Claude Opus 4.5 SWE-bench : plus de 80 % pour le code
Le résultat Claude Opus 4.5 SWE-bench, annoncé lors de la sortie du modèle par Anthropic le 24 novembre 2025, en fait le premier modèle à dépasser 80 % sur SWE-bench Verified, un benchmark de code réputé. Anthropic l'a facturé 5 et 25 dollars par million de jetons (entrée et sortie) et l'a destiné au code, aux agents et à l'usage d'ordinateur. Pour les entreprises, les premiers clients rapportent les mêmes tâches accomplies avec moins de jetons et moins d'erreurs, ce qui réduit le coût de chaque travail terminé.
Pourquoi les entreprises hésitaient devant les modèles Opus
Le frein était le prix. Dans des commentaires publiés par Anthropic avec le lancement, un client en accès anticipé, Jeff Wang, directeur général, a déclaré que les modèles Opus avaient toujours été « le vrai SOTA » mais qu'ils étaient restés trop coûteux par le passé.
Le second frein était la mémoire. Les agents doivent explorer des bases de code et de gros documents et retenir les bons détails, et les longues conversations dans les applications Claude butaient sur la fenêtre de contexte du modèle quand elle était pleine.
Ce qu'Anthropic a lancé le 24 novembre 2025
Anthropic a lancé Claude Opus 4.5, dernier modèle de sa série 4.5, après Sonnet 4.5 en septembre et Haiku 4.5 en octobre. Le précédent modèle Opus, Claude Opus 4.1, datait d'août. Anthropic l'a tarifé 5 et 25 dollars par million de jetons et l'a rendu disponible dans ses applications, son API et sur les trois grandes plateformes cloud. Selon CNBC, c'est le modèle par défaut des offres Pro, Max et Enterprise.
Avec le modèle, Anthropic a élargi deux produits qui étaient en phase pilote. Claude for Chrome est devenu disponible pour tous les utilisateurs Max, et Claude for Excel pour les utilisateurs Max, Team et Enterprise. Claude Code est aussi arrivé dans l'application de bureau.
Comment le modèle gère les longs travaux d'agent
Opus 4.5 est conçu pour des tâches d'agent où un modèle dirige et d'autres suivent. TechCrunch décrit des montages où Opus joue le rôle d'agent principal qui dirige un groupe de sous-agents propulsés par Haiku, ce qui repose sur la mémoire de travail.
Anthropic a changé la manière dont le modèle gère la mémoire sur de longs contextes. Dans les applications Claude, cela a permis un « chat sans fin » pour les utilisateurs payants : quand une conversation atteint la fenêtre de contexte, le modèle compresse sa mémoire au lieu de s'arrêter.
« Savoir quels détails retenir est très important, en complément d'une fenêtre de contexte plus longue. » — Dianne Na Penn, responsable de la gestion de produit pour la recherche chez Anthropic
Ce que montrent le résultat Claude Opus 4.5 SWE-bench et les tests clients
Sur les benchmarks, TechCrunch rapporte qu'Opus 4.5 est le premier modèle à dépasser 80 % sur SWE-bench Verified, un test de code réputé. CNBC indique qu'il a devancé Gemini 3 Pro de Google et GPT-5.1 d'OpenAI sur ce test. Anthropic affirme qu'il est en tête sur 7 des 8 langages de programmation de SWE-bench Multilingual, qu'il gagne 10,6 % sur Sonnet 4.5 dans Aider Polyglot et qu'il rapporte 29 % de plus sur Vending-Bench.
Anthropic a aussi soumis au modèle son examen à emporter pour les candidats en ingénierie de la performance. Dans la limite de 2 heures, Opus 4.5 a obtenu un meilleur score que n'importe quel candidat humain avant lui.
Les clients ont rapporté leurs propres chiffres, et chacun reste une affirmation du client. Un commentaire sur GitHub Copilot indique que les premiers tests ont réduit de moitié la consommation de jetons. Un autre client fait état de jusqu'à 65 % de jetons en moins sur de longues tâches de code ; un autre a constaté 50 % à 75 % d'erreurs en moins dans les appels d'outils et dans les erreurs de build ou de lint. Un client de modélisation financière dit que la précision sur ses évaluations internes a progressé de 20 % et l'efficacité de 15 %.
Ce que cela change pour les équipes logicielles et les analystes
Pour une entreprise, le changement tient au coût d'un travail difficile confié à un modèle. Plusieurs clients disent qu'Opus 4.5 résout les mêmes tâches avec moins de jetons et moins d'étapes, ce qui réduit la facture par tâche autant que le prix par jeton. Anthropic cite le code, les agents et l'usage d'ordinateur comme points forts, et dit qu'il est nettement meilleur sur les tableurs, les présentations et la recherche approfondie.
Selon CNBC, Anthropic voit les développeurs logiciels professionnels et les travailleurs du savoir, comme les analystes financiers, les consultants et les comptables, comme principaux utilisateurs. La concurrence est serrée : OpenAI a lancé GPT 5.1 le 12 novembre et Google a lancé Gemini 3 le 18 novembre.
Questions et réponses
Quel score Claude Opus 4.5 a-t-il obtenu sur SWE-bench Verified ?
TechCrunch rapporte qu'Opus 4.5 est le premier modèle à dépasser 80 % sur SWE-bench Verified. CNBC indique qu'il a devancé Gemini 3 Pro et GPT-5.1 sur le même test.
Combien coûte Claude Opus 4.5 ?
Anthropic a fixé le tarif de l'API à 5 et 25 dollars par million de jetons. Les développeurs y accèdent par l'API Claude, et il est aussi disponible sur les trois grandes plateformes cloud.
À qui s'adresse Claude Opus 4.5 ?
Selon CNBC, Anthropic voit comme utilisateurs idéaux les développeurs logiciels professionnels et les travailleurs du savoir comme les analystes financiers, les consultants et les comptables.
Le regard de MOZGII
Comment nous le construirions
Un score de benchmark dit à une équipe ce qu'un modèle sait faire sur les tâches de quelqu'un d'autre. La vraie question pour une entreprise est ce que coûte une tâche terminée sur son propre travail. Si nous intégrions un modèle comme Opus 4.5 à une équipe logicielle, nous commencerions par un jeu de vrais tickets issus du backlog de l'équipe, chacun avec le correctif qu'un développeur a accepté, et nous ferions passer le modèle dessus avant qu'il ne touche quoi que ce soit en production.
Nous confierions au plus grand modèle la planification et la relecture, et aux plus petits les étapes étroites, comme le décrit Anthropic avec Opus qui dirige des sous-agents Haiku. Chaque changement passerait par les tests existants de l'équipe et une relecture humaine avant la fusion. Le modèle travaillerait sur une copie du code, sans accès aux systèmes de production ni aux secrets.
Ça casserait sur les échecs longs et silencieux : un agent qui s'enfonce dans une mauvaise voie, dépense des jetons et rend un changement qui passe les tests mais rate l'intention. La compression de la mémoire aide une longue session à continuer, mais elle peut perdre un détail qui comptait ; nous journaliserions donc ce que l'agent a gardé et ce qu'il a laissé.
Le chiffre que nous suivrions est le coût par changement accepté : les jetons dépensés, divisés par les changements qu'un développeur a réellement fusionnés. Ensuite, nous construirions un rapport hebdomadaire qui compare ce coût entre modèles sur les mêmes tickets.
Sources
D’où viennent les faits de cet article.