Anthropic: Claude Opus 4.7 (batch)

Claude Opus 4.7 (batch) es un modelo de generación de texto de Anthropic, parte de la familia Opus y posicionado como la siguiente generación de esa línea. Está diseñado específicamente para agentes asíncronos y de larga duración, y se basa en las fortalezas de codificación y capacidad agéntica de Opus 4.6. La variante batch es la versión que se invoca a través de api14, y el id de modelo que se debe usar es "anthropic/claude-opus-4.7:batch".

El modelo acepta texto, imágenes y archivos como entrada, y produce texto como salida. Su ventana de contexto es de 1.000.000 de tokens, lo suficientemente grande como para contener documentos muy largos, historiales de conversación extensos o entradas de varios archivos en una sola solicitud. La longitud máxima de salida es de 128.000 tokens. Como maneja imágenes y archivos además de texto, puedes pasar contenido mixto directamente en lugar de extraer todo a texto plano primero.

Esas capacidades apuntan a algunos usos prácticos. El análisis y el resumen de documentos largos encajan de forma natural, ya que una ventana de un millón de tokens te permite trabajar sobre contratos, informes o bases de código grandes sin fragmentarlos. Los flujos de trabajo agénticos e impulsados por herramientas son otro encaje: el modelo admite tools y tool_choice, así que puedes construir asistentes que llamen a funciones, recuperen datos y actúen a lo largo de muchos pasos. Las tareas de codificación, como revisar o generar código en un repositorio, también se derivan de la combinación de un contexto grande y la entrada de archivos. Las tareas multimodales, como responder preguntas sobre gráficos, capturas de pantalla o documentos escaneados, también son posibles, dada la entrada de imágenes.

Para invocarlo a través de api14, usa el endpoint compatible con OpenAI con el id de modelo "anthropic/claude-opus-4.7:batch". La solicitud admite include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools y verbosity. En la práctica, esto significa que puedes limitar la salida con max_tokens, controlar la profundidad de razonamiento con reasoning_effort o el parámetro reasoning, solicitar JSON estructurado mediante response_format o structured_outputs, y definir funciones invocables con tools y tool_choice. Como la API es compatible con OpenAI, las bibliotecas cliente de OpenAI existentes funcionan con solo cambiar la URL base y el id de modelo.

La designación batch es lo principal que hay que tener en cuenta al elegir este modelo. Se adapta a cargas de trabajo en las que puedes tolerar la ejecución asíncrona a cambio de la escala y el comportamiento agéntico del modelo, como el procesamiento masivo de documentos o las ejecuciones de agentes en segundo plano. Si necesitas respuestas síncronas y sensibles a la latencia, o tu tarea es pequeña y simple, un modelo que no sea batch puede ser la mejor opción. Los datos aquí describen las entradas, salidas, contexto y parámetros del modelo; la tabla de precios en vivo de esta página cubre el costo.