Claude Opus 4.5: बेंचमार्क, एजेंट्स, टूल्स, और बहुत कुछ

Google के प्रभावशाली Gemini 3 रिलीज़ के तुरंत बाद, Anthropic ने हाल ही में Claude Opus 4.5 की घोषणा की, जिसे उन्होंने कोडिंग, एजेंट्स, और कंप्यूटर उपयोग के लिए ‘दुनिया का सबसे अच्छा मॉडल’ बताया है। 

Gemini 3 के बेहद प्रभावशाली बेंचमार्क के बावजूद, यह SWE bench—जो सॉफ्टवेयर इंजीनियरिंग कौशल का परीक्षण है—पर फिर भी Claude Sonnet 4.5 से पीछे रहा। Claude Opus 4.5 के साथ, Anthropic ने SWE bench और अन्य परीक्षणों पर अपना ही स्कोर पीछे छोड़ दिया है। 

Claude Opus 4.5, Anthropic का पिछले दो महीनों में तीसरा बड़ा मॉडल लॉन्च है, Sonnet 4.5 और Haiku 4.5 के बाद। और अब जब Anthropic का मूल्यांकन $350 बिलियन से ऊपर है, तो स्पष्ट है कि उनके पास इस गति से आगे बढ़ने के लिए संसाधन हैं।

इस लेख में, मैं Claude Opus 4.5 में नया क्या है, इस पर नज़र डालूंगा—बेंचमार्क, नए फीचर्स, और इसकी क्षमताओं का हाथों-हाथ परीक्षण।  

Claude Opus 4.5 क्या है?

Claude Opus 4.5, Anthropic का नवीनतम बड़ा भाषा मॉडल है। Opus 4 के बाद आया यह Anthropic का सबसे उन्नत मॉडल है, जिसका फोकस कोडिंग, तर्क-वितर्क, और लंबी अवधि के कार्यों पर है। मॉडल SWE-bench पर 80.9% और Terminal-bench पर 59.3% स्कोर करता है। 

Claude Opus 4.5 अब Anthropic के ऐप्स, API, और प्रमुख क्लाउड प्लेटफॉर्म्स पर उपलब्ध है। 

Claude Opus 4.5 में नया क्या है?

घोषणा में, ये बातें सबसे ज्यादा ध्यान खींचती हैं:

• एजेंटिक कोडिंग: Opus 4.5, SWE-bench Verified पर अत्याधुनिक है, और Google के Gemini 3 Pro तथा OpenAI के GPT-5.1 को पीछे छोड़ता है। Anthropic ने मॉडल को उन कठिन take-home एग्ज़ाम पर भी परखा जो वे संभावित परफॉर्मेंस इंजीनियरों को देते हैं। इसका स्कोर अब तक के किसी भी मानव उम्मीदवार से अधिक रहा।
• कंप्यूटर उपयोग: Anthropic का दावा है कि Opus 4.5 "कंप्यूटर उपयोग के लिए दुनिया का सबसे अच्छा मॉडल" है—यानि यह सॉफ्टवेयर इंटरफेस के साथ इंसान की तरह इंटरेक्ट कर सकता है: बटन क्लिक करना, फॉर्म भरना, वेबसाइट नेविगेट करना।
• रोज़मर्रा के काम: Anthropic के अनुसार, मॉडल स्प्रेडशीट्स और स्लाइड्स पर काम करने तथा गहन शोध करने में "अर्थपूर्ण रूप से बेहतर" है।

मॉडल लॉन्च के साथ, Anthropic ने कई उत्पाद अपडेट भी घोषित किए हैं, जिन पर मैं नीचे विस्तार से चर्चा करूंगा। इनमें Chrome के लिए Claude—वह ब्राउज़र एक्सटेंशन जो Claude को टैब्स के पार एक्शन लेने देता है—और Claude for Excel शामिल हैं।

Claude Opus 4.5 का परीक्षण

बिना एक-दो परीक्षणों के कोई समीक्षा पूरी नहीं होती। देखते हैं कि नए सुधार विविध कार्यों को कैसे संभालते हैं: 

अर्थशास्त्र के प्रश्न से Opus 4.5 का परीक्षण

सबसे पहले, मैंने देखना चाहा कि Opus 4.5 एक क्लासिक अर्थशास्त्र अनुकूलन समस्या को कैसे संभालता है। मैं एक लॉग-लिनियर मांग मॉडल की कल्पना कर रहा हूँ जो कीमत से बिकने वाली मात्रा का अनुमान लगाता है। यह वो चीज़ है जो आप अर्थमिति के कोर्स में देखते हैं, और यह वास्तव में उपयोगी भी है। यदि आपको अपनी डिमांड कर्व और अपनी लागतें पता हैं, तो आप वह कीमत निकाल सकते हैं जो राजस्व अधिकतम करती है।

Opus 4.5 ने मुझे सही उत्तर दिया, वह भी बिना ज्यादा सोचे-विचारे और एक ही बार में।

यह मुझे इसलिए प्रभावशाली लगा क्योंकि लगभग हर कंपनी जो कुछ भी बेचती है, उसके पास बिकने वाली मात्रा और कीमत का कुछ अंदाज़ा तो होता है, पर हर कंपनी के पास बुनियादी अनुकूलन समस्याओं के उत्तर निकालने के लिए संसाधन नहीं होते। 

लेकिन यहाँ, एक अच्छे से रचे गए प्रॉम्प्ट के साथ, आप आसानी से अपना उत्तर पा सकते हैं। बेशक, यह अब भी विश्लेषक पर निर्भर करेगा कि क्या पर्याप्त बाधाएँ सही ढंग से मॉडल की गई हैं।

मुझे यह भी अच्छा लगा: Opus 4.5 ने अपना काम दिखाया। उसने सिर्फ एक संख्या नहीं दी, बल्कि व्युत्पन्न, फैक्टरिंग, और बीजगणित से गुजरा। यदि उससे गलती होती, तो मैं देख सकता था कि कहाँ हुई।

स्टैटिस्टिक्स प्रश्न से Opus 4.5 का परीक्षण

अगला, मैं Opus 4.5 को एक सांख्यिकी प्रश्न पर परखना चाहता था। मैंने एक डेटा सेट बनाया जहाँ yield शोर जोड़े जाने के साथ temperature का एक फलन था। 

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))

फिर मैंने Claude को यह प्रॉम्प्ट दिया। 

Claude ने मुझे नीचे दिया गया उत्तर लौटाया, जिसका उपयोग मैंने नीचे दिखाए गए हिस्टोग्राम को बनाने में किया।

# 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()

मुझे कहना होगा कि यह परिणाम मुझे पसंद आया। Opus 4.5 ने ढलान के लिए एक confidence interval निकाला, जो मैं दरअसल पूछ ही रहा था। 

इसने बूटस्ट्रैप विधि का उपयोग किया, जो हेटेरोस्केडैस्टिसिटी मौजूद होने पर confidence interval निकालने की एक अच्छी तकनीक है। इसने विशेष रूप से residuals पर बूटस्ट्रैप का इस्तेमाल किया, न कि (X,Y) युग्मों को रिसैंपल करने वाली दूसरी बूटस्ट्रैप विधि का, जो X पद में त्रुटि मान लेती। 

यह सब इस तरह के काम करने वालों के लिए एक सूक्ष्म परंतु महत्वपूर्ण बात है: जब X डिजाइन द्वारा नियत हो—जैसा कि मैंने अपने प्रॉम्प्ट में निर्दिष्ट किया—और जब आप ठीक उन्हीं X मानों पर सशर्त अनुमान लगाना चाहें, जैसे किसी वैज्ञानिक अध्ययन में, तब residual बूटस्ट्रैप बेहतर रहेगा। मेरा कहना यह है कि Opus 4.5 ने प्रॉम्प्ट की बारीकियों को समझा।

गणित के प्रश्न से Opus 4.5 का परीक्षण

अगला, मैं देखना चाहता था कि क्या मैं किसी तरह Opus 4.5 को उलझा सकता हूँ।

इस मामले में, मॉडल मुझसे बहुत आगे था। Opus 4.5 ने समझ लिया कि मेरा प्रश्न चक्रीय है—मैं X को Y से और Y को X से परिभाषित कर रहा था—इसलिए उपलब्ध जानकारी के साथ प्रतिगमन रेखा की ढलान का कोई सार्थक अनुमान निकालना संभव नहीं था। 

SQL अनुकूलन के लिए Opus 4.5 का परीक्षण

अंत में, मैंने सोचा कि Opus 4.5 को एक SQL प्रश्न पर परखना मज़ेदार होगा। मैंने उसे एक कामचलाऊ मगर बेहद अक्षम SQL क्वेरी भेजी। 

-- 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;

मैंने Opus 4.5 से क्वेरी बेहतर बनाने को कहा। उसने लगभग एक सेकंड में उत्तर दे दिया।

-- 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;

अन्य बातों के अलावा, Opus 4.5 ने AVG के लिए संबद्ध सबक्वेरी को CTE से बदल दिया। (मूल क्वेरी में हर पंक्ति के लिए AVG(order_total) दोबारा-गिना जा रहा था, जबकि CTE अब हर ग्राहक का औसत एक बार पहले ही निकाल देता है।) Opus 4.5 ने अनावश्यक IN (SELECT DISTINCT ...) क्लॉज़ भी हटा दी, जो बिना वजह अतिरिक्त काम कर रही थी। और इसने EXISTS सबक्वेरी को JOIN में बदला, जो बेहतर है।

Claude Opus 4.5 एजेंट्स और एजेंटिक क्षमताएँ

Anthropic के इस नवीनतम रिलीज़ में अन्य भी कई मुख्य आकर्षण हैं। विस्तार से देखते हैं: 

डेवलपर प्लेटफ़ॉर्म फीचर्स

Anthropic ने डेवलपर्स के लिए कई नए बिल्डिंग ब्लॉक्स जोड़े हैं। सबसे उल्लेखनीय है effort पैरामीटर, जो आपको नियंत्रित करने देता है कि उत्तर देने से पहले मॉडल कितना सोचे। त्वरित, हल्के कार्यों के लिए इसे कम रखें; और जब मॉडल को किसी चीज़ पर अच्छी तरह विचार करना हो, तो इसे अधिक करें। 

Anthropic के अनुसार, मध्यम effort पर, Opus 4.5 Sonnet 4.5 के सर्वश्रेष्ठ SWE-bench स्कोर के बराबर है, जबकि 76% कम आउटपुट टोकन उपयोग करता है। उच्च effort पर, यह Sonnet से 4% से अधिक बेहतर है—फिर भी लगभग आधे टोकन का उपयोग करते हुए।

संदर्भ प्रबंधन और मेमोरी में भी सुधार है। लंबे समय तक चलने वाले एजेंट्स के लिए, Claude अब स्वतः पहले के संदर्भ का सारांश बना सकता है ताकि कार्य के बीच में बाधा न आए। यह context compaction के साथ काम करता है, जो एजेंट्स को कम हस्तक्षेप के साथ अधिक समय तक चलाता है।

अंत में, Opus 4.5 बहु-एजेंट orchestration में काफी अच्छा माना जा रहा है—यानि यह उप-एजेंट्स की एक टीम का प्रबंधन कर सकता है। 

Claude Opus 4.5 डीप रिसर्च

बताया गया है कि डीप रिसर्च मूल्यांकन पर Opus 4.5 का प्रदर्शन लगभग 15% बढ़ा है।

मैंने डीप रिसर्च क्षमता को अपने परीक्षण से परखा। मैंने इसे उन पुरानी अंग्रेज़ी शब्दों पर एक रिपोर्ट देने को कहा जो आज भी मौजूद हैं पर आमतौर पर इस्तेमाल नहीं होते, और समय के साथ ऐसे शब्द कैसे बदले हैं। रिपोर्ट सात मिनट में तैयार थी: