Anthropic: Claude Opus 4.7 (batch)

Claude Opus 4.7 (batch) è un modello di generazione di testo di Anthropic, parte della famiglia Opus e posizionato come la generazione successiva di quella linea. È costruito specificamente per agenti asincroni e di lunga durata, e si basa sui punti di forza di Opus 4.6 nel coding e nelle capacità agentiche. La variante batch è la versione che si chiama tramite api14, e il model id da usare è "anthropic/claude-opus-4.7:batch".

Il modello accetta testo, immagini e file come input, e produce testo come output. La sua finestra di contesto è di 1.000.000 di token, abbastanza ampia da contenere documenti molto lunghi, cronologie di conversazione estese o input multi-file in una singola richiesta. La lunghezza massima di output è di 128.000 token. Poiché gestisce immagini e file oltre al testo, è possibile passare contenuti misti direttamente invece di estrarre tutto in testo semplice prima.

Queste capacità indicano alcuni usi pratici. L'analisi e il riassunto di documenti lunghi si adattano naturalmente, dato che una finestra da un milione di token permette di lavorare su contratti, report o codebase di grandi dimensioni senza suddividerli in blocchi. Anche i flussi di lavoro agentici e basati su strumenti sono adatti: il modello supporta tools e tool_choice, quindi è possibile costruire assistenti che chiamano funzioni, recuperano dati e agiscono su molti passaggi. Anche le attività di coding, come la revisione o la generazione di codice all'interno di un repository, derivano dalla combinazione di un contesto ampio e dell'input di file. Sono possibili anche attività multimodali come rispondere a domande su grafici, screenshot o documenti scansionati, dato l'input di immagini.

Per chiamarlo tramite api14, usare l'endpoint compatibile con OpenAI con il model id "anthropic/claude-opus-4.7:batch". La richiesta supporta include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools e verbosity. In pratica questo significa che è possibile limitare l'output con max_tokens, controllare la profondità del reasoning con reasoning_effort o il parametro reasoning, richiedere JSON strutturato tramite response_format o structured_outputs, e definire funzioni richiamabili con tools e tool_choice. Poiché l'API è compatibile con OpenAI, le librerie client OpenAI esistenti funzionano cambiando solo la base URL e il model id.

La designazione batch è l'aspetto principale da tenere a mente quando si sceglie questo modello. Si adatta a carichi di lavoro in cui è possibile tollerare un'esecuzione asincrona in cambio della scala e del comportamento agentico del modello, come l'elaborazione di documenti in blocco o l'esecuzione di agenti in background. Se servono risposte sincrone e sensibili alla latenza, o se l'attività è piccola e semplice, un modello non batch potrebbe essere più adatto. Le informazioni qui descrivono input, output, contesto e parametri del modello; la tabella dei prezzi aggiornata in questa pagina copre il costo.