Claude Opus 4.5: Điểm chuẩn, Tác nhân, Công cụ và hơn thế nữa

Ngay sau bản phát hành đáng chú ý của Gemini 3 từ Google, Anthropic đã công bố Claude Opus 4.5, gọi đây là “mẫu tốt nhất thế giới cho lập trình, tác nhân, và sử dụng máy tính.” 

Mặc dù Gemini 3 đạt điểm chuẩn rất ấn tượng, nó vẫn xếp sau Claude Sonnet 4.5 trên SWE-bench, bài kiểm tra kỹ năng kỹ thuật phần mềm. Với Claude Opus 4.5, Anthropic vượt qua chính điểm số của mình trên SWE-bench và các bài kiểm tra khác. 

Claude Opus 4.5 đánh dấu lần ra mắt mẫu quan trọng thứ ba của Anthropic chỉ trong hai tháng, sau Sonnet 4.5 và Haiku 4.5.  Và với việc Anthropic hiện được định giá hơn 350 tỷ đô la, chúng ta biết họ có nguồn lực để duy trì tốc độ này.

Trong bài viết này, tôi sẽ khám phá mọi điều mới ở Claude Opus 4.5, xem xét các điểm chuẩn, tính năng mới và trực tiếp thử nghiệm khả năng của nó.  

Claude Opus 4.5 là gì?

Claude Opus 4.5 là mẫu ngôn ngữ lớn mới nhất từ Anthropic. Kế thừa Opus 4, đây là mẫu tiên tiến nhất của Anthropic, tập trung vào lập trình, suy luận và các tác vụ kéo dài. Mẫu đạt 80,9% trên SWE-bench và 59,3% trên Terminal-bench. 

Claude Opus 4.5 hiện có trên các ứng dụng của Anthropic, API và các nền tảng đám mây lớn. 

Có gì mới ở Claude Opus 4.5?

Từ thông báo, những điểm sau nổi bật với tôi:

• Lập trình theo hướng tác nhân: Opus 4.5 đạt trình độ hàng đầu trên SWE-bench Verified, vượt qua Gemini 3 Pro của Google và GPT-5.1 của OpenAI. Anthropic cũng kiểm tra mẫu trên một bài thi tại nhà khó mà họ đưa cho các kỹ sư hiệu năng tiềm năng. Nó đạt điểm cao hơn bất kỳ ứng viên con người nào từng có.
• Sử dụng máy tính: Anthropic cho rằng Opus 4.5 là "mẫu tốt nhất thế giới cho việc sử dụng máy tính", tức là nó có thể tương tác với giao diện phần mềm, nhấp nút, điền biểu mẫu, điều hướng website như con người.
• Tác vụ hằng ngày: Theo Anthropic, mẫu "tốt hơn một cách có ý nghĩa" khi làm việc với bảng tính và slide cũng như tiến hành nghiên cứu chuyên sâu.

Cùng với việc ra mắt mẫu, Anthropic công bố một số cập nhật sản phẩm, tôi sẽ bàn kỹ hơn bên dưới. Bao gồm Claude for Chrome, tiện ích mở rộng trình duyệt cho phép Claude hành động trên nhiều thẻ, và Claude for Excel.

Kiểm thử Claude Opus 4.5

Một bài viết sẽ không trọn vẹn nếu không đưa mẫu mới vào vài bài kiểm tra. Hãy xem các cải tiến mới xử lý dải tác vụ như thế nào: 

Kiểm thử Opus 4.5 với một câu hỏi kinh tế học

Đầu tiên, tôi muốn xem Opus 4.5 xử lý một bài toán tối ưu hóa kinh tế học kinh điển ra sao. Tôi hình dung một mô hình cầu log-linear dự đoán lượng bán theo giá. Đây là dạng bài bạn sẽ gặp trong một khóa kinh tế lượng, nhưng cũng rất hữu ích. Nếu bạn biết đường cầu và chi phí, bạn có thể giải ra mức giá tối đa hóa doanh thu.

Opus 4.5 đưa ra câu trả lời đúng, không cần suy nghĩ lâu, và thực hiện liền mạch trong một lần.

Điều này khiến tôi ấn tượng vì hầu như bất kỳ công ty nào bán hàng cũng sẽ có một số hiểu biết về lượng bán và giá, nhưng không phải công ty nào cũng có nguồn lực để phác thảo lời giải cho các bài toán tối ưu hóa sơ cấp. 

Nhưng ở đây, với một lời nhắc được thiết kế tốt, bạn có thể dễ dàng tìm ra đáp án. Dĩ nhiên, vẫn tùy nhà phân tích quyết định liệu các ràng buộc đã được mô hình hóa đầy đủ hay chưa.

Điểm tôi cũng thích: Opus 4.5 “trình bày bài làm”. Nó không chỉ đưa ra một con số. Nó đi qua đạo hàm, phân tích thừa số và đại số. Nếu có lỗi, tôi có thể phát hiện chỗ sai.

Kiểm thử Opus 4.5 với một câu hỏi thống kê

Tiếp theo, tôi muốn kiểm tra Opus 4.5 với một câu hỏi thống kê. Tôi tạo một bộ dữ liệu trong đó yield là hàm của temperature với nhiễu được thêm vào. 

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))

Sau đó tôi đưa cho Claude lời nhắc này. 

Claude trả về cho tôi đoạn sau, tôi dùng để tạo biểu đồ histogram bên dưới.

# 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()

Tôi phải nói là tôi thích kết quả này. Opus 4.5 tìm được khoảng tin cậy cho hệ số dốc, đúng với điều tôi thực sự yêu cầu. 

Nó dùng phương pháp bootstrap, một kỹ thuật tốt để tìm khoảng tin cậy khi có phương sai sai số thay đổi. Cụ thể hơn, nó bootstrap trên phần dư, thay vì phương pháp bootstrap khác tái lấy mẫu cặp (X,Y), vốn sẽ giả định có sai số ở biến X. 

Tất cả điều này là một điểm tinh tế nhưng quan trọng với những người làm công việc kiểu này: Bootstrap phần dư sẽ tốt hơn khi X được cố định theo thiết kế, như tôi nêu trong lời nhắc, và khi bạn muốn suy luận có điều kiện trên đúng các giá trị X đó, như trong một nghiên cứu khoa học. Ý tôi là Opus 4.5 đã “lắng nghe” những điểm tinh tế trong lời nhắc.

Kiểm thử Opus 4.5 với một câu hỏi toán học

Tiếp theo, tôi muốn xem liệu mình có thể “gài” Opus 4.5 theo cách nào đó không.

Trong trường hợp này, mẫu đã đi trước tôi một bước. Opus 4.5 hiểu rằng câu hỏi của tôi mang tính vòng tròn — tôi định nghĩa X theo Y và ngược lại, nên chúng ta không thể rút ra ước lượng ý nghĩa cho hệ số dốc của đường hồi quy với dữ liệu có sẵn. 

Kiểm thử Opus 4.5 cho tối ưu hóa SQL

Cuối cùng, tôi nghĩ sẽ thú vị nếu kiểm tra Opus 4.5 với một câu hỏi SQL. Tôi gửi một truy vấn SQL chạy được nhưng rất kém hiệu quả. 

-- 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;

Tôi yêu cầu Opus 4.5 cải thiện truy vấn. Nó đưa ra câu trả lời trong khoảng một giây.

-- 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;

Trong số các cải tiến, Opus 4.5 thay thế truy vấn con tương quan cho AVG bằng một CTE. (Truy vấn gốc tính lại AVG(order_total) cho từng hàng được đánh giá, còn CTE giờ tính trung bình của mỗi khách hàng một lần từ đầu.) Opus 4.5 cũng loại bỏ mệnh đề IN (SELECT DISTINCT ...) dư thừa, vốn làm việc thừa. Và nó chuyển truy vấn con EXISTS thành JOIN, hợp lý hơn.

Tác nhân Claude Opus 4.5 và Năng lực mang tính tác nhân

Có những điểm nổi bật khác trong bản phát hành mới nhất của Anthropic. Hãy xem chi tiết hơn: 

Tính năng nền tảng dành cho nhà phát triển

Anthropic đã bổ sung một số khối xây dựng mới cho nhà phát triển. Đáng chú ý nhất là tham số effort, cho phép bạn kiểm soát mức độ “suy nghĩ” của mẫu trước khi phản hồi. Đặt thấp cho tác vụ nhanh, nhẹ; đặt cao hơn khi bạn cần mẫu “nhai kỹ” vấn đề. 

Theo Anthropic, ở mức effort trung bình, Opus 4.5 đạt điểm SWE-bench tốt nhất của Sonnet 4.5 trong khi dùng ít hơn 76% token đầu ra. Ở mức effort cao, nó vượt Sonnet hơn 4% — vẫn dùng gần bằng một nửa số token.

Cũng có quản lý ngữ cảnh và bộ nhớ được cải thiện. Với các tác nhân chạy dài, Claude giờ có thể tự động tóm tắt ngữ cảnh trước đó để không “đụng trần” giữa chừng. Điều này kết hợp với nén ngữ cảnh, giúp tác nhân chạy lâu hơn với ít can thiệp.

Cuối cùng, Opus 4.5 tỏ ra khá giỏi trong điều phối đa tác nhân, tức có thể quản lý một nhóm tác nhân con. 

Claude Opus 4.5 Deep Research

Có vẻ như hiệu suất của Opus 4.5 trên một đánh giá nghiên cứu chuyên sâu đã tăng khoảng 15%.

Tôi đã tự kiểm tra khả năng nghiên cứu chuyên sâu. Tôi yêu cầu nó viết một báo cáo về các từ tiếng Anh cổ còn tồn tại đến ngày nay nhưng không phổ biến, và cách những từ loại này thay đổi theo thời gian. Báo cáo sẵn sàng sau bảy phút: