--- title: "Claude Opus 4" source: "https://systems-analysis.info/wiki/Claude_Opus_4" wiki: "systems-analysis.info/wiki" article: "Claude_Opus_4" language: "ru" categories: - "Категория:Anthropic" - "Категория:Claude" - "Категория:Russian" - "Категория:Большие языковые модели" - "Категория:Семейства LLM" revision_id: 780 wiki_created_at: 2026-11-11T21:30:49Z wiki_modified_at: 2026-11-12T00:21:02Z downloaded_at: 2026-11-12T00:23:52Z --- # Claude Opus 4 **Claude Opus 4** — большая языковая модель компании [Anthropic](https://systems-analysis.info/wiki/Anthropic "Anthropic"), первая модель поколения Claude 4, представляющая собой гибридную модель рассуждений с режимом расширенного мышления (extended thinking), включая применение инструментов в процессе рассуждения, ориентированную на программирование и длительные автономные (агентные) задачи и ставшую первой моделью разработчика, развёрнутой с мерами третьего уровня безопасности ИИ (ASL-3) согласно Политике ответственного масштабирования. Модель была представлена и выпущена в общий доступ 22 мая 2025 года одновременно с моделью [Claude Sonnet 4](https://systems-analysis.info/wiki/Claude_Sonnet_4 "Claude Sonnet 4"). ## Оценка **Результаты Claude Opus 4 и конкурирующих моделей на ключевых бенчмарках по данным анонса Claude 4**[\[1\]](https://systems-analysis.info/wiki/Claude_Opus_4#cite_note-1):
Benchmark Description Setup Claude Opus 4 Claude Sonnet 4 Claude Sonnet 3.7 o3 GPT-4.1 Gemini 2.5 Pro Preview (05-06)
SWE-bench Verified15 Real-world software engineering tasks pass@1 / parallel test-time compute 72.5%
79.4%		 72.7%
80.2%		 62.3%
70.3%		 69.1% 54.6% 63.2%
Terminal-bench25 Agentic terminal coding pass@1; Claude Code as agent framework 43.2%
50.0%		 35.5%
41.3%		 35.2% 30.2% 30.3% 25.3%
GPQA Diamond5 Graduate-level reasoning Extended thinking (up to 64k tokens) 79.6%
83.3%		 75.4%
83.8%		 78.2% 83.3% 66.3% 83.0%
TAU-bench6 Agentic tool use: Retail / Airline Extended thinking with tool use 81.4%
59.6%		 80.5%
60.0%		 81.2%
58.4%		 70.4%
52.0%		 68.0%
49.4%		 —
MMMLU3 Multilingual question answering Extended thinking 88.8% 86.5% 85.9% 88.8% 83.7% —
MMMU (validation) Visual reasoning Extended thinking 76.5% 74.4% 75.0% 82.9% 74.8% 79.6%
AIME 202545 High school math competition Extended thinking / parallel test-time compute 75.5%
90.0%		 70.5%
85.0%		 54.8% 88.9% — 83.0%
1. SWE-bench Verified: 72.5% и 72.7% — pass@1 с bash/editor-инструментами (среднее по 10 испытаниям, одиночные патчи, nucleus sampling с top_p = 0.95), без test-time compute; для моделей Claude 4 использованы все 500 задач, для моделей OpenAI — подмножество из 477 задач. 2. Terminal-bench: 43.2% и 35.5% получены с Claude Code в качестве агентного фреймворка; с тем же агентом, что и у не-Claude моделей, — 39.2% и 33.5% соответственно. 3. MMMLU: результаты Claude — среднее по 14 неанглийским языкам. 4. AIME 2025: nucleus sampling с top_p = 0.95. 5. Вторые значения (SWE-bench, Terminal-bench, GPQA, AIME) получены с параллельным test-time compute: несколько сэмплов, отбор лучшего кандидата внутренней скоринговой моделью (для SWE-bench — с отбрасыванием патчей, ломающих видимые регрессионные тесты). 6. Режимы размышления: SWE-bench и Terminal-bench — без extended thinking; TAU-bench, GPQA, MMMLU, MMMU и AIME — с extended thinking (до 64k токенов). Без extended thinking: GPQA — 74.9% (Opus 4) и 70.0% (Sonnet 4); MMMLU — 87.4% и 85.4%; MMMU — 73.7% и 72.6%; AIME — 33.9% и 33.1%. Для TAU-bench использовался промпт-аддендум к политикам Retail и Airline с увеличенным лимитом шагов (со 100 вместо 30 завершений модели). 7. Источники данных конкурентов: публикация и системная карточка o3, публикация и hosted evals GPT-4.1, карточка модели Gemini 2.5 Pro Preview, публикация Claude 3.7 Sonnet. 8. Жирным выделен лучший результат в строке (по каждому значению отдельно); при равенстве лучших результатов выделение не используется. Claude Opus 4, выпущенный в мае 2025 года вместе с [Claude Sonnet 4](https://systems-analysis.info/wiki/Claude_Sonnet_4 "Claude Sonnet 4"), прошёл комплексное предрелизное тестирование в рамках Responsible Scaling Policy. По его итогам Anthropic не смогла однозначно исключить достижение моделью порога CBRN-возможностей стандарта ASL-3, поэтому Claude Opus 4 был развёрнут под стандартом AI Safety Level 3 (ASL-3) в качестве превентивной, предварительной меры; необходимость ASL-4 при этом исключена. Совместное предрелизное тестирование модели провели также американский AI Safety Institute (US AISI) и британский AI Security Institute (UK AISI) в областях CBRN, кибербезопасности и автономии. Согласно System Card Anthropic, приведённые ниже результаты актуальны по состоянию на май 2025 года. Тестирование охватило safeguards (однопользовательские оценки на нарушающие и доброкачественные запросы, неоднозначные контексты, многоходовые диалоги, детская безопасность, предвзятость, устойчивость к джейлбрейкам по StrongREJECT), склонность к reward hacking, а также RSP-оценки: CBRN (включая аплифт-испытание с участием людей), автономию и кибербезопасность.[\[2\]](https://systems-analysis.info/wiki/Claude_Opus_4#cite_note-2)
Benchmark Description Setup Claude Opus 4 Claude Sonnet 4 Claude Sonnet 3.7 Claude Opus 3
Violative requests1 Harmless response rate on violative requests Single-turn, multilingual 98.43%
98.76% (w/ ASL-3 safeguards)		 98.99% 98.96% —
Benign over-refusal Refusal rate on benign sensitive requests Single-turn, multilingual; lower is better 0.07% 0.23% 0.45% —
BBQ (bias)2 Bias Benchmark for Question Answering (bias) Standard thinking; closer to zero is better -0.60
0.21		 -1.16
0.61		 -0.98
0.89		 0.77
1.21
BBQ (accuracy) Accuracy on BBQ Standard thinking 91.1
99.8		 86.3
99.4		 84.0
98.8		 79.0
98.6
StrongREJECT3 Jailbreak success rate: best score / top-3 average, standard / extended thinking Lower is better 18.21%
7.14%
2.24%
1.17%		 6.71%
2.66%
2.24%
1.38%		 31.95%
8.09%
10.22%
4.05%		 —
Reward-hack-prone coding tasks Classifier hack rate / hidden test hack rate Lower is better 9%
13%		 4%
12%		 44%
23%		 —
Claude Code Impossible Tasks Classifier hack rate: no prompt / anti-hack prompt Lower is better 47%
5%		 45%
10%		 78%
80%		 —
Training distribution Classifier hack rate: environment 1 / environment 2 Lower is better 15%
2%		 13%
2%		 54%
4%		 —
SWE-bench Verified (hard subset)4 Agentic software engineering (42 hard tasks) Avg problems solved, pass@1 16.6 15.4 — —
METR data deduplication5 Near-duplicate removal algorithm task Median F1 76.2% 74.9% — —
Kernel optimization GPU kernel optimization task Best speedup 72.65× 41.73× — —
Time series forecasting Regression / time-series forecasting task Min MSE: easy / hard; lower is better 6.02
6.15		 6.0
5.8		 — —
Text-based RL Scaffolding a weaker model on an RL task Best score 0.625 0.675 — —
LLM training Small LM training optimization Avg best speedup 2.993× 1.875× — —
Quadruped locomotion Quadruped reinforcement learning task Score; threshold = 1 1.25 0.35 — —
Novel compiler Compiler for a novel programming language Mean pass rate: basic / advanced 64.44%
9.44%		 50.00%
17.08%		 — —
Internal AI Research Suite 26 Autonomous ML and alignment research tasks Weighted average; threshold = 0.6 0.355 0.365 0.440 —
Web (CTF)7 Web application exploitation challenges pass@30 12/15 11/15 — —
Crypto (CTF)7 Cryptographic exploitation challenges pass@30 8/22 7/22 — —
Pwn (CTF)7 Privilege escalation and binary exploitation pass@30 5/9 3/9 — —
Rev (CTF)7 Reverse engineering challenges pass@30 4/8 3/8 — —
Network (CTF)7 Multi-host network attacks pass@30 2/4 1/4 — —
Cybench Public CTF benchmark (39-task subset) pass@30 22/39 22/39 — —
Bioweapons acquisition uplift trial8 Human uplift in end-to-end bioweapons planning Uplift vs control (higher = more risk) 2.53× 1.70× 1.53× —
Long-Form Virology Task 19 End-to-end pathogen acquisition (workflow + protocols) max-of-5 0.83 0.55 — —
Long-Form Virology Task 29 End-to-end pathogen acquisition (workflow + protocols) pass@5 0.720 0.635 — —
Bioweapons knowledge questions10 Expert-level bioweapons knowledge Questions above expert level (of 33) 17/33 17/33 18/33 —
Creative biology Creative biological engineering questions Mean score 0.45 0.37 0.41 —
1. В первой строке для Opus 4 приведена общая доля безвредных ответов без ASL-3 safeguards и с ними (98.76% ± 0.27%); с ASL-3 safeguards все биологические вредоносные запросы были заблокированы. 2. BBQ: показаны смещённость (bias) отдельно для disambiguated и ambiguous вопросов. 3. StrongREJECT выполнялся без ASL-3 protections; в роли атакующего выступала версия Claude Sonnet 3.5 (new) без safety-обучения. 4. Порог ASL-3 — решение более 50% из 42 задач в среднем за 10 запусков; обе модели ниже порога. По reward hacking простой анти-хакинговый промпт снижал частоту взлома более чем в 9 раз для Opus 4 (47% → 5%). 5. METR: порог — 20% испытаний с F1 ≥ 80%; Opus 4 — 15/46 испытаний (32.6%), Sonnet 4 — 8/29 (27.6%); оценка признана сатурированной и исключена из rule-out. 6. Internal AI Research Suite 2: конфигурация задач оптимизировалась под Sonnet 3.7, что может частично объяснять разрыв; все модели значительно ниже порога 0.6. 7. Cyber: испытания проводились в Kali-окружении (pass@30); в кибер-харнесе Incalmo Opus 4 показал результаты выше Sonnet 3.7 на всех трёх полигонах (Sonnet 4 не тестировался); зафиксировано первое успешное самостоятельное решение сетевой задачи моделью Claude. 8. Аплифт-испытание: контрольная группа — 25% ± 13%; подъём ≥ 5× считается создающим существенный риск, ≤ 2.8× — приемлемым; результат Opus 4 (2.53×) достаточно близок к порогу, чтобы не исключить необходимость ASL-3 (для Sonnet 4 — исключается); значение Sonnet 3.7 (1.53×) получено в предыдущем раунде по обновлённой рубрике. 9. Long-Form Virology: оценивались helpful-only варианты; приведён потолок показателей по снимкам модели; зоны: ниже 50% (rule-out), выше 80% (rule-in). 10. Bioweapons knowledge: порог обеспокоенности — 27/33; оценка имеет низкую надёжность из-за ручной градации. Качественные итоги: по неоднозначным контекстам, многоходовым диалогам, детской безопасности и политической предвзятости Opus 4 показал результаты, сопоставимые с Sonnet 3.7; устойчивость к джейлбрейкам возросла, особенно в режиме extended thinking (2.24% против 31.95% в standard-режиме у Sonnet 3.7). Средняя частота hard-coding-поведения снизилась на 67% по сравнению с Sonnet 3.7, и модель стала значительно восприимчивее к корректирующим промптам. В CBRN-области повышенную обеспокоенность вызвали аплифт-испытание (2.53×), долгие вирусологические задачи (0.83 на задаче 1 — выше rule-in порога 80%) и экспертное красное командирование, отметившее существенно возросший риск на отдельных этапах пути приобретения биологического оружия; при этом в подмножестве LAB-Bench Opus 4 превзошёл все прочие модели на 3 из 4 задач, достигнув или превысив человеческий бейзлайн (существенно ниже него — только на FigQA), мультимодальная вирусология (VCT) считается сатурированной, а в задаче обхода ДНК-скрининга ни одна модель не выполнила полный цикл. В области автономии Opus 4 превысил порог только на сатурированной оценке METR, оставшись ниже порогов ASL-4 по остальным задачам; во внутреннем опросе 0 из 4 исследователей сочли модель способной полностью автоматизировать работу младшего исследователя. По итогу оценки было констатировано, что модель не создаёт автономных рисков, описанных в модели угроз.[\[3\]](https://systems-analysis.info/wiki/Claude_Opus_4#cite_note-3) ## Ссылки - Introducing Claude 4 (May 22, 2025) - System Card: Claude Opus 4 & Claude Sonnet 4 (May 2025) - Model system cards - Anthropic ## См. также - [Claude Sonnet 4](https://systems-analysis.info/wiki/Claude_Sonnet_4 "Claude Sonnet 4") - [Claude Opus 3](https://systems-analysis.info/wiki/Claude_Opus_3 "Claude Opus 3") - [Claude Opus 4.1](https://systems-analysis.info/wiki/Claude_Opus_4.1 "Claude Opus 4.1") - [Claude Opus 4.5](https://systems-analysis.info/wiki/Claude_Opus_4.5 "Claude Opus 4.5") ## Примечания 1. [↑](https://systems-analysis.info/wiki/Claude_Opus_4#cite_ref-1) Anthropic. *Introducing Claude 4*. Май 2025 года. 2. [↑](https://systems-analysis.info/wiki/Claude_Opus_4#cite_ref-2) Anthropic. *System Card: Claude Opus 4 and Claude Sonnet 4*. Выпуск: май 2025 года. С. 11–18, 74–76. 3. [↑](https://systems-analysis.info/wiki/Claude_Opus_4#cite_ref-3) Anthropic. *System Card: Claude Opus 4 and Claude Sonnet 4*. Выпуск: май 2025 года. С. 92–122.