Anthropic: Claude Opus 4.7 (batch)

Claude Opus 4.7 (batch) to model generowania tekstu od Anthropic, należący do rodziny Opus i pozycjonowany jako następna generacja tej linii. Został zbudowany specjalnie dla długotrwałych, asynchronicznych agentów i opiera się na mocnych stronach Opus 4.6 w zakresie kodowania i działania agentowego. Wariant batch to wersja, którą wywołujesz przez api14, a identyfikator modelu do użycia to "anthropic/claude-opus-4.7:batch".

Model przyjmuje jako dane wejściowe tekst, obrazy i pliki, a jako dane wyjściowe produkuje tekst. Jego okno kontekstowe wynosi 1 000 000 tokenów, co jest wystarczająco duże, aby pomieścić bardzo długie dokumenty, rozszerzone historie rozmów lub dane wejściowe z wielu plików w jednym żądaniu. Maksymalna długość danych wyjściowych to 128 000 tokenów. Ponieważ obsługuje obrazy i pliki oraz tekst, możesz przekazywać mieszaną zawartość bezpośrednio, zamiast najpierw wyodrębniać wszystko do zwykłego tekstu.

Te możliwości wskazują na kilka praktycznych zastosowań. Analiza i streszczanie długich dokumentów pasują naturalnie, ponieważ okno o rozmiarze miliona tokenów pozwala pracować nad dużymi umowami, raportami lub bazami kodu bez dzielenia ich na fragmenty. Kolejnym zastosowaniem są przepływy pracy agentowe i oparte na narzędziach: model obsługuje tools i tool_choice, więc możesz budować asystentów, którzy wywołują funkcje, pobierają dane i działają przez wiele kroków. Zadania związane z kodowaniem, takie jak przeglądanie lub generowanie kodu w repozytorium, również wynikają z połączenia dużego kontekstu i wprowadzania plików. Zadania multimodalne, takie jak odpowiadanie na pytania dotyczące wykresów, zrzutów ekranu lub zeskanowanych dokumentów, są również możliwe dzięki wprowadzaniu obrazów.

Aby wywołać go przez api14, użyj punktu końcowego zgodnego z OpenAI z identyfikatorem modelu "anthropic/claude-opus-4.7:batch". Żądanie obsługuje include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools i verbosity. W praktyce oznacza to, że możesz ograniczyć dane wyjściowe za pomocą max_tokens, kontrolować głębokość rozumowania za pomocą reasoning_effort lub parametru reasoning, żądać ustrukturyzowanego JSON przez response_format lub structured_outputs oraz definiować funkcje możliwe do wywołania za pomocą tools i tool_choice. Ponieważ API jest zgodne z OpenAI, istniejące biblioteki klienta OpenAI działają po zmianie jedynie bazowego adresu URL i identyfikatora modelu.

Oznaczenie batch to najważniejsza rzecz, o której należy pamiętać przy wyborze tego modelu. Pasuje do obciążeń, w których możesz tolerować asynchroniczne wykonanie w zamian za skalę i zachowanie agentowe modelu, takich jak masowe przetwarzanie dokumentów lub uruchomienia agentów w tle. Jeśli potrzebujesz synchronicznych odpowiedzi wrażliwych na opóźnienia albo twoje zadanie jest małe i proste, lepszym wyborem może być model niebędący wariantem batch. Podane tutaj fakty opisują dane wejściowe, dane wyjściowe, kontekst i parametry modelu; tabela bieżących cen na tej stronie obejmuje koszt.