Claude Opus 4.5: Kıyaslamalar, Ajanlar, Araçlar ve Daha Fazlası

Google’ın etkileyici Gemini 3 sürümünün hemen ardından, Anthropic kısa süre önce Claude Opus 4.5’i duyurdu ve onu ‘kodlama, ajanlar ve bilgisayar kullanımı için dünyanın en iyi modeli’ olarak selamladı. 

Gemini 3’ün son derece etkileyici kıyaslamalarına rağmen, yazılım mühendisliği becerilerini ölçen SWE bench testinde yine de Claude Sonnet 4.5’in gerisinde kaldı. Claude Opus 4.5 ile Anthropic, SWE bench ve diğer testlerde kendi skorunu da aşıyor. 

Claude Opus 4.5, Anthropic’in sadece iki ay içinde üçüncü büyük model lansmanını işaret ediyor; Sonnet 4.5 ve Haiku 4.5’in ardından.  Ve artık Anthropic’in değerlemesi 350 milyar doların üzerine çıktığına göre, bu tempoyu sürdürmek için kaynaklara sahip olduklarını biliyoruz.

Bu yazıda, kıyaslamalara, yeni özelliklere bakarak ve yeteneklerini bizzat test ederek Claude Opus 4.5’teki tüm yenilikleri inceleyeceğim.  

Claude Opus 4.5 nedir?

Claude Opus 4.5, Anthropic’in en yeni büyük dil modelidir. Opus 4’ün devamı niteliğindeki bu model, kodlama, akıl yürütme ve uzun süreli görevler üzerine odaklanan Anthropic’in en gelişmiş modelidir. Model, SWE-bench’te %80,9 ve Terminal-bench’te %59,3 skor alıyor. 

Claude Opus 4.5 artık Anthropic’in uygulamalarında, API’de ve büyük bulut platformlarında kullanılabilir. 

Claude Opus 4.5’te neler yeni?

Duyurudan, şu noktalar dikkatimi çekti:

• Ajan odaklı kodlama: Opus 4.5, SWE-bench Verified’da son teknoloji düzeyinde olup Google’ın Gemini 3 Pro’sunu ve OpenAI’ın GPT-5.1’ini geride bırakıyor. Anthropic ayrıca modeli, potansiyel performans mühendislerine verdikleri zorlu bir ev tipi sınavda test etti. Herhangi bir insan adayın aldığı en yüksek puandan daha yüksek bir puan aldı.
• Bilgisayar kullanımı: Anthropic, Opus 4.5’in "bilgisayar kullanımı için dünyanın en iyi modeli" olduğunu iddia ediyor; yani bir insan gibi yazılım arayüzleriyle etkileşime geçerek düğmelere tıklayabiliyor, formları doldurabiliyor, web sitelerinde gezinebiliyor.
• Gündelik görevler: Anthropic’e göre model, e-tablolar ve slaytlarla çalışma ve derin araştırma yürütme konularında "kayda değer biçimde daha iyi".

Model lansmanının yanı sıra, Anthropic birkaç ürün güncellemesi de duyurdu; bunları aşağıda daha ayrıntılı ele alacağım. Bunlar arasında sekmeler arasında eylem almasına olanak tanıyan tarayıcı uzantısı Chrome için Claude ve Excel için Claude yer alıyor.

Claude Opus 4.5’i test etmek

Yeni modeli bir iki teste tabi tutmadan bir inceleme tamamlanmış sayılmaz. Bakalım yeni iyileştirmeler çeşitli görevlerle nasıl başa çıkıyor: 

Opus 4.5’i bir iktisat sorusuyla test etmek

Öncelikle Opus 4.5’in klasik bir iktisat optimizasyon problemini nasıl ele aldığını görmek istedim. Fiyattan satılan miktarı tahmin eden log-lineer bir talep modeli hayal ediyorum. Ekonometri dersinde görebileceğiniz türden bir konu ama aynı zamanda gerçekten faydalı. Talep eğrinizi ve maliyetlerinizi bilirseniz, geliri maksimize eden fiyatı çözebilirsiniz.

Opus 4.5 bana doğru cevabı, uzun uzadıya düşünmeden ve tek seferde verdi.

Bu beni etkiledi çünkü herhangi bir şey satan hemen her şirketin satılan miktar ve fiyata dair bir fikri olur; ancak her şirketin temel optimizasyon problemlerine yanıtlar tasarlayacak kaynakları olmayabilir. 

Ama burada, iyi tasarlanmış bir istemle cevabınızı kolayca bulabilirsiniz. Elbette, kısıtların yeterince doğru modellenip modellenmediğine karar vermek yine analiste kalacaktır.

Şunu da sevdim: Opus 4.5 ara adımlarını gösterdi. Sadece bir sayı vermedi. Türev, çarpanlara ayırma ve cebir adımlarını anlattı. Hata yapsaydı, nerede yaptığını görebilirdim.

Opus 4.5’i bir istatistik sorusuyla test etmek

Sırada, Opus 4.5’i bir istatistik sorusunda test etmek istedim. Gürültü eklenmiş şekilde temperature’ın bir fonksiyonu olan yield değişkenine sahip bir veri seti oluşturdum. 

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))

Sonra Claude’a şu istemi verdim. 

Claude bana aşağıdakileri gönderdi; aşağıda bir histogram oluşturmak için bunu kullandım.

# 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()

Bu sonucu beğendiğimi söylemeliyim. Opus 4.5, aslında istediğim şey olan eğim için bir güven aralığı buldu. 

Bir bootstrap yöntemi kullandı; bu, heteroskedastisite varken güven aralıklarını bulmak için iyi bir tekniktir. Ayrıca, X,Y çiftlerini yeniden örnekleyen başka bir bootstrap yöntemi yerine artık hatalara bootstrap uyguladı; bu diğer yöntem X teriminde hata olduğunu varsayardı. 

Tüm bunlar, bu tür işleri yapanlar için ince ama muhtemelen önemli bir nokta: İstemimde belirttiğim gibi X tasarımla sabitlendiğinde ve dolayısıyla tıpkı bilimsel bir çalışmada olduğu gibi tam olarak bu X değerlerine koşullu çıkarım istediğinizde, artık bootstrap daha iyi olur. Demek istediğim, Opus 4.5 istemdeki incelikleri dikkate aldı.

Opus 4.5’i bir matematik sorusuyla test etmek

Sonra, Opus 4.5’i bir şekilde tökezletip tökezletemeyeceğimi görmek istedim.

Bu durumda model benden çok ilerideydi. Opus 4.5 sorumun döngüsel olduğunu anladı - X’i Y ile, Y’yi de X ile tanımlıyordum; dolayısıyla elimizdeki verilerle bir regresyon doğrusunun eğimi için anlamlı bir tahmin çıkaramazdık. 

Opus 4.5’i SQL optimizasyonu için test etmek

Son olarak, Opus 4.5’i bir SQL sorusunda test etmenin eğlenceli olacağını düşündüm. Çalışan ama oldukça verimsiz bir SQL sorgusu gönderdim. 

-- 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;

Opus 4.5’ten sorguyu iyileştirmesini istedim. Yaklaşık bir saniyede yanıt verdi.

-- 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;

Diğerlerinin yanı sıra, Opus 4.5 AVG için korele alt sorguyu bir CTE ile değiştirdi. (Orijinal sorgu, değerlendirilmekte olan her bir satır için AVG(order_total)’ı yeniden hesaplıyordu; CTE ise artık her müşterinin ortalamasını baştan bir kez hesaplıyor.) Opus 4.5 ayrıca gereksiz IN (SELECT DISTINCT ...) ifadesini kaldırdı; bu ifade boşuna ekstra iş yapıyordu. Ve EXISTS alt sorgusunu bir JOIN’a çevirdi; bu daha iyi.

Claude Opus 4.5 Ajanları ve Ajanik Yetenekler

Anthropic’in bu son sürümünde başka öne çıkan noktalar da vardı. Daha ayrıntılı bakalım: 

Geliştirici platformu özellikleri

Anthropic, geliştiriciler için birkaç yeni yapı taşı ekledi. En dikkat çekeni, modelin yanıt vermeden önce ne kadar düşündüğünü kontrol etmenizi sağlayan effort parametresi. Hızlı, hafif görevler için düşük; modelin bir şeyi iyice irdelemesini istediğinizde daha yüksek ayarlayın. 

Anthropic’e göre, orta effort seviyesinde Opus 4.5, Sonnet 4.5’in en iyi SWE-bench skoruna, çıktı belirteçlerini %76 azaltarak ulaşıyor. Yüksek effort seviyesinde ise Sonnet’i %4’ten fazla geçiyor — yine de belirteçlerin neredeyse yarısını kullanarak.

Ayrıca bağlam yönetimi ve bellek geliştirmeleri de var. Uzun süre çalışan ajanlar için Claude artık daha önceki bağlamı otomatik olarak özetleyebiliyor; böylece görev ortasında duvara toslamıyor. Bu, ajanların daha az müdahaleyle daha uzun süre çalışmasını sağlayan bağlam sıkıştırma ile birlikte geliyor.

Son olarak, Opus 4.5 çoklu ajan orkestrasyonunda oldukça iyi görünüyor; bu da bir alt ajan ekibini yönetebileceği anlamına geliyor. 

Claude Opus 4.5 Derin Araştırma

Görünüşe göre Opus 4.5’in derin araştırma değerlendirmesindeki performansı yaklaşık %15 arttı.

Derin araştırma yeteneğini kendi testimden geçirdim. Günümüzde hâlâ yaşayan ancak yaygın kullanılmayan Eski İngilizce sözcükler ve bu tür sözcüklerin zaman içinde nasıl değiştiğine dair bir rapor vermesini istedim. Rapor yedi dakikada hazırdı: