Anthropic: Claude Opus 4.7 — улучшенное кодирование и высокое разрешение vision

16 апреля 2026 года Anthropic выпустил Claude Opus 4.7. Модель доступна на Claude.ai, через API, в Amazon Bedrock, Google Cloud Vertex AI и Microsoft Foundry по той же цене, что и предыдущая версия: $5 за миллион входных токенов и $25 за миллион выходных. Разработчики обращаются к ней по идентификатору claude-opus-4-7.

Наиболее значимое улучшение для продуктовых команд, использующих агентные воркфлоу, — надёжность кода. Модель обнаруживает логические ошибки на этапе планирования, а не в ходе выполнения, и реже допускает ошибки при вызове инструментов в многошаговых задачах. Для команд, уже использующих Claude в автоматизированных пайплайнах, это снижает частоту ручных исправлений при длительных операциях.

Возможности vision существенно расширились. Opus 4.7 принимает изображения с длинной стороной до 2 576 пикселей — около 3,75 мегапикселя, что более чем втрое превышает разрешение, поддерживаемое предыдущими моделями. Это делает модель более практичной для задач типа чтения плотных UI-скриншотов, интерпретации технических диаграмм или обработки дизайн-файлов в агентных воркфлоу.

Новая функция task budgets задаёт модели оценку токенов для полного агентного цикла. Claude Opus 4.7 использует этот обратный отсчёт для приоритизации работы и завершения задач в рамках выделенного бюджета. Для продуктовых команд, запускающих production-агентов, это обеспечивает более предсказуемые затраты на вычисления и более аккуратное завершение задач при нехватке ресурсов.

Модель использует новый токенизатор, из-за которого потребление токенов может вырасти в 1–1,35 раза по сравнению с предыдущими версиями. Командам, оценивающим расходы на API для существующих промптов, стоит учесть это при переходе.

Почему это важно для product manager’ов

Для PM, создающих AI-функции на базе Claude, Opus 4.7 наиболее актуален, если текущая реализация предполагает агентов для кодирования, сложный анализ документов или image-интенсивные воркфлоу, где предыдущие версии давали ненадёжные результаты. Улучшенное следование инструкциям также требует внимания: промпты, откалиброванные под более ранние модели, могут потребовать перенастройки, поскольку модель интерпретирует инструкции точнее.