Anthropic lança Claude Opus 4.6 com janela de contexto de 1M de tokens
A Anthropic anunciou a data de lançamento do Claude Opus 4.6 em 5 de fevereiro de 2026, apresentando seu modelo de IA mais inteligente com integração nativa ao Office. A atualização introduz uma janela de contexto de 1 milhão de tokens em fase beta para processar bases de código complexas e arquivos de pesquisa. Disponível via API e plataformas web, o modelo otimiza fluxos de trabalho empresariais em várias etapas sem alterar os preços base de uso.
O que a janela de contexto de 1M de tokens permite para dados corporativos
A Anthropic introduziu uma janela de contexto de 1 milhão de tokens em fase beta para seu modelo principal, marcando a primeira vez que um sistema da classe Opus oferece essa capacidade. Na API, o sistema usa compactação de contexto para resumir seu próprio contexto operacional, permitindo que tarefas de agentes de longa duração executem continuamente sem exceder os limites de contexto. Isso permite que equipes de desenvolvimento de software e pesquisa institucional carreguem bases de código inteiras, históricos financeiros ou arquivos jurídicos de múltiplas fontes em uma única sessão ativa. A Thomson Reuters informou que o desempenho em contextos longos permite que sistemas corporativos processem volumes substancialmente maiores de informação com alta consistência em fluxos de pesquisa complexos.
Benchmarks de desempenho contra modelos de ponta concorrentes
Na avaliação GDPval-AA, que mede o trabalho de conhecimento de valor econômico em tarefas jurídicas e financeiras, o novo motor supera o GPT-5.2 da OpenAI em aproximadamente 144 pontos Elo. Ao avaliar o Claude Opus 4.6 vs 4.5 no mesmo conjunto de testes, o modelo atualizado supera seu predecessor por 190 pontos Elo. O modelo também atinge a pontuação mais alta do setor no Terminal-Bench 2.0 para programação complexa com agentes, lidera todos os modelos concorrentes no BrowseComp para busca online, marca 90.2% no BigLaw Bench e registrou um ganho de desempenho de 10% nos benchmarks corporativos da Box, subindo de uma linha de base de 58% para 68%.
Integração nativa com o Office e ferramentas de automação de fluxo de trabalho
A Anthropic atualizou significativamente o Claude no Excel e lançou uma prévia de pesquisa do Claude no PowerPoint, expandindo as capacidades nativas de produtividade no trabalho. Operando dentro do Cowork, a IA executa multitarefas de forma autônoma em planilhas, apresentações e documentos sem exigir orientação constante do usuário. No Figma Make, o modelo traduz designs complexos de várias camadas em código funcional de aplicação na primeira tentativa. Engenheiros de software podem montar equipes de agentes dedicadas no Claude Code para executar tarefas de várias camadas em paralelo, enquanto desenvolvedores gerenciam a latência operacional e os gastos com a API usando o parâmetro de controle /effort para alternar entre níveis médio e alto de raciocínio.
O que muda para as equipes de engenharia corporativa
Para organizações de software comercial, o lançamento reduz a supervisão manual ao permitir que subagentes autônomos executem programação de longo alcance, revisões de código e depuração de sistemas em grandes repositórios de código. Avaliações de parceiros demonstram ganhos substanciais de eficiência operacional em plataformas como Asana, Notion, Windsurf e Cursor. A Cognition relatou taxas mais altas de detecção de bugs no Devin Review, enquanto o Bolt.new confirmou que o modelo gerou um motor de física totalmente funcional em uma única passagem. A Rakuten informou que o sistema resolveu de forma autônoma 13 problemas no GitHub e direcionou outros 12 para funcionários adequados em seis repositórios em um único dia. Em testes de cibersegurança realizados pelo NBIM em 40 investigações, o modelo entregou os melhores resultados em 38 casos usando até nove subagentes e mais de 100 chamadas de ferramentas por execução.
Disponibilidade do modelo e detalhes de preços para desenvolvedores
O lançamento oficial ocorreu em 5 de fevereiro de 2026, com acesso imediato fornecido no claude.ai, na Claude API e nas principais plataformas de infraestrutura em nuvem. A Anthropic manteve o preço em $5 por milhão de tokens de entrada e $25 por milhão de tokens de saída, mantendo as taxas anteriores. Os desenvolvedores podem chamar o motor diretamente pela API usando o identificador claude-opus-4-6. De acordo com o cartão do sistema da Anthropic, o modelo mantém um perfil de segurança igual ou superior aos modelos de ponta concorrentes, exibindo baixas taxas de comportamento desalinhado em avaliações de segurança.
Perguntas e respostas
O que há de novo no Claude Opus 4.6?
A atualização introduz uma janela de contexto de 1 milhão de tokens em fase beta, recursos de compactação de contexto para sessões longas, orquestração de equipes de agentes no Claude Code e ferramentas nativas para Excel e PowerPoint. O modelo adiciona raciocínio adaptativo com configurações de esforço personalizáveis para equilibrar qualidade de resposta, velocidade de execução e custo de tokens.
Como o modelo se compara ao GPT-5.2?
No benchmark GDPval-AA para trabalho de conhecimento com valor econômico, o modelo supera o GPT-5.2 em cerca de 144 pontos Elo. Ele também ultrapassa o modelo de ponta da OpenAI no Terminal-Bench 2.0 para programação em várias etapas com agentes e lidera todos os modelos concorrentes no Humanity's Last Exam.
A visão da MOZGII
Como nós construiríamos
Para construir um motor de pesquisa empresarial em torno de uma grande janela de contexto, nós começaríamos com arquivos de origem estruturados e um controle rígido de tokens. Nós alimentaríamos a sessão de contexto longo com bases de código inteiras e repositórios de documentos, enquanto manteríamos um banco de dados externo para armazenamento bruto de documentos. Nós enviaríamos as solicitações de tarefas via API usando o parâmetro de esforço para reduzir o raciocínio em consultas simples e aumentá-lo em pesquisas complexas de múltiplas fontes. Nós usaríamos a compactação de contexto para resumir longas execuções de agentes antes que os limites de tokens fossem atingidos.
Nós colocaríamos revisores humanos em pontos de controle operacionais decisivos. Embora subagentes autônomos possam atribuir tarefas ou revisar pull requests, engenheiros humanos aprovariam fusões de código e decisões financeiras. O sistema falha quando o contexto compactado descarta casos raros essenciais ou quando subagentes entram em loops paralelos sem convergir para uma solução. Nós definiríamos controles de custo e latência no gateway da API para limitar o uso de tokens por execução. A única métrica a ser acompanhada seria a taxa de conclusão de tarefas sem intervenção humana.
Em seguida, nós construiríamos um supervisor de roteamento dinâmico. Este módulo analisaria chamados de suporte, pull requests e resumos de pesquisa antes de enviá-los ao modelo. Ele escolheria automaticamente entre a geração em passagem única e a orquestração de múltiplos subagentes, com base na complexidade da tarefa. Isso manteria a latência operacional baixa e preservaria a capacidade de raciocínio para fluxos de trabalho em camadas.
Fontes
De onde vêm os fatos desta matéria.