Claude Opus 4.5: Puntos de referencia, agentes, herramientas y más

Tras el impresionante Gemini 3 de Google, Anthropic ha anunciado recientemente Claude Opus 4.5, alabándolo como «el mejor modelo del mundo para la codificación, los agentes y el uso de ordenadores». 

A pesar de los impresionantes resultados obtenidos por Gemini 3, quedó por detrás de Claude Sonnet 4.5 en la prueba SWE, que evalúa las habilidades de ingeniería de software. Con Claude Opus 4.5, Anthropic supera su propia puntuación en el banco SWE y otras pruebas. 

Claude Opus 4.5 supone el tercer gran lanzamiento de Anthropic en solo dos meses. Después de Sonnet 4.5 y Haiku 4.5.  Y ahora que Anthropic tiene una valoración superior a los 350 000 millones de dólares, sabemos que disponen de los recursos necesarios para seguir avanzando a este ritmo.

En este artículo, exploraré todas las novedades de Claude Opus 4.5, analizando los puntos de referencia, las nuevas funciones y probando sus capacidades de forma práctica.  

¿Qué es Claude Opus 4.5?

Claude Opus 4.5 es el último modelo de lenguaje grande de Anthropic. Tras Opus 4, es el modelo más avanzado de Anthropic, centrado en la codificación, el razonamiento y las tareas de larga duración. El modelo obtiene una puntuación del 80,9 % en el banco SWE y del 59,3 % en el banco Terminal. 

Claude Opus 4.5 ya está disponible en las aplicaciones de Anthropic, la API y las principales plataformas de nube. 

¿Qué novedades presenta Claude Opus 4.5?

Del anuncio, estas cosas me llamaron la atención:

• Codificación agencial: Opus 4.5 es lo último en tecnología según SWE-bench Verified, superando a Gemini 3 Pro de Google y GPT-5.1 de OpenAI. Anthropic también probó el modelo en un difícil examen para llevar a casa que se les hace a los futuros ingenieros de rendimiento. Obtuvo una puntuación más alta que cualquier candidato humano hasta la fecha.
• Uso del ordenador: Anthropic afirma que Opus 4.5 es «el mejor modelo del mundo para el uso de ordenadores», lo que significa que puede interactuar con interfaces de software, hacer clic en botones, rellenar formularios y navegar por sitios web como lo haría un humano.
• Tareas cotidianas: Según Anthropic, el modelo es «significativamente mejor» a la hora de trabajar con hojas de cálculo y diapositivas y realizar investigaciones en profundidad.

Junto con el lanzamiento del modelo, Anthropic anunció varias actualizaciones del producto, que comentaré con más detalle a continuación. Entre ellos se incluyen Claude para Chrome, la extensión del navegador que permite a Claude actuar en todas las pestañas, y Claude para Excel.

Probando Claude Opus 4.5

Un artículo no estaría completo sin someter al nuevo modelo a una o dos pruebas. Veamos cómo las nuevas mejoras gestionan una serie de tareas: 

Probando Opus 4.5 con una pregunta de economía

En primer lugar, quería ver cómo Opus 4.5 abordaba un problema clásico de optimización económica. Estoy imaginando un modelo de demanda log-lineal que predice la cantidad vendida a partir del precio. Es el tipo de cosa que se ve en un curso de econometría, pero también es realmente útil. Si conoces tu curva de demanda y tus costes, puedes calcular el precio que maximiza los beneficios.

Opus 4.5 me dio la respuesta correcta, sin pensarlo mucho, y todo sucedió de una sola vez. 

Esto me impresionó porque casi cualquier empresa que venda algo tendrá una idea de la cantidad vendida y el precio, pero no todas las empresas tendrán los recursos para esbozar respuestas a problemas básicos de optimización. 

Pero aquí, con una indicación bien diseñada, puedes encontrar tu respuesta fácilmente. Por supuesto, seguiría siendo responsabilidad del analista decidir si las restricciones se habían modelado correctamente en su totalidad.

Esto es lo que también me gustó: Opus 4.5 mostró su trabajo. No solo me dio un número. Recorrió la derivada, el factoraje y el álgebra. Si hubiera cometido un error, habría podido detectar dónde.

Probando Opus 4.5 con una pregunta sobre estadísticas

A continuación, quería probar Opus 4.5 con una pregunta sobre estadística. Creé un conjunto de datos en el que yield era una función de temperature con ruido añadido. 

library(tidyverse)

set.seed(1024)

# Generate data
n <- 100
df <- data.frame(
  temperature = seq(0, 100, length.out = n)
) %>%
  mutate(yield = 0.5 * temperature + 10 + rnorm(n, 0, 5))

A continuación, le envié esta sugerencia a Claude. 

Claude me devolvió lo siguiente, que utilicé para crear un histograma, que se muestra a continuación.

# Fit model
fit <- lm(yield ~ temperature, data = df)
fitted_vals <- fitted(fit)
resids <- residuals(fit)
original_slope <- coef(fit)[2]

# Residual bootstrap
set.seed(123)
n_boot <- 1000
boot_slopes <- numeric(n_boot)

for (i in 1:n_boot) {
  new_y <- fitted_vals + sample(resids, replace = TRUE)
  boot_fit <- lm(new_y ~ df$temperature)
  boot_slopes[i] <- coef(boot_fit)[2]
}

# Confidence intervals
ci_lower <- quantile(boot_slopes, 0.025)
ci_upper <- quantile(boot_slopes, 0.975)

# Plot
ggplot(data.frame(slope = boot_slopes), aes(x = slope)) +
  geom_histogram(bins = 40, fill = "gray70", color = "white") +
  geom_vline(xintercept = original_slope, color = "red", linewidth = 1) +
  geom_vline(xintercept = ci_lower, color = "steelblue", linetype = "dashed", linewidth = 1) +
  geom_vline(xintercept = ci_upper, color = "steelblue", linetype = "dashed", linewidth = 1) +
  labs(
    title = "Bootstrap Estimate: Effect of Temperature on Yield",
    subtitle = paste0("Estimate: ", round(original_slope, 3), 
                      " | 95% CI: [", round(ci_lower, 3), ", ", round(ci_upper, 3), "]"),
    x = "Slope (yield per °C)",
    y = "Count"
  ) +
  theme_minimal()

Tengo que decir que me gusta este resultado. Opus 4.5 encontró un intervalo de confianza para la pendiente, que es lo que realmente estaba buscando. 

Utilizaba un método bootstrap, que es una buena técnica para encontrar intervalos de confianza cuando heteroscedasticidad. También utilizó más específicamente un bootstrap en los residuos, en lugar de otro método bootstrap que vuelve a muestrear pares (X,Y), lo que habría supuesto un error en el término X. 

Todo esto es un punto más sutil, pero probablemente importante para las personas que realizan este tipo de trabajo: Un bootstrap residual sería más adecuado cuando X es fijo por diseño, como especifiqué en mi indicación, y cuando, por lo tanto, se desea una inferencia condicional a esos valores X exactos, como en un estudio científico. Lo que quiero decir es que Opus 4.5 prestó atención a los matices de la indicación.

Probando Opus 4.5 con una pregunta de matemáticas

A continuación, quería ver si podía hacer que Opus 4.5 fallara de alguna manera.

En este caso, el modelo estaba muy por delante de mí. Opus 4.5 entendió que mi pregunta era circular: estaba definiendo X por Y y viceversa, por lo que no podíamos obtener una estimación significativa de la pendiente de una línea de regresión, dado lo que estábamos trabajando. 

Probando Opus 4.5 para la optimización de SQL

Por último, pensé que sería divertido probar Opus 4.5 con una pregunta sobre SQL. Te envié una consulta SQL viable, pero muy ineficiente. 

-- Find customers who placed orders above their average order value in 2024
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_date,
    o.order_total
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
WHERE o.order_date >= '2024-01-01'
    AND o.order_date < '2025-01-01'
    AND o.order_total > (
        SELECT AVG(o2.order_total)
        FROM orders o2
        WHERE o2.customer_id = c.customer_id
    )
    AND c.customer_id IN (
        SELECT DISTINCT o3.customer_id
        FROM orders o3
        WHERE o3.order_date >= '2024-01-01'
    )
    AND EXISTS (
        SELECT 1
        FROM customer_preferences cp
        WHERE cp.customer_id = c.customer_id
            AND cp.email_opt_in = 1
    )
ORDER BY (
    SELECT COUNT(*)
    FROM orders o4
    WHERE o4.customer_id = c.customer_id
) DESC;

Le pedí a Opus 4.5 que mejorara la consulta. Me dio una respuesta en aproximadamente un segundo.

-- Find customers who placed orders above their average order value in 2024
WITH customer_avg AS (
    SELECT 
        customer_id,
        AVG(order_total) AS avg_order_total,
        COUNT(*) AS order_count
    FROM orders
    GROUP BY customer_id
)
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_date,
    o.order_total
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
JOIN customer_avg ca ON c.customer_id = ca.customer_id
JOIN customer_preferences cp ON c.customer_id = cp.customer_id
WHERE o.order_date >= '2024-01-01'
    AND o.order_date < '2025-01-01'
    AND o.order_total > ca.avg_order_total
    AND cp.email_opt_in = 1
ORDER BY ca.order_count DESC;

Entre otras cosas, Opus 4.5 sustituyó la subconsulta correlativa para AVG por una CTE. (La consulta original recalculaba AVG(order_total) para cada fila evaluada, pero ahora la CTE calcula el promedio de cada cliente por adelantado). Opus 4.5 también eliminó la cláusula redundante « IN (SELECT DISTINCT ...) », que realizaba un trabajo adicional innecesario. Y convirtió la subconsulta « EXISTS » en « JOIN », lo cual es mejor.

Claude Opus 4.5 Agentes y capacidades de los agentes

Hubo otros aspectos destacados de esta última versión de Anthropic. Veamos con más detalle: 

Características de la plataforma para programadores

Anthropic ha añadido varios nuevos componentes básicos para programadores. El más notable es elparámetro de esfuerzo « » (), que te permite controlar cuánto piensa el modelo antes de responder. Ajústalo a un nivel bajo para tareas rápidas y ligeras; ajústalo a un nivel más alto cuando necesites que el modelo mastique algo. 

Según Anthropic, con un esfuerzo medio, Opus 4.5 iguala la mejor puntuación SWE-bench de Sonnet 4.5, pero utilizando un 76 % menos de tokens de salida. Con un esfuerzo elevado, supera a Sonnet en más de un 4 %, y sigue utilizando casi la mitad de tokens.

También se ha mejorado la gestión del contexto y la memoria. Para los agentes de larga duración, Claude ahora puede resumir automáticamente el contexto anterior para que no se encuentre con obstáculos a mitad de la tarea. Esto se combina con la compactación de contexto, que mantiene a los agentes en funcionamiento durante más tiempo con menos intervenciones.

Por último, Opus 4.5 parece ser bastante bueno en la coordinación de múltiples agentes, lo que significa que podría gestionar un equipo de subagentes. 

Claude Opus 4.5 Investigación profunda

Aparentemente, el rendimiento de Opus 4.5 en una evaluación de investigación profunda aumentó aproximadamente un 15 %.

He puesto a prueba tu capacidad de investigación en profundidad. Te pedí que me dieras un informe sobre las palabras del inglés antiguo que aún se utilizan hoy en día, pero que no son de uso común, y sobre cómo han cambiado este tipo de palabras a lo largo del tiempo. El informe estuvo listo en siete minutos: