Claude Opus 4.6: Fitur, Tolok Ukur, Pengujian Langsung, dan Lainnya

Desas-desus tentang rilis berikutnya dari Anthropic sudah beredar beberapa hari terakhir. Meski banyak yang menantikan Claude Sonnet 5, rilis pertama tahun ini justru hadir dalam bentuk Claude Opus 4.6. 

Dengan jendela konteks 1 juta token, pemikiran adaptif, pemadatan percakapan, dan beragam tolok ukur dengan peringkat teratas, Claude Opus 4.6 merupakan peningkatan dari Opus 4.5. Seperti istilah Anthropic, mereka telah meningkatkan model tercerdas mereka. Bersamaan dengan modelnya, Anthropic juga meluncurkan tim agen di Claude Code dan Claude in PowerPoint.

Dalam artikel ini, kami akan membahas semua hal baru di Claude Opus 4.6, melihat fitur-fitur baru, menelusuri tolok ukurnya, dan mengujinya langsung dengan beberapa contoh praktis. 

Untuk mempelajari lebih lanjut tentang beberapa fitur terbaru Claude, saya sarankan melihat panduan kami tentang Claude Cowork dan Claude Code, serta tutorial OpenClaw kami. Untuk perbandingan dengan kompetitor lain, baca panduan kami tentang Muse Spark vs Claude Opus 4.6 dan GPT-5.4 vs Claude Opus 4.6.

Apa Itu Claude Opus 4.6? 

Claude Opus 4.6 adalah model bahasa besar terbaru dari Anthropic. Melanjutkan dari Opus 4.5, ini merupakan peningkatan signifikan pada tier model ‘tercerdas’ perusahaan. 

Dari blog rilisnya, Anthropic mengklaim fokus yang lebih besar pada agentic coding, penalaran mendalam, dan koreksi mandiri. Ini berarti ada pergeseran dari tindakan ke tindakan berkelanjutan. 

Opus 4.6 dirancang untuk merencanakan dengan lebih cermat, memiliki koherensi yang lebih baik dalam jangka waktu lebih panjang, dan mengidentifikasi kesalahan dalam mekanismenya sendiri. Semua ini berarti Claude Opus 4.6 memuncaki beberapa tolok ukur, termasuk skor tertinggi pada evaluasi coding Terminal-Bench 2.0 dan mengungguli semua model frontier lain pada Humanity’s Last Exam. 

Salah satu hal yang paling menonjol bagi saya adalah peningkatan jendela konteks di Claude Opus 4.6. Dengan 1 juta token di versi beta, ini menyetarakan model baru dengan Gemini 3, artinya ia dapat memproses lebih banyak info tanpa kehilangan konteks. 

Sementara itu, Anthropic telah merilis versi penerus Opus. Saya sarankan membaca panduan Claude Opus 4.7 kami agar tetap terbaru.

Apa yang Baru di Claude Opus 4.6? 

Ada beberapa fitur baru yang menonjol di Claude Opus 4.6, banyak di antaranya berfokus pada alur kerja berbasis agen. Mari kita lihat beberapa poin utamanya: 

Tim agen

Tim agen merupakan peningkatan dari ‘subagent’ yang kita lihat di versi Claude sebelumnya. Tim agen memungkinkan Anda memunculkan beberapa instance Claude yang sepenuhnya independen dan dapat bekerja paralel. Satu sesi menjadi agen ‘utama’ yang mengoordinasikan, sementara ‘rekan satu tim’ menangani eksekusi aktualnya. 

Yang paling menarik bagi saya adalah setiap anggota tim memiliki jendela konteksnya sendiri, sehingga eksekusi bisa lebih menyeluruh. Setiap rekan tim juga dapat berkomunikasi langsung dengan anggota tim lainnya. 

Tentu, fitur ini berpotensi berdampak pada biaya. Karena setiap agen memiliki jendela konteks sendiri, Anda bisa cepat menghabiskan token. Karena itu, Anthropic merekomendasikan penggunaannya untuk skenario dengan tingkat kompleksitas yang lebih tinggi. 

Pemadatan percakapan

Salah satu fitur rapi dari Claude Opus 4.6 adalah pemadatan konteks. Peningkatan kenyamanan ini membantu menghindari masalah saat Anda menjalankan alur kerja panjang yang mencapai batas jendela konteks. Biasanya, Anda akan menabrak dinding konteks di mana performa mulai menurun. 

Dengan pemadatan percakapan, Claude Opus 4.6 dapat secara otomatis mendeteksi saat percakapan mendekati ambang token dan meringkas percakapan yang ada menjadi blok ringkas (blok pemadatan). 

Fitur ini akan membantu mempertahankan hal-hal penting dari interaksi Anda sekaligus membuka ruang untuk melanjutkan pekerjaan. Jika Anda berencana menggunakan agen berorientasi tugas yang perlu berjalan lama, ini dapat membuatnya tetap pada jalur dengan memori yang jauh lebih baik.  

Pemikiran dan upaya adaptif  

Ada dua fitur di Claude Opus 4.6 yang menentukan apakah perlu menggunakan pemikiran diperpanjang dan seberapa keras usaha yang dikeluarkan untuk itu. 

Pemikiran adaptif memungkinkan model menentukan seberapa kompleks prompt Anda. Berdasarkan kesederhanaan atau kompleksitasnya, model akan memutuskan apakah akan menggunakan pemikiran diperpanjang. Alih-alih memiliki pengaturan manual untuk berapa banyak token yang digunakan untuk ini, Claude akan menyesuaikan anggarannya berdasarkan kompleksitas setiap permintaan. 

Parameter effort memungkinkan Anda menetapkan seberapa agresif atau konservatif Claude dalam membelanjakan token. Intinya, ini berarti Anda dapat menyeimbangkan efisiensi token dan seberapa menyeluruh tanggapan yang diberikan. 

Saat menggunakan Claude Opus 4.6 di API, Anda dapat mengatur parameter ini secara manual. Misalnya: 

• Upaya maksimum: Claude selalu menggunakan pemikiran diperpanjang, tanpa batasan kedalaman. 
• Upaya tinggi: Dengan pengaturan bawaan ini, Claude selalu berpikir dan memberikan penalaran mendalam. 
• Upaya sedang: Ini mengaktifkan pemikiran moderat, dan mungkin melewatkan pemikiran untuk kueri yang paling sederhana. 
• Upaya rendah: Claude melewatkan pemikiran untuk tugas sederhana dan meminimalkan pemikiran demi kecepatan. 

Claude in PowerPoint 

Baru-baru ini kami membahas Claude in Excel, menunjukkan bagaimana add-on ini dapat membantu Anda dengan berbagai tugas di panel samping lembar Excel Anda. Selain meningkatkan fungsionalitas alat ini, Anthropic mengumumkan Claude in PowerPoint. 

Integrasi ini menghormati slide master, font, dan tata letak Anda. Anda dapat memberinya template perusahaan dan memintanya membangun suatu bagian spesifik, atau memilih sebuah slide dan memintanya mengonversi teks padat menjadi diagram asli yang dapat diedit.

Penekanan pada pembuatan objek PowerPoint yang dapat diedit alih-alih sekadar "gambar slide" menjadikan ini alat produktivitas yang nyata, bukan hanya generator konsep. 

Claude in PowerPoint saat ini dalam pratinjau riset untuk pengguna Max dan Enterprise.

Menguji Claude Opus 4.6: Contoh Langsung 

Banyak klaim utama Opus 4.6 berfokus pada tugas coding yang lebih sulit dan penalaran lebih dalam. Keterampilan ini bertumpu pada fondasi tertentu: kemampuan menahan banyak kendala dalam pikiran, bernalar lintas banyak langkah, dan menangkap kesalahan. 

Dengan pemikiran ini, kami menguji Opus 4.6 melalui serangkaian tantangan logika multi-langkah, matematika, dan coding. Kami ingin melihat apakah kami bisa mengekspos beberapa kelemahan LLM yang diketahui dan umum – seperti kesalahan perhitungan beruntun, penalaran spasial (selalu jadi masalah), dan pertanyaan yang melibatkan kendala. Kami juga menyertakan tugas debugging spesifik karena pengumuman Anthropic membanggakan kemampuan Opus 4.6 dalam analisis akar masalah dan isu debugging lainnya.

Tes 1: Logika heksadesimal ke desimal

Tes pertama kami menggabungkan bilangan prima, heksadesimal, dan berhitung:

Step 1: Find the 6th prime number. Let this be P. 
Step 2: Convert the square of P into hexadecimal. 
Step 3: Count the letters (A–F) and digits (0–9) in that hex string. Let these be A and B. 
Step 4: Multiply A × B. Let this be N. 
Step 5: Find the Nth prime number.

Kedengarannya agak rumit, tetapi tes ini cukup mudah kami verifikasi. Jawaban benar yang kami ketahui adalah 2 karena bilangan prima ke-6 adalah 13; 13 kuadrat adalah 169, yang menjadi "A9" dalam heksadesimal. Ini memiliki 1 huruf × 1 digit, yang sama dengan 1 saat dikalikan, dan bilangan prima pertama adalah 2.

Kekhawatirannya adalah model bisa tersandung pada konversi heksadesimal, yang akan berujung pada jawaban akhir yang benar-benar salah. Seperti yang Anda lihat, Opus 4.6 tidak mengalami kesulitan:

Tes 2: Memutar matriks

Tes kedua adalah uji penalaran spasial dan penanganan bilangan negatif:

Step 1: Create a 2×2 matrix M with top row [4, 2] and bottom row [1, 5]. 
Step 2: Rotate M 90 degrees clockwise. 
Step 3: Calculate the determinant of the rotated matrix. 
Step 4: Cube that determinant. 
Step 5: Subtract the 13th Fibonacci number from the result.

Yang ini butuh sedikit lebih banyak upaya untuk kami verifikasi. Jawaban yang benar adalah -6.065. Kami tahu ini karena matriks yang diputar adalah [[1, 4], [5, 2]]; kemudian kami bisa menggunakan Python untuk mencari determinan, yaitu -18 dan saat kami mempangkatkan tiga angka ini, kami dapat -5.832; akhirnya, kami kurangi 233 dan mendapat -6.065.

Kami menyukai ide tes ini karena dari pengalaman kami tahu model sering menukar elemen matriks secara keliru atau kehilangan tanda negatif di tengah jalan. Lagi-lagi, Opus 4.6 tidak kesulitan:

Tes 3: Kuis pengaturan tempat duduk

Untuk tes ketiga, kami mencoba masalah pemenuhan kendala yang memerlukan backtracking:

Five people (Alex, Josef, Matt, Thalia, Tom) sit in chairs 1–5.
Thalia is in an even-numbered chair.Alex is immediately to Thalia’s right.Tom is at one end.Josef is not next to Tom.Who is in chair 3?

Jawaban yang benar untuk tes ini adalah Josef. (Alex-1, Matt-2, Josef-3, Thalia-4, Tom-5.) Anda bisa mengerjakannya di selembar kertas dengan sedikit usaha.

Alasan dasar model bisa salah untuk jenis pertanyaan ini adalah karena model secara historis menyelesaikan secara berurutan, bukan holistik. Mereka membaca "Thalia berada di kursi genap" lalu memilih satu (misalnya, kursi 2) tanpa memeriksa apakah pilihan itu cocok dengan semua kendala lain. Lalu mereka berkomitmen pada itu, mengisi kursi lainnya, dan akhirnya menemui konflik, tetapi saat itu mereka sudah terjebak dan tidak kembali mencoba Thalia di kursi 4 sebagai gantinya. 

Opus 4.6 juga menjawab benar untuk yang ini:

Tes 4: Teka-teki jam

Tes keempat kami mengevaluasi visualisasi spasial dan intuisi fisik:

Step 1: Imagine a clock currently showing 3:15 PM.
Step 2: Rotate the clock 90 degrees counter-clockwise (physically turning the whole clock face). After the rotation, what time does the minute hand appear to be pointing at?
Step 3: Take that new "apparent" minute value and add it to the original time (3:15 PM).
Step 4: Subtract 45 minutes from that result.
Step 5: What is the final time?

Untuk memverifikasi yang ini, saya benar-benar melepas jam tangan dari pergelangan tangan dan memutarnya. 

Jawaban yang benar adalah 2:30 PM. Pada pukul 3:15, jarum menit menunjuk ke "3". Saat saya memutar angka 12 ke arah jendela di sebelah kiri, angka "3" berpindah ke posisi angka "12". Saya lalu menambahkan 0 ke 3:15, mengurangkan 45 menit, dan mendapatkan 2:30 PM. 

Saat merancang tes, kami memperkirakan model bisa keliru antara memutar wajah jam dengan memindahkan jarum. Kami juga pernah mendengar model cenderung menganggap penjumlahan 0 itu mencurigakan dan, karenanya, akan mencoba memaksakan angka lain.

Namun, Opus 4.6 berhasil menyelesaikan masalah ini; ia juga mendapatkan jawaban yang benar:

Tes 5: Teka-teki teori bilangan

Tes kelima kami menggabungkan aritmetika modular dengan penyaringan prima:

Find a two-digit number S that satisfies all of the following:
* When S is squared, the last two digits of the result are 21.
* S must be a prime number.
* The sum of the digits of S must also be a prime number.
What is the largest possible value of S?

Inilah alasan mengapa angka yang benar adalah 89: Angka yang kuadratnya berakhiran 21 meliputi 11, 39, 61, dan 89. Di antaranya, 39 bukan bilangan prima, jadi tersisa 11, 61, dan 89. Ketiganya memiliki jumlah digit yang merupakan bilangan prima (masing-masing 2, 7, dan 17), sehingga yang terbesar adalah 89.

Opus 4.6 kembali mendapatkan jawaban yang benar, dan kali ini juga menyertakan visual yang membantu:

Tes 6: Membalik digit

Tes berikutnya merangkai matematika faktorial, manipulasi string, dan bilangan prima:

Step 1: Calculate 5! (5 factorial). Let this result be X.
Step 2: Take X, subtract 1, and reverse the digits of the result. Let this new number be Y.
Step 3: Identify all prime numbers (p) such that 10 ≤ p ≤ Y.
Step 4: Calculate the sum of these primes and divide it by the total count of primes found in that range.
Step 5: Provide the final average, rounded to the nearest whole number.

Begini cara kami memverifikasi 425 sebagai jawaban yang benar: 5! = 120; kurangi 1 menjadi 119; balik digitnya menjadi 911. Lalu, menggunakan sedikit kode R (ditunjukkan di bawah), kami bisa melihat ada 152 bilangan prima antara 10 dan 911, dan jumlahnya adalah 64.598. Terakhir, menggunakan R lagi, kami membagi dan membulatkan: 64.598 ÷ 152 ≈ 425.

Berikut skrip R yang kami gunakan:

# Step 1: Calculate 5!
X <- factorial(5)
cat("Step 1: X =", X, "\n")

# Step 2: Subtract 1 and reverse digits
result <- X - 1
Y <- as.numeric(paste0(rev(strsplit(as.character(result), "")[[1]]), collapse = ""))
cat("Step 2:", X, "- 1 =", result, "-> reversed ->", Y, "\n")

# Step 3: Find all primes between 10 and Y
is_prime <- function(n) {
  if (n < 2) return(FALSE)
  if (n == 2) return(TRUE)
  if (n %% 2 == 0) return(FALSE)
  for (i in 3:floor(sqrt(n))) {
    if (n %% i == 0) return(FALSE)
  }
  return(TRUE)
}

primes <- Filter(is_prime, 10:Y)
cat("Step 3: Found", length(primes), "primes between 10 and", Y, "\n")

# Step 4: Sum and average
total <- sum(primes)
count <- length(primes)
avg <- total / count
cat("Step 4: Sum =", total, ", Count =", count, ", Average =", avg, "\n")

# Step 5: Round
cat("Step 5: Rounded =", round(avg), "\n")

Tes 7: Debugging kode

Tes berikutnya menargetkan salah satu klaim utama Opus 4.6: mendiagnosis bug dalam kode. Kami tahu model sering menelusuri kode dengan benar baris demi baris tetapi gagal menghubungkan penelusuran itu ke kelemahan dasarnya. 

A developer wrote this Python function to compute a running average: 

def running_average(data, window=3): 
    result = [] 
    for i in range(len(data)): 
        start = max(0, i - window + 1) 
        chunk = data[start:i + 1] 
        result.append(round(sum(chunk) / window, 2)) 
    return result 
When called with running_average([10, 20, 30, 40, 50]), the first two values in the output seem wrong. Why? Please help me fix what is wrong!

Inilah jawabannya dan mengapa ini bekerja sebagai tes: fungsi tersebut selalu membagi dengan window (3), bahkan saat potongan data berisi kurang dari 3 elemen di awal daftar. Keluaran yang bermasalah adalah [3.33, 10.0, 20.0, 30.0, 40.0], tetapi dua nilai pertama seharusnya 10.0 dan 15.0 karena potongan tersebut masing-masing hanya berisi 1 dan 2 elemen. Perbaikannya adalah mengubah / window menjadi / len(chunk).

Kami menyukai tes ini karena model sering menelusuri loop dengan sempurna, tetapi kemudian melaporkan "keluaran terlihat benar" — mereka melihat matematika terjadi selangkah demi selangkah dan tidak menandai bahwa membagi satu elemen dengan 3 itu salah. Ini mengharuskan model menahan niat (apa yang seharusnya dilakukan rata-rata berjalan) bersamaan dengan eksekusi (apa yang sebenarnya dilakukan kode) dan melihat celah di antara keduanya.

Tes 8: Eksperimen pemikiran fisika

Tes terakhir kami tidak melibatkan matematika, hanya penalaran kontrafaktual. 

In a world where gravity repels objects instead of attracting them, what shape would rivers take?

Memang, tidak ada satu jawaban yang benar di sini, dan sulit membayangkannya. Namun kami mencari model yang setidaknya menalar implikasinya, dan kami pikir jawaban Claude Opus 4.6 cukup masuk akal.

Singkatnya, Opus 4.6 meraih nilai sempurna, meskipun, seperti yang Anda lihat, kami menyertakan satu pertanyaan yang jawabannya agak subjektif, jadi Anda bisa jadi penilai terakhir.

Tolok Ukur Claude Opus 4.6 

Opus 4.6 adalah pemimpin tak terbantahkan pada setidaknya empat tolok ukur penting:

• Terminal-Bench 2.0 
• Humanity’s Last Exam
• GDPval-AA
• BrowseComp

Terminal-Bench 2.0 adalah tolok ukur agentic coding; Humanity’s Last Exam adalah ujian penalaran kompleks; GDPval-AA menguji performa pekerjaan berbasis pengetahuan; BrowseComp mengukur kemampuan model menemukan informasi yang sulit ditemukan secara online.

Terminal-Bench 2.0 

Model Claude memiliki reputasi yang pantas sebagai salah satu yang terbaik dalam coding. Jadi mari mulai dengan melihat hasil tolok ukur Terminal-Bench 2.0. 

Jika grafik di atas tampak menyoroti Opus 4.6 terkait dengan GPT-5.2-codex – yah, itu jelas disengaja. Anthropic secara langsung menantang OpenAI di beberapa area belakangan ini, dan mereka sedang membangun argumen untuk penggunaan enterprise. 

Humanity’s Last Exam

Humanity’s Last Exam adalah salah satu tolok ukur paling dikenal, dan ini yang kami semua amati dengan saksama. Tolok ukur ini mengukur kemampuan model untuk bernalar secara umum. 

Grafik berikut menunjukkan keberhasilan berbagai model frontier pada tolok ukur HLE baik dengan maupun tanpa alat. (‘Dengan alat’ berarti model diizinkan menggunakan kemampuan eksternal seperti menelusuri web dan mengeksekusi kode.)

Grafik ini mungkin lebih baik jika menjadi dua grafik. Terlepas dari poin kecil itu, intinya jelas: Opus 4.6 adalah pemimpin di kategori ‘dengan alat’ dan ‘tanpa alat’. 

GDPval-AA

GDPval-AA (seperti namanya) adalah ujian tentang apa yang dianggap sebagai pekerjaan berbasis pengetahuan yang bernilai secara ekonomi. Pikirkan hal-hal seperti menjalankan model finansial atau melakukan riset.

GDPval-AA dan tolok ukur serupa lainnya menjadi semakin penting karena mereka benar-benar mengukur jenis pekerjaan yang dibayar oleh perusahaan. Keberhasilan Opus 4.6 pada GDPval-AA juga merupakan tantangan langsung lainnya terhadap rangkaian model GPT karena OpenAI dan Anthropic bersaing untuk banyak pelanggan yang sama.

BrowseComp

BrowseComp adalah tolok ukur terakhir yang layak disebut dari rilis ini.  Ini mengukur kemampuan model melacak informasi yang sulit ditemukan secara online. Sedikit sejarah: OpenAI sebenarnya mengembangkan BrowseComp untuk menampilkan kemampuan pencarian model mereka sendiri. 

Dalam langkah yang cukup menohok, pada rilis ini, Anthropic menautkan langsung ke pengumuman OpenAI bulan April 2025 tentang pengembangan BrowseComp saat menyoroti bahwa Opus 4.6 memuncaki grafiknya. Sedikit manuver licik, mengutip tolok ukur OpenAI untuk ‘mengembalikannya’ seperti itu.

Harga dan Ketersediaan Claude 4.6

Opus 4.6 tersedia luas pada saat artikel ini dibuat. Namun, Anda tidak dapat mengakses Opus 4.6 tanpa meningkatkan ke akun pro, yang hadir dengan manfaat lain, seperti memungkinkan Anda menggunakan Claude in Excel. 

Jika Anda seorang pengembang, Anda harus menggunakan claude-opus-4-6 di Claude API. Harganya tidak berubah: Masih $5/$25 per juta token. Jika Anda bingung tentang dua angka tersebut, ketahuilah bahwa angka pertama adalah yang Anda bayar untuk mengirim token ke model (maksudnya prompt Anda), dan angka kedua adalah yang Anda bayar untuk token yang dihasilkan kembali (tanggapannya).

Pemikiran Akhir  

Claude Opus 4.6 memuncaki papan peringkat pada tolok ukur penting seperti GPDVal-AA, yang mengukur seberapa baik model berkinerja pada tugas-tugas yang penting secara ekonomi, yaitu yang menjadi perhatian pelanggan enterprise besar. OpenAI mungkin terusik oleh perkembangan ini karena hanya beberapa jam sebelum rilis Opus 4.6, mereka mengumumkan OpenAI Frontier, yaitu platform enterprise baru untuk membangun, menerapkan, dan mengelola agen AI di produksi. 

Dengan kata lain, alih-alih bersaing pada tolok ukur model, Frontier menunjukkan bahwa OpenAI fokus pada infrastruktur di sekitar rangkaian modelnya, khususnya dengan memberi agen AI konteks bisnis bersama, izin, dan kemampuan menerima serta belajar dari umpan balik seiring waktu. Kehilangan posisi pada tolok ukur, OpenAI memberi sinyal bahwa platformnya lebih siap untuk benar-benar membuat agen berguna di perusahaan. 

Apakah itu pergeseran strategis atau pengakuan diam-diam bahwa mereka kalah dalam perlombaan model, terserah Anda untuk menilai.

Secara keseluruhan, kami terkesan dengan apa yang ditawarkan Anthropic melalui Claude Opus 4.6, dan kami menantikan untuk langsung mencoba tim agen. Jika Anda ingin mempelajari lebih lanjut tentang keluarga Claude, pastikan untuk melihat kursus Introduction to Claude Models.