Claude Opus 4.5 SWE-bench: supera el 80% en programación
El resultado de Claude Opus 4.5 SWE-bench, informado cuando Anthropic lanzó el modelo el 24 de noviembre de 2025, lo convirtió en el primero en superar el 80% en SWE-bench Verified, un prestigioso referente de programación. Anthropic fijó un precio de 5 y 25 dólares por millón de tokens y lo orientó a programación, agentes y uso de la computadora. Para las empresas, los primeros clientes reportan las mismas tareas con menos tokens y menos errores, lo que baja el costo de cada trabajo terminado.
Por qué las empresas evitaban los modelos Opus
El obstáculo era el precio. En comentarios que Anthropic publicó con el lanzamiento, un cliente de acceso anticipado, Jeff Wang, director ejecutivo, dijo que los modelos Opus siempre habían sido «el verdadero estado del arte», pero que en el pasado resultaban prohibitivos por su costo.
El segundo obstáculo era la memoria. Los agentes deben explorar bases de código y documentos extensos y recordar los detalles correctos, y las conversaciones largas en las apps de Claude chocaban con un límite cuando llenaban la ventana de contexto del modelo.
Qué lanzó Anthropic el 24 de noviembre de 2025
Anthropic lanzó Claude Opus 4.5, el último modelo de su serie 4.5, después de Sonnet 4.5 en septiembre y Haiku 4.5 en octubre. El Opus anterior, Claude Opus 4.1, salió en agosto. Anthropic fijó el precio en 5 y 25 dólares por millón de tokens y lo puso disponible en sus apps, en su API y en las tres grandes plataformas de nube. CNBC informó que es el modelo predeterminado de los planes Pro, Max y Enterprise.
Con el modelo, Anthropic amplió dos productos que estaban en piloto. Claude for Chrome quedó disponible para todos los usuarios de Max, y Claude for Excel para los usuarios de Max, Team y Enterprise. Claude Code también llegó a la app de escritorio.
Cómo maneja el modelo el trabajo largo de agentes
Opus 4.5 está pensado para tareas de agentes en las que un modelo dirige y otros siguen. TechCrunch describe configuraciones en las que Opus actúa como agente líder y dirige a un grupo de subagentes con Haiku, algo que depende de la memoria de trabajo.
Anthropic cambió la forma en que el modelo administra la memoria en contextos largos. En las apps de Claude, eso permitió un «chat sin fin» para usuarios de pago: cuando una conversación llega al límite de la ventana de contexto, el modelo comprime su memoria en lugar de detenerse.
«Saber qué detalles recordar es muy importante, además de simplemente tener una ventana de contexto más larga». — Dianne Na Penn, jefa de gestión de producto de investigación en Anthropic
Qué muestran el resultado de Claude Opus 4.5 SWE-bench y las pruebas de clientes
En los benchmarks, TechCrunch informó que Opus 4.5 es el primer modelo que supera el 80% en SWE-bench Verified, una prueba de programación de gran prestigio. CNBC dijo que superó a Gemini 3 Pro de Google y a GPT-5.1 de OpenAI en esa prueba. Anthropic afirma que lidera en 7 de 8 lenguajes de programación en SWE-bench Multilingual, muestra un salto de 10,6% sobre Sonnet 4.5 en Aider Polyglot y gana 29% más en Vending-Bench.
Anthropic también le aplicó al modelo su examen para candidatos de ingeniería de rendimiento. Dentro del límite de 2 horas, Opus 4.5 obtuvo un puntaje mayor que cualquier candidato humano hasta entonces.
Los clientes reportaron sus propias cifras, y cada una es una afirmación de ese cliente. Un comentario sobre GitHub Copilot dijo que las primeras pruebas redujeron a la mitad el uso de tokens. Otro cliente reportó hasta 65% menos tokens en tareas largas de programación; otro vio reducciones de 50% a 75% en errores de llamadas a herramientas y errores de compilación o lint. Un cliente de modelado financiero dijo que la precisión en sus evaluaciones internas mejoró 20% y la eficiencia subió 15%.
Qué cambia para los equipos de software y los analistas
Para una empresa, el cambio está en el costo del trabajo difícil hecho por un modelo. Varios clientes dijeron que Opus 4.5 resuelve las mismas tareas con menos tokens y menos pasos, lo que reduce la factura por tarea además del precio por token. Anthropic señala la programación, los agentes y el uso de la computadora como sus fortalezas, y dice que es notablemente mejor en hojas de cálculo, presentaciones e investigación profunda.
CNBC informó que Anthropic ve como usuarios principales a los desarrolladores de software profesionales y a los trabajadores del conocimiento, como analistas financieros, consultores y contadores. La competencia es cercana: OpenAI lanzó GPT 5.1 el 12 de noviembre y Google lanzó Gemini 3 el 18 de noviembre.
Preguntas y respuestas
¿Qué puntaje obtuvo Claude Opus 4.5 en SWE-bench Verified?
TechCrunch informó que Opus 4.5 es el primer modelo que supera el 80% en SWE-bench Verified. CNBC informó que superó a Gemini 3 Pro y a GPT-5.1 en la misma prueba.
¿Cuánto cuesta Claude Opus 4.5?
Anthropic fijó el precio de la API en 5 y 25 dólares por millón de tokens. Los desarrolladores acceden mediante la API de Claude, y también está disponible en las tres grandes plataformas de nube.
¿Para quién es Claude Opus 4.5?
Según CNBC, Anthropic ve como usuarios ideales a los desarrolladores de software profesionales y a los trabajadores del conocimiento, como analistas financieros, consultores y contadores.
La visión de MOZGII
Cómo lo construiríamos
Un puntaje de benchmark le dice a un equipo qué puede hacer un modelo en tareas ajenas. La pregunta útil para una empresa es cuánto cuesta una tarea terminada en su propio trabajo. Si metiéramos un modelo como Opus 4.5 en un equipo de software, empezaríamos con un conjunto de tickets reales del backlog del equipo, cada uno con la corrección que un desarrollador aceptó, y ejecutaríamos el modelo contra ellos antes de que tocara algo en producción.
Le daríamos al modelo más grande la planificación y la revisión, y dejaríamos que modelos más pequeños hicieran los pasos acotados, como describe Anthropic con Opus dirigiendo subagentes Haiku. Cada cambio pasaría por las pruebas que el equipo ya tiene y por una revisión humana antes de integrarse. El modelo trabajaría en una copia del código, sin acceso a sistemas de producción ni a secretos.
Se rompería en fallas largas y silenciosas: un agente que sigue por un camino equivocado, gasta tokens y devuelve un cambio que pasa las pruebas pero no cumple la intención. La compresión de memoria ayuda a que una sesión larga continúe, pero puede perder un detalle importante, así que registraríamos qué conservó el agente y qué descartó.
El número que vigilaríamos es el costo por cambio aceptado: los tokens gastados divididos entre los cambios que un desarrollador realmente integró. Después construiríamos un reporte semanal que compare ese costo entre modelos con los mismos tickets.
Fuentes
De dónde salen los datos de esta nota.