Anthropic: Claude Opus 4.7 (batch)

Claude Opus 4.7 (batch) är en textgenereringsmodell från Anthropic, en del av Opus-familjen och positionerad som nästa generation av den linjen. Den är byggd specifikt för långvariga, asynkrona agenter, och den bygger vidare på kodnings- och agentförmågorna hos Opus 4.6. Batch-varianten är den version du anropar via api14, och modell-id:t att använda är "anthropic/claude-opus-4.7:batch".

Modellen accepterar text, bilder och filer som indata, och producerar text som utdata. Dess kontextfönster är 1 000 000 tokens, vilket är tillräckligt stort för att rymma mycket långa dokument, utökade konversationshistoriker eller indata från flera filer i en enda begäran. Den maximala utdatalängden är 128 000 tokens. Eftersom den hanterar bilder och filer liksom text kan du skicka blandat innehåll direkt i stället för att först extrahera allt till ren text.

Dessa förmågor pekar mot några praktiska användningsområden. Analys och sammanfattning av långa dokument passar naturligt, eftersom ett kontextfönster på en miljon tokens låter dig arbeta över stora avtal, rapporter eller kodbaser utan att dela upp dem i bitar. Agentiska och verktygsdrivna arbetsflöden är en annan passande tillämpning: modellen stöder tools och tool_choice, så du kan bygga assistenter som anropar funktioner, hämtar data och agerar över många steg. Kodningsuppgifter, som att granska eller generera kod i ett arkiv, följer också av kombinationen av en stor kontext och filindata. Multimodala uppgifter som att svara på frågor om diagram, skärmbilder eller skannade dokument är också möjliga, givet bildindata.

För att anropa den via api14, använd den OpenAI-kompatibla slutpunkten med modell-id:t "anthropic/claude-opus-4.7:batch". Begäran stöder include_reasoning, max_tokens, reasoning, reasoning_effort, response_format, stop, structured_outputs, tool_choice, tools och verbosity. I praktiken innebär detta att du kan begränsa utdata med max_tokens, styra resonemangsdjupet med reasoning_effort eller parametern reasoning, begära strukturerad JSON via response_format eller structured_outputs, och definiera anropbara funktioner med tools och tool_choice. Eftersom API:et är OpenAI-kompatibelt fungerar befintliga OpenAI-klientbibliotek med endast bas-URL och modell-id ändrade.

Batch-beteckningen är det främsta att ha i åtanke när du väljer denna modell. Den passar arbetsbelastningar där du kan tolerera asynkron körning i utbyte mot modellens skala och agentbeteende, såsom massbearbetning av dokument eller agentkörningar i bakgrunden. Om du behöver synkrona svar med känslighet för latens, eller om din uppgift är liten och enkel, kan en icke-batch-modell vara ett bättre val. Fakta här beskriver modellens indata, utdata, kontext och parametrar; den aktuella pristabellen på denna sida täcker kostnad.