Anthropic: Claude Sonnet 4.5

O Claude Sonnet 4.5 é um modelo de texto da Anthropic, lançado pelo provedor em 29 de setembro de 2025. Ele pertence à linha Sonnet da Anthropic, que o provedor descreve como seu modelo Sonnet mais avançado até hoje, otimizado para agentes do mundo real e fluxos de trabalho de programação. Na api14, ele está listado sob o id de modelo anthropic/claude-sonnet-4.5 e se enquadra na categoria de texto.

O modelo aceita texto, imagens e arquivos como entrada e retorna apenas texto. Sua janela de contexto é de 1.000.000 de tokens, e a saída máxima é de 64.000 tokens. A data de corte de conhecimento é 31 de janeiro de 2025, então qualquer coisa após essa data está fora daquilo com que o modelo foi treinado. Como imagens e arquivos são aceitos junto com texto, você pode enviar prompts mistos que combinam instruções escritas com conteúdo visual ou de documento, planejando o texto como o único formato de resposta.

Essas capacidades apontam para alguns usos práticos. Assistência à programação e fluxos de trabalho no estilo de agentes são as áreas que a Anthropic destaca, e a janela de contexto grande é adequada para tarefas em que você precisa manter um código-fonte extenso, um documento longo ou uma conversa longa em vista de uma só vez. A entrada de imagens e arquivos faz dele uma opção razoável para análise de documentos, extração ou resumo de informações de material enviado e resposta a perguntas sobre conteúdo misto. Chamadas de ferramentas e saídas estruturadas também o tornam utilizável como a etapa de raciocínio dentro de um pipeline maior, em que o modelo decide quais ferramentas invocar e retorna dados em um formato que seu código consegue analisar.

Você o chama pela API compatível com OpenAI da api14 usando o id de modelo anthropic/claude-sonnet-4.5, então código existente do SDK da OpenAI funciona com uma mudança de URL base e nome do modelo. Os parâmetros de requisição suportados são include_reasoning, max_completion_tokens, max_tokens, reasoning, response_format, stop, structured_outputs, temperature, tool_choice, tools, top_k e top_p. Na prática, isso significa que você pode controlar a amostragem com temperature, top_p e top_k, limitar o comprimento da saída com max_tokens ou max_completion_tokens, definir funções para o modelo chamar com tools e tool_choice, e solicitar respostas estruturadas ou formatadas com response_format e structured_outputs. O raciocínio pode ser solicitado e sua saída incluída por meio dos parâmetros reasoning e include_reasoning.

Um limite que vale a pena observar é que a saída é apenas texto, então, se você precisa de imagens ou áudio gerados, este modelo não é a escolha certa. A data de corte de conhecimento de 31 de janeiro de 2025 também significa que eventos recentes não são cobertos, a menos que você os forneça no prompt ou por meio de ferramentas. Se sua carga de trabalho for pequena e simples, um modelo mais leve pode ser suficiente, mas, para tarefas de codificação, documentos e agentes com contexto longo, a combinação de uma janela de contexto de 1.000.000