Anthropic: Claude Opus 4.7

Claude Opus 4.7 é um modelo de texto da Anthropic, a próxima geração da família Opus da empresa. Foi lançado pelo fornecedor em 16 de abril de 2026 e foi concebido para agentes assíncronos de longa duração. Baseia-se nos pontos fortes de codificação e de agentes do Opus 4.6, por isso, se já utilizou modelos Opus anteriores para ferramentas de desenvolvimento ou fluxos de trabalho de agentes, este é o sucessor direto nessa linha.

O modelo aceita texto, imagens e ficheiros como entrada e devolve texto. A sua janela de contexto é de 1.000.000 de tokens, com uma saída máxima de 128.000 tokens. Essa combinação de uma janela de entrada muito grande e um orçamento de saída elevado significa que pode entregar-lhe documentos longos, bases de código, transcrições ou material misto de texto e imagem num único pedido e ainda receber uma resposta substancial em vez de um resumo curto. A saída é apenas texto, por isso tudo o que necessite noutro formato tem de ser produzido como texto e convertido a jusante.

Estas capacidades apontam para um conjunto bastante específico de casos de utilização. Os agentes assíncronos de longa duração são o alvo de conceção declarado, o que se adequa a fluxos de trabalho em que o modelo percorre uma tarefa com vários passos ao longo do tempo, chama ferramentas e raciocina sobre resultados intermédios. A grande janela de contexto é adequada para análise sobre entradas grandes: rever um repositório grande, analisar contratos ou relatórios extensos, ou responder a perguntas sobre um conjunto de documentos que fornece como ficheiros ou imagens. Como suporta ferramentas e saídas estruturadas, também se adequa a pipelines em que o modelo tem de chamar funções e devolver resultados legíveis por máquina em vez de texto livre.

Através da api14, chama-o com o id de modelo "anthropic/claude-opus-4.7" na API compatível com OpenAI, por isso os clientes existentes no estilo OpenAI funcionam com uma alteração do URL base e do id de modelo. Os parâmetros de pedido suportados são include_reasoning, max_completion_tokens, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools e verbosity. Na prática, isto significa que pode controlar o comprimento da saída, orientar a profundidade e o esforço do raciocínio, restringir respostas com formatos de resposta ou saídas estruturadas, definir e selecionar ferramentas, definir sequências de paragem e ajustar a verbosidade.

Um aspeto a ponderar é que este é um modelo com saída de texto, por isso tarefas que precisam de imagem, áudio ou outra saída não textual não são adequadas. Se a sua carga de trabalho for curta, simples e sensível à latência, a janela de contexto muito grande e os controlos de raciocínio podem ser mais do que aquilo de que precisa, e um modelo mais pequeno no catálogo poderá servir-lhe melhor. Onde o modelo justifica o seu lugar é no trabalho de agentes assíncronos, com contexto longo e utilização de ferramentas, e na análise intensa sobre entradas grandes.