Anthropic: Claude Opus 4.7 (batch)

Claude Opus 4.7 (batch) est un modèle de génération de texte d'Anthropic, faisant partie de la famille Opus et positionné comme la prochaine génération de cette lignée. Il est conçu spécifiquement pour les agents asynchrones de longue durée, et il s'appuie sur les forces d'Opus 4.6 en matière de codage et d'agentique. La variante batch est la version que vous appelez via api14, et l'identifiant de modèle à utiliser est « anthropic/claude-opus-4.7:batch ».

Le modèle accepte du texte, des images et des fichiers en entrée, et produit du texte en sortie. Sa fenêtre de contexte est de 1 000 000 de tokens, ce qui est suffisamment grand pour contenir des documents très longs, des historiques de conversation étendus ou des entrées multi-fichiers dans une seule requête. La longueur maximale de sortie est de 128 000 tokens. Comme il gère les images et les fichiers en plus du texte, vous pouvez transmettre du contenu mixte directement plutôt que d'extraire d'abord tout en texte brut.

Ces capacités ouvrent la voie à quelques usages pratiques. L'analyse et le résumé de documents longs s'y prêtent naturellement, puisqu'une fenêtre d'un million de tokens vous permet de travailler sur de grands contrats, rapports ou bases de code sans découpage. Les flux de travail agentiques et pilotés par outils sont un autre cas d'usage : le modèle prend en charge tools et tool_choice, ce qui vous permet de construire des assistants qui appellent des fonctions, récupèrent des données et agissent sur de nombreuses étapes. Les tâches de codage, comme la revue ou la génération de code à travers un dépôt, découlent également de la combinaison d'un grand contexte et de l'entrée de fichiers. Les tâches multimodales, comme répondre à des questions sur des graphiques, des captures d'écran ou des documents numérisés, sont également possibles, grâce à l'entrée d'images.

Pour l'appeler via api14, utilisez le point de terminaison compatible OpenAI avec l'identifiant de modèle « anthropic/claude-opus-4.7:batch ». La requête prend en charge include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools et verbosity. En pratique, cela signifie que vous pouvez plafonner la sortie avec max_tokens, contrôler la profondeur de raisonnement avec reasoning_effort ou le paramètre reasoning, demander du JSON structuré via response_format ou structured_outputs, et définir des fonctions appelables avec tools et tool_choice. Comme l'API est compatible OpenAI, les bibliothèques clientes OpenAI existantes fonctionnent en ne changeant que l'URL de base et l'identifiant de modèle.

La désignation batch est le principal point à garder en tête lors du choix de ce modèle. Il convient aux charges de travail où vous pouvez tolérer une exécution asynchrone en échange de l'échelle et du comportement agentique du modèle, comme le traitement de documents en masse ou les exécutions d'agents en arrière-plan. Si vous avez besoin de réponses synchrones et sensibles à la latence, ou si votre tâche est petite et simple, un modèle non batch peut être plus adapté. Les faits présentés ici décrivent les entrées, les sorties, le contexte et les paramètres du modèle ; le tableau des prix en direct sur cette page couvre le coût.