Claude Opus 4.5: Tolok Ukur, Agen, Alat, dan Lainnya

Menyusul perilisan Gemini 3 yang mengesankan dari Google, Anthropic baru-baru ini mengumumkan Claude Opus 4.5, yang disebut sebagai ‘model terbaik di dunia untuk pengodean, agen, dan penggunaan komputer.’ 

Meski tolok ukur Gemini 3 sangat mengesankan, model tersebut masih berada di belakang Claude Sonnet 4.5 pada SWE-bench, yaitu uji keterampilan rekayasa perangkat lunak. Dengan Claude Opus 4.5, Anthropic melampaui skornya sendiri pada SWE-bench dan pengujian lainnya. 

Claude Opus 4.5 menandai peluncuran model besar ketiga Anthropic hanya dalam dua bulan, setelah Sonnet 4.5 dan Haiku 4.5.  Dan sekarang, dengan valuasi Anthropic yang melampaui $350 miliar, kita tahu mereka punya sumber daya untuk terus melaju secepat ini.

Dalam artikel ini, saya akan mengulas semua hal baru di Claude Opus 4.5, melihat tolok ukurnya, fitur-fitur baru, dan langsung menguji kemampuannya.  

Apa itu Claude Opus 4.5?

Claude Opus 4.5 adalah model bahasa besar terbaru dari Anthropic. Meneruskan Opus 4, ini adalah model paling canggih Anthropic, dengan fokus pada pengodean, penalaran, dan tugas jangka panjang. Model ini mencetak 80,9% pada SWE-bench dan 59,3% pada Terminal-bench. 

Claude Opus 4.5 kini tersedia di aplikasi Anthropic, API, dan platform cloud utama. 

Apa yang baru di Claude Opus 4.5?

Dari pengumumannya, hal-hal berikut menonjol bagi saya:

• Pengodean agentik: Opus 4.5 adalah yang terdepan pada SWE-bench Verified, mengungguli Gemini 3 Pro dari Google dan GPT-5.1 dari OpenAI. Anthropic juga menguji model ini pada ujian take-home sulit yang mereka berikan kepada calon insinyur performa. Skornya lebih tinggi daripada kandidat manusia mana pun yang pernah ada.
• Penggunaan komputer: Anthropic mengklaim Opus 4.5 adalah "model terbaik di dunia untuk penggunaan komputer," artinya ia dapat berinteraksi dengan antarmuka perangkat lunak, mengklik tombol, mengisi formulir, menavigasi situs web, seperti yang dilakukan manusia.
• Tugas sehari-hari: Menurut Anthropic, model ini "jauh lebih baik" dalam bekerja dengan spreadsheet dan slide serta melakukan riset mendalam.

Bersamaan dengan peluncuran model, Anthropic mengumumkan beberapa pembaruan produk, yang akan saya bahas lebih lanjut di bawah. Di antaranya Claude for Chrome, ekstensi browser yang memungkinkan Claude mengambil tindakan lintas tab, dan Claude for Excel.

Menguji Claude Opus 4.5

Ulasan tidak akan lengkap tanpa menguji model baru ini satu atau dua kali. Mari lihat bagaimana peningkatan terbaru menangani berbagai tugas: 

Menguji Opus 4.5 dengan pertanyaan ekonomi

Pertama, saya ingin melihat bagaimana Opus 4.5 menangani masalah optimasi ekonomi klasik. Saya membayangkan model permintaan log-linear yang memprediksi kuantitas terjual dari harga. Ini adalah hal yang Anda lihat di mata kuliah ekonometrika, dan juga benar-benar berguna. Jika Anda mengetahui kurva permintaan dan biaya Anda, Anda bisa mencari harga yang memaksimalkan pendapatan.

Opus 4.5 memberi saya jawaban yang benar, tanpa berpikir lama, dan semuanya dalam sekali jalan.

Saya terkesan karena hampir semua perusahaan yang menjual sesuatu akan punya gambaran tentang kuantitas terjual dan harga, tetapi tidak semua perusahaan punya sumber daya untuk menyusun jawaban untuk masalah optimasi dasar. 

Namun di sini, dengan prompt yang dirancang baik, Anda dapat menemukan jawabannya dengan mudah. Tentu saja, tetap menjadi tugas analis untuk memutuskan apakah cukup banyak kendala sudah dimodelkan dengan tepat.

Hal lain yang saya suka: Opus 4.5 menunjukkan langkah-langkahnya. Ia tidak hanya memberi angka. Ia menjabarkan turunan, pemfaktoran, dan aljabarnya. Jika ada kesalahan, saya bisa melihat di mana letaknya.

Menguji Opus 4.5 dengan pertanyaan statistik

Selanjutnya, saya ingin menguji Opus 4.5 pada pertanyaan statistik. Saya membuat dataset di mana yield merupakan fungsi dari temperature dengan noise yang ditambahkan. 

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))

Lalu saya memberikan prompt ini kepada Claude. 

Claude mengembalikan hal berikut, yang saya gunakan untuk membuat histogram di bawah.

# 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()

Saya harus mengatakan bahwa saya menyukai hasil ini. Opus 4.5 menemukan interval kepercayaan untuk kemiringan, yang sebenarnya saya minta. 

Model ini menggunakan metode bootstrap, yang merupakan teknik bagus untuk mencari interval kepercayaan ketika heteroskedastisitas hadir. Lebih spesifik lagi, model ini menggunakan bootstrap pada residual, bukan metode bootstrap lain yang melakukan resampling pasangan (X,Y), yang akan mengasumsikan ada kesalahan pada variabel X. 

Semua ini adalah poin yang lebih halus namun kemungkinan penting bagi orang yang mengerjakan jenis pekerjaan ini: Residual bootstrap lebih baik saat X ditetapkan berdasarkan desain, seperti yang saya tentukan dalam prompt, dan ketika Anda menginginkan inferensi yang bersyarat pada nilai X yang persis sama, seperti pada studi ilmiah. Intinya, Opus 4.5 memperhatikan nuansa dalam prompt.

Menguji Opus 4.5 dengan pertanyaan matematika

Berikutnya, saya ingin melihat apakah saya bisa menjebak Opus 4.5 dengan cara tertentu.

Dalam kasus ini, modelnya jauh lebih cepat dari saya. Opus 4.5 memahami bahwa pertanyaan saya bersifat sirkular - saya mendefinisikan X berdasarkan Y dan sebaliknya, sehingga kita tidak bisa mendapatkan estimasi yang bermakna untuk kemiringan garis regresi, dengan data yang ada. 

Menguji Opus 4.5 untuk optimasi SQL

Terakhir, saya pikir akan menyenangkan menguji Opus 4.5 pada pertanyaan SQL. Saya mengirimkan kueri SQL yang dapat berjalan, tetapi sangat tidak efisien. 

-- 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;

Saya meminta Opus 4.5 untuk memperbaiki kueri tersebut. Ia memberi jawaban dalam sekitar satu detik.

-- 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;

Antara lain, Opus 4.5 mengganti subkueri berkorelasi untuk AVG dengan CTE. (Kueri asli menghitung ulang AVG(order_total) untuk setiap baris yang dievaluasi, tetapi CTE kini menghitung rata-rata setiap pelanggan sekali di awal.) Opus 4.5 juga menghapus klausa IN (SELECT DISTINCT ...) yang berlebihan, yang hanya menambah kerja tanpa manfaat. Dan ia mengonversi subkueri EXISTS menjadi JOIN, yang lebih baik.

Agen dan Kapabilitas Agentik Claude Opus 4.5

Ada sorotan lain dari rilis terbaru Anthropic ini. Mari kita bahas lebih rinci: 

Fitur platform pengembang

Anthropic menambahkan beberapa blok bangunan baru untuk pengembang. Yang paling menonjol adalah parameter effort, yang memungkinkan Anda mengontrol seberapa banyak pemikiran yang dilakukan model sebelum merespons. Atur rendah untuk tugas cepat dan ringan; atur lebih tinggi ketika Anda perlu model menelaah sesuatu. 

Menurut Anthropic, pada effort sedang, Opus 4.5 menyamai skor terbaik Sonnet 4.5 pada SWE-bench sambil menggunakan 76% token keluaran lebih sedikit. Pada effort tinggi, ia mengalahkan Sonnet lebih dari 4% — masih menggunakan hampir separuh token.

Ada juga pengelolaan konteks dan memori yang ditingkatkan. Untuk agen yang berjalan lama, Claude kini dapat secara otomatis merangkum konteks sebelumnya agar tidak macet di tengah tugas. Ini dipasangkan dengan pemadatan konteks, yang membuat agen berjalan lebih lama dengan intervensi lebih sedikit.

Terakhir, Opus 4.5 tampaknya cukup baik dalam orkestrasi multi-agen, yang berarti ia dapat mengelola tim subagen. 

Penelitian Mendalam Claude Opus 4.5

Kinerja Opus 4.5 pada evaluasi riset mendalam meningkat sekitar 15%.

Saya menguji sendiri kemampuan riset mendalamnya. Saya memintanya membuat laporan tentang kata-kata Inggris Kuno yang masih bertahan hingga kini tetapi tidak umum digunakan, dan bagaimana jenis kata-kata ini berubah dari waktu ke waktu. Laporannya selesai dalam tujuh menit: