Anthropic je predstavio Claude Opus 4.6, veliko unapređenje svoje Opus 4 linije vještačke inteligencije, osmišljeno da ukloni ključna ograničenja prethodnih verzija. Novi model donosi znatno stabilnije performanse u dugotrajnim i složenim zadacima, posebno u oblastima softverskog inženjeringa, istraživanja i rada sa znanjem.

Dok je Claude Opus 4.5 bio snažan u naprednom rezonovanju, često je nailazio na probleme kod veoma dugih konteksta i rubnih slučajeva u velikim bazama podataka. Opus 4.6 te slabosti rješava uvođenjem drastično proširenog kontekstnog kapaciteta.

 

Kontekst od milion tokena – prvi put u Opus liniji

 

Prema zvaničnoj objavi kompanije, beta verzija Claude Opus 4.6 po prvi put u Opus porodici podržava kontekstni prozor do milion tokena. To je značajan skok u odnosu na raniji limit od 200.000 tokena i omogućava modelu da obradi ogromne količine informacija uz minimalan pad kvaliteta tokom dugih interakcija.

Ova nadogradnja je posebno važna za rad sa velikim dokumentima, kompleksnim kodnim bazama i višesatnim analitičkim procesima.

 

Nova arhitektura i pametnije rezonovanje

 

Opus 4.6 donosi i niz novih funkcija koje poboljšavaju efikasnost i upotrebljivost:

  • Sažimanje konteksta (context compaction) – stariji podaci se automatski sumiraju i osvježavaju tokom dugih zadataka
  • Adaptivno razmišljanje – model procjenjuje složenost upita i po potrebi ulaže dublje rezonovanje
  • Kontrola napora (effort controls) – korisnici mogu birati nivo između brzine, inteligencije i troška, od niskog do maksimalnog

 

Vrhunski rezultati na benchmark testovima

 

Prema internim evaluacijama Anthropica, Claude Opus 4.6 postiže najbolje rezultate u više kategorija:

  • Vodeći rezultat na Terminal-Bench 2.0 (rad u komandnoj liniji)
  • Najbolji skor na testu Humanity’s Last Exam za multidisciplinarno rezonovanje
  • U agentičkim testovima poput GDPval-AA, model nadmašuje OpenAI GPT-5.2 za oko 144 Elo poena i sopstveni Opus 4.5 za 190 poena, posebno u finansijskim i pravnim zadacima
  • SWE-bench Verified prosjek od 81,42% uz optimizovano promptovanje
  • Snažne rezultate na CyberGym testovima čak i bez produženog razmišljanja

 

Fokus na bezbjednost i odgovornu upotrebu

 

Anthropic ističe da je bezbjednost ostala jedan od ključnih prioriteta. Opus 4.6, prema navodima kompanije, dostiže ili premašuje konkurenciju u bezbjednosnim auditima, sa niskim nivoima obmanjujućeg ponašanja i servilnosti, kao i najmanjom stopom pretjeranih odbijanja zahtjeva.

Dodatno, uvedeno je šest novih sajber-bezbjednosnih testova za otkrivanje potencijalne zloupotrebe, dok je istovremeno unaprijeđena upotreba modela u defanzivne svrhe, poput pronalaženja ranjivosti u open-source softveru.

 

Programiranje, biznis i nauka u fokusu

 

U praksi, Claude Opus 4.6 je dizajniran za zahtjevne profesionalne zadatke:

  • Samostalno upravljanje velikim repozitorijima koda
  • Precizni code review i debugovanje
  • Paralelni razvoj kroz timove agenata u Claude Code (research preview)
  • Finansijske analize, generisanje dokumenata i višekoračne pretrage u Claude u Excelu, sada optimizovanom za nestrukturisane podatke
  • Research preview Claude u PowerPointu za izradu prezentacija
  • U oblastima poput računarske biologije, Opus 4.6 postiže gotovo dvostruko bolje rezultate u odnosu na Opus 4.5

 

Dostupnost i cijene

 

Claude Opus 4.6 je dostupan putem web stranice, mobilnih i desktop aplikacija, Anthropicevog API-ja, kao i preko velikih cloud provajdera.

Cijene API-ja počinju od 5 dolara po milionu ulaznih tokena i 25 dolara po milionu izlaznih tokena, uz dodatne troškove za korištenje proširenog konteksta.

Ovim izdanjem Anthropic jasno pozicionira Claude Opus 4.6 kao jedan od najmoćnijih AI modela za profesionalnu i istraživačku upotrebu na tržištu.