно лучше в долгосрочном планировании. Особенно отчётливо мы увидели это в оценке Vending-Bench Arena, которая проверяет, насколько хорошо модель может вести (симулированный) бизнес во времени — и которая включает элемент соревнования, где разные ИИ-модели соперничают друг с другом за максимальную прибыль.

Sonnet 4.6 developed an interesting new strategy: it invested heavily in capacity for the first ten simulated months, spending significantly more than its competitors, and then pivoted sharply to focus on profitability in the final stretch. The timing of this pivot helped it finish well ahead of the competition.

Sonnet 4.6 выработала интересную новую стратегию: первые десять симулированных месяцев она активно инвестировала в мощности, тратя значительно больше своих конкурентов, а затем резко переключилась на фокус на прибыльности на финишном отрезке. Тайминг этого разворота помог ей финишировать с большим отрывом от соперников.

Sonnet 4.6 outperforms Sonnet 4.5 on Vending-Bench Arena by investing in capacity early, then pivoting to profitability in the final stretch.

Early customers also reported broad improvements, with frontend code and financial analysis standing out. Customers independently described visual outputs from Sonnet 4.6 as notably more polished, with better layouts, animations, and design sensibility than those from previous models. Customers also needed fewer rounds of iteration to reach production-quality results.

Первые клиенты также сообщали о широких улучшениях, среди которых выделялись фронтенд-код и финансовый анализ. Клиенты независимо друг от друга описывали визуальные результаты Sonnet 4.6 как заметно более отполированные, с лучшими макетами, анимациями и чувством дизайна, чем у предыдущих моделей. Клиентам также требовалось меньше циклов итераций, чтобы достичь результатов продакшен-качества.

Claude Sonnet 4.6 matches Opus 4.6 performance on OfficeQA, which measures how well a model can read enterprise documents (charts, PDFs, tables), pull the right facts, and reason from those facts. It’s a meaningful upgrade for document comprehension workloads.

Claude Sonnet 4.6 соответствует производительности Opus 4.6 на OfficeQA, который измеряет, насколько хорошо модель может читать корпоративные документы (графики, PDF, таблицы), извлекать нужные факты и рассуждать на их основе. Это значимое усовершенствование для рабочих нагрузок по пониманию документов.

The performance-to-cost ratio of Claude Sonnet 4.6 is extraordinary—it’s hard to overstate how fast Claude models have been evolving in recent months. Sonnet 4.6 outperforms on our orchestration evals, handles our most complex agentic workloads, and keeps improving the higher you push the effort settings.

Соотношение производительности и стоимости у Claude Sonnet 4.6 поразительное — трудно переоценить, насколько быстро модели Claude развивались в последние месяцы. Sonnet 4.6 показывает превосходные результаты на наших оценках оркестрации, справляется с самыми сложными агентными нагрузками и продолжает улучшаться по мере повышения настроек усилия (effort).

Claude Sonnet 4.6 is a notable improvement over Sonnet 4.5 across the board, including long-horizon tasks and more difficult problems.

Claude Sonnet 4.6 — заметное улучшение по сравнению с Sonnet 4.5 по всем направлениям, включая долгосрочные задачи и более трудные проблемы.

Out of the gate, Claude Sonnet 4.6 is already excelling at complex code fixes, especially when searching across large codebases is essential. For teams running agentic coding at scale, we’re seeing strong resolution rates and the kind of consistency developers need.

С самого старта Claude Sonnet 4.6 уже превосходно справляется со сложными исправлениями кода, особенно когда критически важен поиск по большим кодовым базам. Для команд, запускающих агентное программирование в масштабе, мы видим высокие показатели решения задач и ту последовательность, которая нужна разработчикам.

Claude Sonnet 4.6 has meaningfully closed the gap with Opus on bug detection, letting us run more reviewers in parallel, catch a wider variety of bugs, and do it all without increasing cost.

Claude Sonnet 4.6 ощутимо сократила отставание от Opus в обнаружении багов, позволяя нам запускать больше ревьюеров параллельно, ловить более широкий спектр багов и делать всё это без увеличения затрат.

For the first time, Sonnet brings frontier-level reasoning in a smaller and more cost-effective form factor. It provides a viable alternative if you are a heavy Opus user.

Впервые Sonnet приносит рассуждения фронтирного уровня в меньшем и более экономичном формате. Это жизнеспособная альтернатива, если вы активно используете Opus.

Claude Sonnet 4.6 meaningfully improves the answer retrieval behind our core product—we saw a significant jump in answer match rate compared to Sonnet 4.5 in our Financial Services Benchmark, with better recall on the specific workflows our customers depend on.

Claude Sonnet 4.6 ощутимо улучшает извлечение ответов, лежащее в основе нашего ключевого продукта — мы увидели значительный скачок в доле совпадений ответов по сравнению с Sonnet 4.5 в нашем Financial Services Benchmark, с лучшей полнотой (recall) на конкретных рабочих сценариях, от которых зависят наши клиенты.

Box evaluated how Claude Sonnet 4.6 performs when tested on deep reasoning and complex agentic tasks across real enterprise documents. It demonstrated significant improvements, outperforming Claude Sonnet 4.5 in heavy reasoning Q&A by 15 percentage points.

Box оценила, как Claude Sonnet 4.6 работает при тестировании на глубоких рассуждениях и сложных агентных задачах по реальным корпоративным документам. Она продемонстрировала значительные улучшения, превзойдя Claude Sonnet 4.5 в требующих интенсивных рассуждений Q&A на 15 процентных пунктов.

Claude Sonnet 4.6 hit 94% on our insurance benchmark, making it the highest-performing model we’ve tested for computer use. This kind of accuracy is mission-critical to workflows like submission intake and first notice of loss.

Claude Sonnet 4.6 достигла 94% на нашем страховом бенчмарке, став самой высокопроизводительной моделью из протестированных нами для использования компьютера. Такая точность критически важна для рабочих сценариев вроде приёма заявок (submission intake) и первичного уведомления об убытке (first notice of loss).

Claude Sonnet 4.6 delivers frontier-level results on complex app builds and bug-fixing. It’s becoming our go-to for the kind of deep codebase work that used to require more expensive models.

Claude Sonnet 4.6 выдаёт результаты фронтирного уровня на сложных сборках приложений и исправлении багов. Она становится нашим основным выбором для той глубокой работы с кодовыми базами, которая раньше требовала более дорогих моделей.

Claude Sonnet 4.6 produced the best iOS code we’ve tested for Rakuten AI. Better spec compliance, better architecture, and it reached for modern tooling we didn’t ask for, all in one shot. The results genuinely surprised us.

Claude Sonnet 4.6 произвела лучший iOS-код из протестированного нами для Rakuten AI. Лучшее соответствие спецификации, лучшая архитектура, и она потянулась к современному инструментарию, о котором мы не просили — всё за один проход. Результаты по-настоящему нас удивили.

Sonnet 4.6 is a significant leap forward on reasoning through difficult tasks. We find it especially strong on branched and multi-step tasks like contract routing, conditional template selection, and CRM coordination—exactly where our customers need strong model sense and reliability.

Sonnet 4.6 — значительный скачок вперёд в рассуждениях над трудными задачами. Мы находим её особенно сильной на разветвлённых и многошаговых задачах вроде маршрутизации контрактов, условного выбора шаблонов и координации CRM — ровно там, где нашим клиентам нужны сильное «чутьё» модели и надёжность.

We’ve been impressed by how accurately Claude Sonnet 4.6 handles complex computer use. It’s a clear improvement over anything else we’ve tested in our evals.

Нас впечатлило, насколько точно Claude Sonnet 4.6 справляется со сложным использованием компьютера. Это явное улучшение по сравнению со всем остальным, что мы тестировали в наших оценках.

Claude Sonnet 4.6 has perfect design taste when building frontend pages and data reports, and it requires far less hand-holding to get there than anything we’ve tested before.

У Claude Sonnet 4.6 безупречный вкус в дизайне при создании фронтенд-страниц и отчётов с данными, и для этого ей требуется куда меньше «ручного ведения», чем всему, что мы тестировали прежде.

Claude Sonnet 4.6 was exceptionally responsive to direction — delivering precise figures and structured comparisons when asked, while also generating genuinely useful ideas on trial strategy and exhibit preparation.

Claude Sonnet 4.6 исключительно отзывчиво реагировала на указания — выдавала точные цифры и структурированные сравнения по запросу, а также генерировала по-настоящему полезные идеи по стратегии судебного процесса и подготовке вещественных доказательств.

Product updates

Обновления продукта

On the Claude Platform, Sonnet 4.6 supports both adaptive thinking and extended thinking, as well as context compaction in beta, which automatically summarizes older context as conversations approach limits, increasing effective context length.

На платформе Claude Sonnet 4.6 поддерживает как адаптивное мышление, так и расширенное мышление, а также компакцию контекста в бете, которая автоматически суммирует более старый контекст по мере приближения разговоров к лимитам, увеличивая эффективную длину контекста.

On our API, Claude’s web search and fetch tools now automatically write and execute code to filter and process search results, keeping only relevant content in context—improving both response quality and token efficiency. Additionally, code execution, memory, programmatic tool calling, tool search, and tool use examples are now generally available.

В нашем API инструменты веб-поиска и загрузки (fetch) Claude теперь автоматически пишут и исполняют код, чтобы фильтровать и обрабатывать результаты поиска, оставляя в контексте только релевантное содержимое — улучшая и качество ответов, и эффективность по токенам. Кроме того, исполнение кода, память, программный вызов инструментов, поиск инструментов и примеры использования инструментов теперь общедоступны.

Sonnet 4.6 offers strong performance at any thinking effort, even with extended thinking off. As part of your migration from Sonnet 4.5, we recommend exploring across the spectrum to find the ideal balance of speed and reliable performance, depending on what you’re building.

Sonnet 4.6 обеспечивает высокую производительность при любом уровне усилия мышления (thinking effort), даже с выключенным расширенным мышлением. В рамках вашей миграции с Sonnet 4.5 мы рекомендуем исследовать весь спектр, чтобы найти идеальный баланс скорости и надёжной производительности — в зависимости от того, что вы создаёте.

We find that Opus 4.6 remains the strongest option for tasks that demand the deepest reasoning, such as codebase refactoring, coordinating multiple agents in a workflow, and problems where getting it just right is paramount.

Мы считаем, что Opus 4.6 остаётся самым сильным вариантом для задач, требующих самых глубоких рассуждений — таких как рефакторинг кодовой базы, координация нескольких агентов в рабочем процессе и проблемы, где сделать именно правильно имеет первостепенное значение.

For Claude in Excel users, our add-in now supports MCP connectors, letting Claude work with the other tools you use day-to-day, like S&P Global, LSEG, Daloopa, PitchBook, Moody’s, and FactSet. You can ask Claude to pull in context from outside your spreadsheet without ever leaving Excel. If you’ve already set up MCP connectors in Claude.ai, those same connections will work in Excel automatically. This is available on Pro, Max, Team, and Enterprise plans.

Для пользователей Claude в Excel наша надстройка теперь поддерживает коннекторы MCP, позволяя Claude работать с другими инструментами, которые вы используете ежедневно — такими как S&P Global, LSEG, Daloopa, PitchBook, Moody’s и FactSet. Вы можете попросить Claude подтянуть контекст из-за пределов вашей таблицы, ни разу не покидая Excel. Если вы уже настроили коннекторы MCP в Claude.ai, те же подключения автоматически заработают в Excel. Это доступно на тарифах Pro, Max, Team и Enterprise.

How to use Claude Sonnet 4.6

Как использовать Claude Sonnet 4.6

Claude Sonnet 4.6 is available now on all Claude plans, Claude Cowork, Claude Code, our API, and all major cloud platforms. We’ve also upgraded our free tier to Sonnet 4.6 by default—it now includes file creation, connectors, skills, and compaction.

Claude Sonnet 4.6 доступна уже сейчас на всех тарифах Claude, в Claude Cowork, Claude Code, нашем API и на всех основных облачных платформах. Мы также обновили наш бесплатный тариф до Sonnet 4.6 по умолчанию — теперь он включает создание файлов, коннекторы, навыки (skills) и компакцию.

If you’re a developer, you can get started quickly by using claude-sonnet-4-6 via the Claude API.

Если вы разработчик, вы можете быстро начать, используя claude-sonnet-4-6 через Claude API.

Footnotes

Сноски

For GPT-5.2 and Gemini 3 Pro, we compared against the best reported model version available via API in the charts and table.

OSWorld: OSWorld tests a specific set of computer tasks in a controlled environment. It’s one of the best measures we have, but not a complete picture of real-world computer use. Real-world computer use is often messier and more ambiguous, and it carries higher stakes for errors. No benchmark fully captures that yet.

Terminal-Bench 2.0: We report both scores reproduced on our infrastructure and published scores from other labs. All runs used the Terminus-2 harness, except for OpenAI’s Codex CLI. All experiments used 1× guaranteed/3× ceiling resource allocation and 5–15 samples per task across staggered batches. The Sonnet 4.6 score reported is with thinking turned off.

SWE-bench Verified: Our score was averaged over 10 trials. With a prompt modification, we saw a score of 80.2%.

Humanity’s Last Exam: Claude models run “with tools” were run with web search, web fetch, code execution, programmatic tool calling, context compaction triggered at 50k tokens up to 3M total tokens, max reasoning effort, and adaptive thinking enabled. A domain blocklist was used to decontaminate eval results.

BrowseComp: Claude models were run with web search, web fetch, programmatic tool calling, context compaction triggered at 50k tokens up to 10M total tokens, max reasoning effort, and no thinking enabled.

ARC-AGI-2: Claude Sonnet 4.6 was run with max and high effort and a 120k thinking budget score. The score shown reflects max effort; with high effort, we achieve a score of 60.4%.

MMMU-Pro: We made two small updates to our MMMU-Pro implementation that have affected the score: 1) our previous implementation contained the prefix “Let’s think step-by-step,” which we have removed, and 2) we previously graded this multiple-choice eval by looking at on-policy token probabilities of the multiple-choice options; we now grade it using a separate model (Claude Sonnet 4).

Для GPT-5.2 и Gemini 3 Pro мы сравнивали с лучшей заявленной версией модели, доступной через API, на графиках и в таблице.OSWorld: OSWorld тестирует определённый набор компьютерных задач в контролируемой среде. Это одна из лучших имеющихся у нас мер, но не полная картина реального использования компьютера. Реальное использование компьютера часто более беспорядочно и неоднозначно, и оно несёт более высокие ставки при ошибках. Ни один бенчмарк пока не охватывает это полностью.Terminal-Bench 2.0: Мы приводим как результаты, воспроизведённые на нашей инфраструктуре, так и опубликованные результаты других лабораторий. Все прогоны использовали харнес Terminus-2, за исключением Codex CLI от OpenAI. Все эксперименты использовали выделение ресурсов 1× гарантированно / 3× максимум и 5–15 сэмплов на задачу в смещённых по времени батчах. Приведённый результат Sonnet 4.6 — с выключенным мышлением.SWE-bench Verified: Наш результат усреднён по 10 испытаниям. С модификацией промпта мы получили результат 80,2%.Humanity’s Last Exam: Модели Claude, запущенные «с инструментами», использовали веб-поиск, веб-загрузку, исполнение кода, программный вызов инструментов, компакцию контекста, срабатывающую при 50k токенов вплоть до 3M токенов в сумме, максимальное усилие рассуждений и включённое адаптивное мышление. Для деконтаминации результатов оценки использовался чёрный список доменов.BrowseComp: Модели Claude запускались с веб-поиском, веб-загрузкой, программным вызовом инструментов, компакцией контекста, срабатывающей при 50k токенов вплоть до 10M токенов в сумме, максимальным усилием рассуждений и без мышления.ARC-AGI-2: Claude Sonnet 4.6 запускалась с максимальным и высоким усилием и бюджетом мышления в 120k. Показанный результат отражает максимальное усилие; при высоком усилии мы достигаем результата 60,4%.MMMU-Pro: Мы внесли два небольших обновления в нашу реализацию MMMU-Pro, повлиявшие на результат: 1) наша прежняя реализация содержала префикс «Let’s think step-by-step», который мы убрали, и 2) раньше мы оценивали этот тест с множественным выбором, глядя на on-policy вероятности токенов вариантов выбора; теперь мы оцениваем его с помощью отдельной модели (Claude Sonnet 4).

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 будет развёртывать Claude Code и Cowork, начиная с команд в США и расширяясь к глобальному штату из сотен тысяч специалистов, создаст совместный Центр компетенций (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 работе рабочих процессов, которые встраивают Claude в инструменты, используемые малым бизнесом каждый день.