Claude Opus 4.5: benchmarks, agents, tools en meer

Kort na de indrukwekkende release van Gemini 3 van Google kondigde Anthropic onlangs Claude Opus 4.5 aan, dat het omschrijft als het ‘beste model ter wereld voor coderen, agents en computergebruik’. 

Ondanks de zeer indrukwekkende benchmarks van Gemini 3 kwam het nog steeds achter Claude Sonnet 4.5 op de SWE-bench, een test van software-engineeringsvaardigheden. Met Claude Opus 4.5 verbetert Anthropic zijn eigen score op de SWE-bench en andere tests. 

Claude Opus 4.5 is Anthropics derde grote modellancering in slechts twee maanden, na Sonnet 4.5 en Haiku 4.5.  En nu Anthropic een waardering heeft van meer dan $350 miljard, weten we dat ze de middelen hebben om dit tempo vol te houden.

In dit artikel bekijk ik alles wat nieuw is aan Claude Opus 4.5: de benchmarks, de nieuwe functies, en ik ga hands-on om zijn capaciteiten te testen.  

Wat is Claude Opus 4.5?

Claude Opus 4.5 is het nieuwste large language model van Anthropic. Het volgt Opus 4 op en is Anthropics meest geavanceerde model, met een focus op coderen, redeneren en taken die lang draaien. Het model scoort 80,9% op de SWE-bench en 59,3% op de Terminal-bench. 

Claude Opus 4.5 is nu beschikbaar in Anthropics apps, de API en op grote cloudplatformen. 

Wat is er nieuw in Claude Opus 4.5?

Uit de aankondiging viel mij het volgende op:

• Agentisch coderen: Opus 4.5 is state-of-the-art op SWE-bench Verified en presteert beter dan Google’s Gemini 3 Pro en OpenAI’s GPT-5.1. Anthropic testte het model ook op een lastige take-home-toets die ze potentiële performance engineers geven. Het scoorde hoger dan welke menselijke kandidaat dan ook ooit had gedaan.
• Computergebruik: Anthropic claimt dat Opus 4.5 "het beste model ter wereld voor computergebruik" is, wat betekent dat het met software-interfaces kan omgaan: op knoppen klikken, formulieren invullen, websites navigeren, net als een mens.
• Alledaagse taken: Volgens Anthropic is het model "merkbaar beter" in werken met spreadsheets en slides en in het uitvoeren van diepgaand onderzoek.

Naast de modellancering kondigde Anthropic verschillende productupdates aan, waar ik hieronder dieper op inga. Ze omvatten Claude voor Chrome, de browserextensie waarmee Claude acties kan uitvoeren over tabbladen heen, en Claude voor Excel.

Claude Opus 4.5 testen

Een verslag is niet compleet zonder het nieuwe model aan een of twee tests te onderwerpen. Laten we kijken hoe de nieuwe verbeteringen omgaan met verschillende taken: 

Opus 4.5 testen met een economievraag

Eerst wilde ik zien hoe Opus 4.5 een klassieke optimalisatievraag uit de economie aanpakt. Ik dacht aan een log-lineair vraagmodel dat de verkochte hoeveelheid voorspelt op basis van prijs. Het is iets wat je in een econometriecollege ziet, maar ook echt nuttig is. Als je je vraagcurve en je kosten kent, kun je de prijs oplossen die de omzet maximaliseert.

Opus 4.5 gaf me het juiste antwoord, zonder er lang over na te denken, en het gebeurde in één keer.

Dit maakte indruk, omdat zowat elk bedrijf dat iets verkoopt wel een idee heeft van hoeveelheid en prijs, maar niet elk bedrijf de middelen heeft om basisoptimalisatieproblemen uit te tekenen. 

Maar hier kun je, met een goed ontworpen prompt, je antwoord eenvoudig vinden. Natuurlijk is het nog steeds aan de analist om te bepalen of genoeg van de randvoorwaarden echt goed zijn gemodelleerd.

Dit vond ik ook fijn: Opus 4.5 liet zien hoe het te werk ging. Het gaf me niet alleen een getal. Het liep de afgeleide, het ontbinden en de algebra door. Als het een fout had gemaakt, had ik kunnen zien waar.

Opus 4.5 testen met een statistiekvraag

Vervolgens wilde ik Opus 4.5 testen op een statistiekvraag. Ik maakte een dataset waarin yield een functie was van temperature met toegevoegde ruis. 

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))

Daarna gaf ik Claude deze prompt. 

Claude gaf me het volgende terug, wat ik gebruikte om hieronder een histogram te maken.

# 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()

Ik moet zeggen dat ik dit resultaat goed vind. Opus 4.5 vond een betrouwbaarheidsinterval voor de helling, en dat was precies waar ik om vroeg. 

Het gebruikte een bootstrapmethode, wat een goede techniek is om betrouwbaarheidsintervallen te vinden wanneer heteroscedasticiteit aanwezig is. Het gebruikte bovendien specifiek een bootstrap op de residuen, in plaats van een andere bootstrapmethode die (X,Y)-paren hersampelt, wat zou impliceren dat er fout in de X-term zit. 

Dit is een subtiel maar waarschijnlijk belangrijk punt voor mensen die dit soort werk doen: een residu-bootstrap is beter wanneer X door ontwerp vastligt, zoals ik in mijn prompt aangaf, en wanneer je dus inferentie wilt conditioneel op die exacte X-waarden, zoals bij een wetenschappelijke studie. Wat ik wil zeggen is dat Opus 4.5 luisterde naar de subtiliteiten in de prompt.

Opus 4.5 testen met een wiskundevraag

Daarna wilde ik zien of ik Opus 4.5 op de een of andere manier op het verkeerde been kon zetten.

In dit geval was het model me ver vooruit. Opus 4.5 begreep dat mijn vraag circulair was - ik definieerde X via Y en omgekeerd, dus we konden geen zinvolle schatting voor de helling van een regressielijn halen uit wat we hadden. 

Opus 4.5 testen voor SQL-optimalisatie

Tot slot leek het me leuk om Opus 4.5 te testen met een SQL-vraag. Ik stuurde een werkbare maar erg inefficiënte SQL-query. 

-- 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;

Ik vroeg Opus 4.5 de query te verbeteren. Binnen ongeveer een seconde kreeg ik antwoord.

-- 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;

Onder meer verving Opus 4.5 de gecorreleerde subquery voor AVG door een CTE. (De oorspronkelijke query herberekende AVG(order_total) voor elke rij die werd geëvalueerd, maar de CTE berekent nu voor elke klant één keer vooraf het gemiddelde.) Opus 4.5 verwijderde ook de overbodige IN (SELECT DISTINCT ...)-clausule, die onnodig extra werk deed. En het zette de EXISTS-subquery om naar een JOIN, wat beter is.

Claude Opus 4.5 Agents en agentische capaciteiten

Er waren meer highlights in deze nieuwste release van Anthropic. Laten we ze in meer detail bekijken: 

Functies voor het ontwikkelaarsplatform

Anthropic heeft verschillende nieuwe bouwstenen voor ontwikkelaars toegevoegd. De meest opvallende is de effort-parameter, waarmee je kunt bepalen hoeveel denkwerk het model doet voordat het reageert. Zet ‘m laag voor snelle, lichte taken; zet ‘m hoger als je wilt dat het model ergens goed op kauwt. 

Volgens Anthropic evenaart Opus 4.5 bij medium effort Sonnet 4.5’s beste SWE-benchscore met 76% minder outputtokens. Bij high effort verslaat het Sonnet met meer dan 4% — nog steeds met bijna de helft van het aantal tokens.

Er is ook verbeterd contextbeheer en geheugen. Voor agents die lang draaien kan Claude nu automatisch eerdere context samenvatten, zodat het niet halverwege een taak vastloopt. Dit gaat samen met contextcompactie, waardoor agents langer blijven draaien met minder ingrijpen.

Tot slot schijnt Opus 4.5 behoorlijk goed te zijn in multi-agent-orkestratie, wat betekent dat het een team van subagents kan aansturen. 

Claude Opus 4.5 Deep Research

Blijkbaar is Opus 4.5’s prestatie op een deep research-evaluatie met ongeveer 15% gestegen.

Ik heb de deep research-capaciteit zelf getest. Ik vroeg om een rapport over Oud-Engelse woorden die vandaag de dag nog bestaan maar niet veel worden gebruikt, en hoe dit soort woorden in de loop van de tijd is veranderd. Het rapport was in zeven minuten klaar: