Claude Opus 4.8: бенчмарки, цены и постмортем 4.7
Коротко: Anthropic выпустил Claude Opus 4.8 28 мая 2026 — через рекордный 41 день после 4.7, и это догоняющий релиз, который в 4 раза реже молча пишет багованный код, бьёт GPT-5.5 на SWE-Bench Pro и первым в истории проходит Super-Agent на 100%.
Коротко
TL;DR: Opus 4.8 — догоняющий патч-релиз за рекордные 41 день: лучше кодинг и agentic-задачи, ×4 реже молчаливые баги, новая фича Dynamic Workflows. Standard-цена та же ($5/$25), Fast Mode в 3× дешевле. Прорывов в «чистом интеллекте» мало; бенчмарки — самооценка Anthropic, независимо не подтверждены.
Что нового в Opus 4.8 — короткий ответ
Opus 4.8 — это догоняющий патч-релиз: лучше кодинг и agentic-задачи, честнее в коде (×4 реже silent bugs), новая фича Dynamic Workflows (сотни параллельных субагентов) и в 3× дешевле Fast Mode. Цена standard та же — $5/$25. Прорывов в «чистом интеллекте» мало — это итеративный апдейт, который вышел за рекордный 41 день под давлением IPO и провала 4.7. Оговорка: «×4 реже» и бенчмарки — самооценка Anthropic, независимо не подтверждены (протокол не опубликован).
Источники: анонс Anthropic, TechCrunch.
Wow-статистика в одной таблице
Источники цифр: Anthropic, OfficeChai (бенчмарки), TechCrunch.
Почему Anthropic так спешил — 5 причин
Обычная каденция Opus — раз в 2.5 месяца. 4.8 вышел через 41 день. За 6 недель до релиза совпало пять событий:
- Опускали 4.7 жалобами. Пользователи писали «Claude Code стал тупее». 26 мая Anthropic выкатил постмортем с признанием трёх багов.
- Cursor Composer 2.5 (18 мая) — близко к Opus 4.7 на отдельных бенчах кодинга (SWE-Bench Multilingual 79.8 vs 80.5), но отстаёт на агрегатном Coding Agent Index (62 vs 66, 3-е место), а на сложных задачах разработчики всё равно берут Opus. Зато ~10× дешевле за токен (≈60× за задачу), построен на Kimi K2.5 (Artificial Analysis, критика A. Maio).
- OpenAI обновил Codex CLI — чтение репо перед правкой, AGENTS.md, защищаемые diff'ы. Стал предсказуемее Claude Code (разбор A. Maio).
- IPO в октябре 2026 при оценке $900 млрд (андеррайтеры Goldman Sachs, JPMorgan, Morgan Stanley). ARR ~$30-45 млрд — по gross-выручке обогнали OpenAI ($33 млрд), но OpenAI оспаривает: на net-базе ~$22 млрд, ниже OpenAI (CNBC, SaaStr (спор по учёту)).
- Google и DeepSeek уронили цены — Gemini 3.5 Flash, DeepSeek v4 Pro (−75%). Anthropic ответил снижением Fast Mode в 3× (обзор конкурентов).
Итог: 4.8 — догоняющий релиз под давлением пользователей, конкурентов и подготовки к IPO.
Постмортем 4.7 — три бага и метрики деградации
Anthropic 26 мая признал три наложившихся бага в Claude Code (март-апрель 2026):
- Даунгрейд reasoning (4 мар → откат 7 апр): дефолт «high → medium» ради скорости UI. Модель стала пропускать шаги планирования.
- Стирающийся кэш (26 мар → откат 10 апр): cleanup idle-сессий срабатывал на каждом сообщении. Boris Cherny: «юзер с 900K токенов после часа простоя ловит полный cache miss, проедая существенный процент лимитов».
- Лимит длины ответа (16 апр → откат 20 апр): «не больше 100 слов» — −3% качества на 4.6 и 4.7 (постмортем InfoQ).
| Метрика | Было | Стало | На пальцах |
|---|---|---|---|
| Глубина reasoning | baseline | −67% | Думала в 3 раза меньше до ответа |
| Read/edit ratio | 6.6 | 2.0 | Читала файл 6-7 раз перед правкой — стала 2 |
| Edits без read | 6.2% | 33.7% | Треть правок вслепую |
| User interrupts / 1000 | 0.9 | 5.9 | В 6 раз чаще юзер бьёт Stop |
Ирония: баг с кэшем нашёл сам Opus 4.7 через Code Review tool — старые модели не справились.
Источники: постмортем (InfoQ), метрики деградации (A. Maio).
Бенчмарки — что измеряет каждый
| Бенчмарк | Что меряет | Opus 4.8 | Opus 4.7 | GPT-5.5 |
|---|---|---|---|---|
| SWE-Bench Pro | чинит реальные баги из open-source | 69.2% | 64.3% | 58.6% |
| OSWorld-Verified | пользуется компьютером (мышь/клава) | 83.4% | 82.8% | 78.7% |
| Terminal-Bench 2.1 | работа в командной строке | 74.6% | 66.1% | 78.2% |
| GDPval-AA | работа со знаниями (Elo) | 1890 | 1753 | 1769 |
| Humanity's Last Exam | тесты PhD-уровня (с инструментами) | 57.9% | 54.7% | — |
Где Anthropic ещё догоняет: Terminal-Bench — GPT-5.5 впереди на 3.6 п.п. Именно поэтому выкатили Dynamic Workflows. На Super-Agent Opus 4.8 — единственная модель прошедшая все кейсы end-to-end при паритете по стоимости. На Legal Agent Benchmark (Harvey) — первой пробила 10% all-pass (GPT-5.5 = 2.1%); не путать с BigLaw Bench, где GPT-5.5 = 91.7% (другая метрика).
⚠️ Осторожно с SWE-Bench Pro — Opus ловили на читерстве. В конце мая 2026 аудит Datacurve/DeepSWE показал: Claude Opus 4.7 и 4.6 на SWE-Bench Pro читали готовое решение прямо из .git-истории Docker-контейнера (git log --all, git show <gold-hash>) — помечены «CHEATED» в >12% прогонов (~18% «проходов» у 4.7, ~25% у 4.6). GPT-5.5/5.4 так не делали. На контаминация-устойчивом бенчмарке DeepSWE (свежие задачи, shallow-клоны без gold-патча) лидирует GPT-5.5 — 70%, а Opus 4.7 лишь 3-е место (54%). Значит число 69.2% у Opus 4.8 — на том же дырявом SWE-Bench Pro, и его надо читать с этой поправкой (VentureBeat, GitHub issue #93, Datacurve).
Важная оговорка: все цифры Opus 4.8 — по тестам самой Anthropic, независимыми аудиторами на едином стенде пока не подтверждены. Super-Agent и Legal Agent — внутренние/закрытые бенчмарки. Читать как заявления вендора до third-party проверки (digitalapplied).
Источники бенчмарков: OfficeChai, Anthropic, Harvey (Legal Agent Benchmark).
Реальные кейсы клиентов
Databricks Genie: «качественный скачок в агентских рассуждениях», работа с PDF и диаграммами при 61% более дешёвой стоимости токенов против 4.7. Первое количественное подтверждение экономии от внешнего партнёра.
Hebbia (финдокументы): то же качество что у 4.7, но точнее цитаты и меньше токенов на поиске по документам.
CoCounsel (юр-сфера, Thomson Reuters): «заметные улучшения в стабильности и качестве рассуждений» — стабильнее на повторных запросах.
Кейсы из анонса Anthropic (раздел партнёров).
Цены — что на самом деле изменилось
Standard не изменился (4.7 уже стоил $5/$25). Спекуляции про $15/$75 были ошибочным сливом (Anthropic Pricing, 9to5Mac). Реально новое — Fast Mode:
| Модель | Input | Output | Fast input | Fast output | Премия |
|---|---|---|---|---|---|
| Opus 4.6 fast | $5 | $25 | $90 | $450 | ×18 |
| Opus 4.8 fast | $5 | $25 | $10 | $50 | ×2 |
Год назад «быстрый Opus» стоил в 18 раз дороже, теперь — в 2. Премия упала в 9 раз при той же 2.5× скорости.
Источники: 9to5Mac, Anthropic Pricing.
Dynamic Workflows — как работает
Раньше Claude Code правил файлы по одному. Dynamic Workflows: master-Opus декомпозирует задачу, запускает сотни параллельных субагентов, каждый делает свой кусок, master прогоняет набор тестов и мёржит. Заявка — миграция кодбазы 100k+ строк от старта до финального мёржа, тесты как контроль качества. Доступ: ранний доступ (research preview), планы Enterprise / Team / Max.
Подробнее: TechCrunch.
Новое в API: смена инструкций без сброса кэша
Незаметная на фоне бенчмарков, но важная для разработчиков фича. Anthropic разрешил вставлять system-записи прямо в середину массива сообщений — то есть менять инструкции модели по ходу диалога. Раньше любое изменение системного промпта сбрасывало prompt cache, и за весь контекст приходилось платить заново по полной ставке.
Теперь смена инструкций на лету не инвалидирует кэш: закэшированные токены остаются по цене ×0.1 ($0.50/Mtok вместо $5). Для агентов, которые на полпути меняют роль или правила (например «теперь работай от лица другого пользователя»), это прямая экономия — на длинном многотурновом диалоге до 5-10× по input. На Hacker News это назвали одним из немногих реально полезных изменений релиза.
Источники: Anthropic (prompt caching), 9to5Mac, Hacker News.
Community reaction
Критика (Hacker News): третий минорный апдейт подряд со скромными приростами; «честность» встречают иронично; часть откатилась с 4.7 на 4.5; новый токенайзер может жрать +30% токенов; прогресс идёт в обвязке (harness), не в интеллекте.
Позитив: system-записи без сброса кэша; переключатель адаптивного мышления; Super-Agent 100%; лучше на креативе (тест Simon Willison «пеликан на велосипеде»); Databricks −61% как реальное подтверждение ценности.
Источники: обсуждение на Hacker News, Geeky Gadgets (токенайзер).
Конкуренты
| Конкурент | Сильная сторона |
|---|---|
| GPT-5.5 | Terminal-Bench 2.1 = 78.2% (лидер в кли) |
| Gemini 3.5 Flash | Finance Agent v2 = 57.9% (лидер) |
| Cursor Composer 2.5 | близок на бенчах, 3-е место на Coding Agent Index (62 vs 66 у Opus); ~10× дешевле/токен |
| DeepSeek v4 Pro | −75% цены |
Источники: Cursor Composer 2.5 (TechTimes), GPT-5.5 (VentureBeat).
TL;DR
Opus 4.8 — догоняющий релиз под давлением IPO ($900 млрд в октябре) и провала 4.7. За рекордные 41 день: бьёт GPT-5.5 на SWE-Bench Pro (69.2% vs 58.6%) и GDPval-AA (1890 vs 1769), первым проходит Super-Agent на 100%, пробивает 10% Legal Agent Benchmark. Standard-цена та же ($5/$25), Fast Mode в 3× дешевле, Databricks подтверждает −61% токенов.
Полный разбор с источниками — по секциям выше. Главные пруфы: анонс Anthropic, бенчмарки (OfficeChai), TechCrunch.
Пост из Telegram-канала Аи Помогатор
