Anthropic: Claude Opus 4.7

Claude Opus 4.7 is een tekstmodel van Anthropic, de volgende generatie van de Opus-familie van het bedrijf. Het werd door de provider uitgebracht op 16 april 2026 en is gebouwd voor langdurige, asynchrone agents. Het bouwt voort op de coding- en agentic-sterktes van Opus 4.6, dus als je eerdere Opus-modellen hebt gebruikt voor developer tooling of agent-workflows, is dit de directe opvolger in die lijn.

Het model accepteert tekst, afbeeldingen en bestanden als invoer, en het retourneert tekst. Het contextvenster is 1.000.000 tokens, met een maximale uitvoer van 128.000 tokens. Die combinatie van een zeer groot invoervenster en een groot uitvoerbudget betekent dat je het lange documenten, codebases, transcripties of gemengd tekst- en beeldmateriaal in één verzoek kunt geven, en nog steeds een substantieel antwoord terugkrijgt in plaats van een korte samenvatting. De uitvoer is alleen tekst, dus alles wat je in een ander formaat nodig hebt, moet als tekst worden geproduceerd en stroomafwaarts worden geconverteerd.

Die mogelijkheden wijzen op een vrij specifieke set use cases. Langdurige asynchrone agents zijn het aangegeven ontwerpdoel, wat past bij workflows waarin het model na verloop van tijd een taak met meerdere stappen doorloopt, tools aanroept en redeneert over tussenresultaten. Het grote contextvenster is geschikt voor analyse over grote invoeren: het beoordelen van een grote repository, het doorwerken van lange contracten of rapporten, of het beantwoorden van vragen over een documentenset die je als bestanden of afbeeldingen aanlevert. Omdat het tools en gestructureerde uitvoer ondersteunt, past het ook bij pipelines waarin het model functies moet aanroepen en machineleesbare resultaten moet retourneren in plaats van vrije tekst.

Via api14 roep je het aan met het model-id "anthropic/claude-opus-4.7" op de OpenAI-compatibele API, dus bestaande OpenAI-achtige clients werken met een wijziging van base URL en model-id. De ondersteunde request-parameters zijn include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools en verbosity. In de praktijk betekent dat dat je de uitvoerlengte kunt beheren, de redeneerdiepte en -inspanning kunt sturen, antwoorden kunt beperken met response formats of structured outputs, tools kunt definiëren en selecteren, stop sequences kunt instellen en de verbosity kunt aanpassen.

Een ding om af te wegen is dat dit een tekstuitvoermodel is, dus taken die beeld-, audio- of andere niet-tekstuele uitvoer nodig hebben, passen niet. Als je workload kort, eenvoudig en latency-gevoelig is, zijn het zeer grote contextvenster en de reasoning-besturingen misschien meer dan je nodig hebt, en een kleiner model in de catalogus zou je beter van dienst kunnen zijn. Waar het model zijn plek verdient, is lang-context, tool-gebruikend, asynchroon agent-werk en zware analyse over grote invoeren.