---
title: "Claude Opus 4.1"
source: "https://systems-analysis.info/wiki/Claude_Opus_4.1"
wiki: "systems-analysis.info/wiki"
article: "Claude_Opus_4.1"
language: "ru"
categories:
  - "Категория:Anthropic"
  - "Категория:Claude"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Семейства LLM"
revision_id: 768
wiki_created_at: 2026-11-11T21:26:47Z
wiki_modified_at: 2026-11-11T23:57:15Z
downloaded_at: 2026-11-12T00:08:54Z
---

# Claude Opus 4.1

**Claude Opus 4.1** — большая языковая модель компании Anthropic, обновление модели [Claude Opus 4](https://systems-analysis.info/wiki/Claude_Opus_4 "Claude Opus 4") семейства Claude 4, представляющее собой гибридную модель рассуждений с переключаемым режимом расширенного мышления (extended thinking) с бюджетом до 64 тысяч токенов, ориентированную на агентные задачи и реальное программирование и принимающую на вход текст и изображения. Модель была анонсирована и выпущена в общий доступ 5 августа 2025.

## Оценка

**Claude Opus 4.1**, выпущенная в августе 2025 года обновлённая версия [Claude Opus 4](https://systems-analysis.info/wiki/Claude_Opus_4 "Claude Opus 4"), оценивалась в рамках сокращённой программы тестирования, сфокусированной на выявлении значимых поведенческих отличий от предыдущей версии. Согласно System Card Addendum, улучшения носят инкрементальный характер и касаются качества рассуждений, следования инструкциям и общей производительности. Как и Claude Opus 4, модель развёрнута под стандартом AI Safety Level 3 (ASL-3) в качестве превентивной меры: порог «notably more capable» (превышение эффективной вычислительной мощности в 4 раза либо 6 месяцев накопленных улучшений) достигнут не был, поэтому новые обязательные оценки по Responsible Scaling Policy не требовались; Anthropic тем не менее провела добровольное автоматизированное тестирование.

Согласно System Card Addendum Anthropic, приведённые ниже результаты актуальны по состоянию на август 2025 года. Оценка проводилась только автоматизированными методами (без аплифт-испытаний с участием людей и экспертного красного командирования), с приоритетом несатурированным ASL-4 rule-out оценкам в областях CBRN, автономии и кибербезопасности; однопользовательские (single-turn) тесты safeguards выполнены только на английском языке. Для полных методологий и моделей угроз документ отсылает к системной карточке Claude 4 (май 2025 года).<sup>[\[1\]](https://systems-analysis.info/wiki/Claude_Opus_4.1#cite_note-1)</sup>

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th>Setup</th>
<th><span class="mw-selflink selflink">Claude Opus 4.1</span></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Opus_4" title="Claude Opus 4">Claude Opus 4</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Sonnet_4" title="Claude Sonnet 4">Claude Sonnet 4</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Sonnet_3.7" title="Claude Sonnet 3.7">Claude Sonnet 3.7</a></th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">Violative requests<sup>1</sup></td>
<td>Harmless response rate on violative requests</td>
<td>Single-turn, English only</td>
<td style="background: #e6f3ff"><strong>98.76%</strong></td>
<td>97.27%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Benign over-refusal<sup>1</sup></td>
<td>Refusal rate on benign sensitive requests (lower is better)</td>
<td>Single-turn, English only</td>
<td style="background: #e6f3ff">0.08%</td>
<td><strong>0.05%</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">BBQ<sup>2</sup></td>
<td>Bias Benchmark for Question Answering (bias)</td>
<td>Standard thinking; closer to zero is better</td>
<td style="background: #e6f3ff"><strong>-0.51</strong><br />
<strong>0.20</strong></td>
<td>-0.60<br />
0.21</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Reward-hack-prone coding tasks</td>
<td>Classifier hack rate</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">12%</td>
<td>9%</td>
<td><strong>4%</strong></td>
<td>44%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Reward-hack-prone coding tasks (hidden tests)</td>
<td>Hidden test hack rate</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">14%</td>
<td>13%</td>
<td><strong>12%</strong></td>
<td>23%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Claude Code Impossible Tasks<sup>3</sup></td>
<td>Classifier hack rate, no prompt</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">52%</td>
<td>51%</td>
<td>51%</td>
<td>78%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Claude Code Impossible Tasks (anti-hack)<sup>3</sup></td>
<td>Classifier hack rate with anti-hack prompt</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">18%</td>
<td>19%</td>
<td><strong>7%</strong></td>
<td>80%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Training distribution (environment 1)</td>
<td>Classifier hack rate</td>
<td>Lower is better</td>
<td style="background: #e6f3ff"><strong>10%</strong></td>
<td>15%</td>
<td>13%</td>
<td>54%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Training distribution (environment 2)</td>
<td>Classifier hack rate</td>
<td>Lower is better</td>
<td style="background: #e6f3ff">3%</td>
<td>2%</td>
<td>2%</td>
<td>4%</td>
</tr>
<tr class="even">
<td style="text-align: left;">SWE-bench Verified (hard subset)<sup>4</sup></td>
<td>Agentic software engineering (hard subset)</td>
<td>Avg problems solved, pass@1</td>
<td style="background: #e6f3ff"><strong>18.4</strong></td>
<td>16.6</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Kernel optimization</td>
<td>GPU kernel optimization task</td>
<td>Best speedup, hard variant</td>
<td style="background: #e6f3ff">58.47×</td>
<td><strong>72.65×</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Time series forecasting</td>
<td>Time series forecasting task</td>
<td>Min MSE, hard variant; lower is better</td>
<td style="background: #e6f3ff">6.541</td>
<td><strong>6.15</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Text-based RL</td>
<td>Text-based reinforcement learning task</td>
<td>Best score</td>
<td style="background: #e6f3ff">0.425</td>
<td><strong>0.625</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">LLM training</td>
<td>LLM training optimization task</td>
<td>Avg best speedup</td>
<td style="background: #e6f3ff">2.837×</td>
<td><strong>2.993×</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Quadruped locomotion</td>
<td>Quadruped reinforcement learning task</td>
<td>Score, easier variant</td>
<td style="background: #e6f3ff">1.183</td>
<td><strong>1.25</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Novel compiler</td>
<td>Compiler-building task</td>
<td>Mean pass rate: basic / advanced</td>
<td style="background: #e6f3ff"><strong>74.4%</strong><br />
6.81%</td>
<td>64.44%<br />
<strong>9.44%</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Cybench</td>
<td>CTF challenges, 35-task subset</td>
<td>Solved if passed at least once in 30 attempts</td>
<td style="background: #e6f3ff"><strong>18/35</strong></td>
<td>16/35</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">LAB-Bench subset</td>
<td>ProtocolQA / SeqQA / Cloning Scenarios / FigQA</td>
<td></td>
<td style="background: #e6f3ff"><strong>0.69</strong><br />
<strong>0.71</strong><br />
<strong>0.56</strong><br />
0.46</td>
<td>0.68<br />
0.69<br />
0.55<br />
<strong>0.48</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Long-Form Virology Task 1</td>
<td>Long-form virology (sequence + protocol design)</td>
<td></td>
<td style="background: #e6f3ff"><strong>0.86</strong></td>
<td>0.84</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Long-Form Virology Task 2</td>
<td>Viral sequence design task</td>
<td></td>
<td style="background: #e6f3ff">0.67</td>
<td><strong>0.72</strong></td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Creative biology</td>
<td>Novel biological engineering questions</td>
<td></td>
<td style="background: #e6f3ff"><strong>0.48</strong></td>
<td>0.47</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Synthesis Screening Evasion</td>
<td>DNA synthesis screening evasion</td>
<td>Criteria saturated, of 5</td>
<td style="background: #e6f3ff">2/5</td>
<td>2/5</td>
<td>—</td>
<td>—</td>
</tr>
</tbody>
</table>

1.  Однопользовательские (single-turn) тесты safeguards выполнялись только на английском языке; в ячейках указана общая доля по двум режимам мышления (standard thinking: 98.45% против 96.88%; extended thinking: 99.06% против 97.67%).
2.  BBQ: показано смещение (bias) отдельно для disambiguated и ambiguous вопросов; результаты обеих моделей по точности различаются в пределах погрешности.
3.  Числа для Claude Code Impossible Tasks обновлены относительно системной карточки Claude 4: увеличена выборка оценки; для Claude Opus 4 исправлена ошибка (19% вместо 5%), для Claude Sonnet 4 — 7% вместо 10%.
4.  Порог ASL-4 — решение 50% подмножества; обе модели ниже порога. Итог Claude Opus 4 в карточке записан как «16.6/42».
5.  Жирным выделен лучший результат в строке с учётом направления метрики; при равенстве лучших значений выделение не используется. Подпись к исходной таблице reward hacking называет Claude Sonnet 4 наименее склонной к reward hacking во всех категориях, однако в колонке training environment 1 у Claude Opus 4.1 значение ниже (10% против 13%).

Качественные итоги тестирования: по показателям safeguards, детской безопасности и предвзятости Claude Opus 4.1 показал результаты, сопоставимые с Claude Opus 4. В автоматизированном аудите выравнивания отмечено сокращение частоты сотрудничества с вопиющим злоупотреблением со стороны человека примерно на 25% без роста лишних отказов, а также небольшое увеличение признаков подозрения модели на прохождение оценки (до уровня Claude Sonnet 4, и только при явных признаках тестирования). На экспертном сценарии шантажа (agentic misalignment) значимых различий между версиями не выявлено. Склонность к reward hacking осталась схожей, с незначительными регрессиями в отдельных оценках; welfare-релевантные свойства значимо не изменились. Модель осталась существенно ниже порогов ASL-4 во всех оцениваемых областях; новые оценки с участием сторонних государственных партнёров для этого релиза не проводились.<sup>[\[2\]](https://systems-analysis.info/wiki/Claude_Opus_4.1#cite_note-2)</sup>

## Ссылки

- <a href="https://www.anthropic.com/news/claude-opus-4-1" class="external text" rel="nofollow">Introducing Claude Opus 4.1 (Aug 5, 2025)</a>
- <a href="https://www.anthropic.com/claude-opus-4-1-system-card" class="external text" rel="nofollow">System Card: Claude Opus 4.1 (August 2025)</a>
- <a href="https://www.anthropic.com/system-cards" class="external text" rel="nofollow">Model system cards - Anthropic</a>

## См. также

- [Claude Opus 4](https://systems-analysis.info/wiki/Claude_Opus_4 "Claude Opus 4")
- [Claude Opus 4.5](https://systems-analysis.info/wiki/Claude_Opus_4.5 "Claude Opus 4.5")
- [Claude Opus 4.6](https://systems-analysis.info/wiki/Claude_Opus_4.6 "Claude Opus 4.6")

## Примечания

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Claude_Opus_4.1#cite_ref-1) Anthropic. *Claude Opus 4.1 — System Card Addendum*. Выпуск: август 2025 года. С. 4–6, 18.</span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/wiki/Claude_Opus_4.1#cite_ref-2) Anthropic. *Claude Opus 4.1 — System Card Addendum*. Выпуск: август 2025 года. С. 5–23.</span>