Claude Opus 4.7

Trong các bằng chứng của chúng tôi, chúng tôi đã thấy một bước nhảy hai chữ số về độ chính xác của các lệnh gọi công cụ và lập kế hoạch trong các tác nhân điều phối cốt lõi của chúng tôi. Khi người dùng tận dụng Hebbia để lập kế hoạch và thực hiện các trường hợp sử dụng như truy xuất, tạo trang trình bày hoặc tạo tài liệu, Claude Opus 4.7 cho thấy tiềm năng cải thiện việc ra quyết định của nhân viên chăm sóc khách hàng trong các quy trình công việc này.

Trên Rakuten-SWE-Bench, Claude Opus giải quyết nhiều tác vụ sản xuất hơn gấp 3 lần so với Opus 4.6, với mức tăng hai chữ số về Chất lượng mã và Chất lượng kiểm tra. Đây là một sự nâng cấp có ý nghĩa và rõ ràng cho công việc kỹ thuật mà đội ngũ của chúng tôi đang vận chuyển mỗi ngày.

Đối với khối lượng công việc đánh giá mã của CodeRabbit, Claude Opus 4.7 là mô hình sắc nét nhất mà chúng tôi đã thử nghiệm. Khả năng nhớ lại được cải thiện hơn 10%, hiển thị một số lỗi khó phát hiện nhất trong các PR phức tạp nhất của chúng tôi, trong khi độ chính xác vẫn ổn định mặc dù độ bao phủ tăng lên. Nó nhanh hơn một chút so với GPT-5.4 xhigh trên dây nịt của chúng tôi và chúng tôi đang xếp hàng cho công việc đánh giá nặng nhất của chúng tôi khi ra mắt.

Đối với Super Agent của Genspark, Claude Opus 4.7 đóng đinh ba yếu tố khác biệt sản xuất quan trọng nhất: khả năng chống vòng lặp, tính nhất quán và khôi phục lỗi dễ dàng. Kháng vòng lặp là quan trọng nhất. Một mô hình lặp vô thời hạn trên 1 trong 18 truy vấn đã làm lãng phí tính toán và chặn người dùng. Phương sai thấp hơn có nghĩa là ít bất ngờ hơn về sản phẩm. Và Opus 4.7 đạt được tỷ lệ chất lượng trên mỗi cuộc gọi cao nhất mà chúng tôi đã đo được.

Claude Opus 4.7 là một bước tiến có ý nghĩa đối với Warp. Opus 4.6 là một trong những mô hình tốt nhất hiện có cho các nhà phát triển và mô hình này được đo lường kỹ lưỡng hơn. Nó đã vượt qua các nhiệm vụ Terminal Bench mà các mô hình Claude trước đó đã thất bại và làm việc thông qua một lỗi đồng thời khó khăn Opus 4.6 không thể crack. Đối với chúng tôi, đó là tín hiệu.

[[tag_196]]

Claude Opus 4.7 là mô hình tốt nhất trên thế giới để xây dựng bảng điều khiển và giao diện giàu dữ liệu. Hương vị thiết kế thực sự đáng ngạc nhiên - nó đưa ra những lựa chọn mà tôi thực sự muốn đưa ra. Bây giờ nó là tài xế mặc định hàng ngày của tôi.

Claude Opus 4.7 là mô hình có khả năng nhất mà chúng tôi đã thử nghiệm tại Quantium. Được đánh giá dựa trên các mô hình AI hàng đầu thông qua giải pháp đo điểm chuẩn độc quyền của chúng tôi, lợi ích lớn nhất thể hiện ở nơi chúng quan trọng nhất: chiều sâu lý luận, khung vấn đề có cấu trúc và công việc kỹ thuật phức tạp. Sửa chữa ít hơn, lặp lại nhanh hơn và kết quả đầu ra mạnh mẽ hơn để giải quyết những vấn đề khó khăn nhất mà khách hàng của chúng tôi mang lại cho chúng tôi.

Claude Opus 4.7 cảm thấy như một bước tiến thực sự trong trí thông minh. Chất lượng mã được cải thiện đáng kể, nó cắt bỏ các chức năng bao bọc vô nghĩa và giàn giáo dự phòng từng được sử dụng để chồng chất và sửa mã riêng của nó khi nó hoạt động. Đó là bước nhảy sạch nhất mà chúng tôi từng thấy kể từ khi chuyển từ Sonnet 3.7 sang loạt Claude 4.

Đối với công việc sử dụng máy tính nằm ở trung tâm của thử nghiệm thâm nhập tự trị của XBOW, Claude Opus 4.7 mới là một bước thay đổi: 98,5% trên điểm chuẩn trực quan của chúng tôi so với 54,5% đối với Opus 4.6. Điểm đau Opus lớn nhất của chúng tôi đã biến mất một cách hiệu quả và điều đó mở ra việc sử dụng nó cho cả một lớp công việc mà trước đây chúng tôi không thể sử dụng nó.

Claude Opus 4.7 là một bản nâng cấp vững chắc không có hồi quy cho Vercel. Nó là hiện tượng trên các tác vụ mã hóa một lần, chính xác và đầy đủ hơn Opus 4.6, và đáng chú ý là trung thực hơn về các giới hạn của chính nó. Nó thậm chí còn thực hiện các bằng chứng về mã hệ thống trước khi bắt đầu công việc, đó là hành vi mới mà chúng ta chưa từng thấy từ các mô hình Claude trước đó.

[[tag_240]]

Claude Opus 4.7 rất mạnh và vượt trội hơn Opus 4.6 với mức tăng thành công nhiệm vụ từ 10% đến 15% cho Factory Droids, với ít lỗi công cụ hơn và theo dõi đáng tin cậy hơn trong các bước xác thực. Nó thực hiện công việc thay vì dừng lại giữa chừng, đó chính xác là những gì các nhóm kỹ thuật doanh nghiệp cần.

Claude Opus đã tự động xây dựng một công cụ chuyển văn bản thành giọng nói Rust hoàn chỉnh từ mô hình thần kinh cào, nhân SIMD, bản trình duyệt demo - sau đó cung cấp đầu ra của chính nó thông qua trình nhận dạng giọng nói để xác minh nó khớp với tham chiếu Python. Nhiều tháng kỹ thuật cao cấp, được thực hiện một cách tự chủ. Bước tiến từ Opus 4.6 là rõ ràng, và cơ sở mã là công khai.

Claude Opus 4.7 đã vượt qua ba nhiệm vụ TBench mà các mô hình Claude trước đó không thể thực hiện, và nó đang sửa chữa các mô hình tốt nhất trước đây của chúng tôi bị bỏ lỡ, bao gồm cả điều kiện cuộc đua. Nó thể hiện độ chính xác cao trong việc xác định các vấn đề thực tế và đưa ra những phát hiện quan trọng mà các mô hình khác đã từ bỏ hoặc không giải quyết được. Trong tiêu chuẩn đánh giá mã trong thế giới thực của Qodo, chúng tôi đã quan sát thấy độ chính xác hàng đầu.

[[tag_268]]

Trên OfficeQA Pro của Databricks, Claude Opus 4.7 cho thấy lý luận tài liệu mạnh mẽ hơn, với ít lỗi hơn 21% so với Opus 4.6 khi làm việc với thông tin nguồn. Theo lý luận đại diện của chúng tôi về điểm chuẩn dữ liệu, đây là mô hình Claude hoạt động tốt nhất để phân tích tài liệu doanh nghiệp.

Đối với Ramp, Claude Opus 4.7 nổi bật trong quy trình làm việc của nhóm tác nhân. Chúng ta đang thấy vai trò trung thực mạnh mẽ hơn, tuân theo hướng dẫn, phối hợp và lý luận phức tạp, đặc biệt là về các nhiệm vụ kỹ thuật bao gồm các công cụ, cơ sở mã và bối cảnh gỡ lỗi. So với Opus 4.6, nó cần ít hướng dẫn từng bước hơn nhiều, giúp chúng tôi mở rộng quy trình làm việc của nhân viên nội bộ mà nhóm kỹ thuật của chúng tôi điều hành.

Claude Opus 4.7 là tốt hơn đáng kể so với Opus 4.6 đối với công việc xây dựng ứng dụng chạy lâu hơn của Bolt, tốt hơn tới 10% trong những trường hợp tốt nhất mà không có sự hồi quy mà chúng tôi mong đợi từ các mô hình rất tác nhân. Nó đẩy mức trần về số lượng nội dung mà người dùng của chúng tôi có thể gửi trong một phiên duy nhất.