Az Anthropic bejelentette a Claude Opus 4.5-öt, és nem is fogta vissza magát: a cég szerint ez a világ legerősebb modellje kódolásra, agent-munkára és összetett feladatokra. A kommunikáció arról szól, hogy az Opus 4.5 jobban bírja a hosszú, több lépéses problémákat, rugalmasan vált „gyors” és „mély” gondolkodás között (effort-szerű beállításokkal), és általánosan egy következő szintet céloz meg a „munkatárs jellegű” AI felé.
A hype közben jön a fontos lábjegyzet: az Anthropic azzal is dicsekszik, hogy a saját (2 órás) performance engineering take-home tesztjükön a modell jobb lett, mint az emberi jelöltek – csakhogy ez tipikusan olyan állítás, amit nehéz fair módon összevetni (tesztkörnyezet, időkeret, próbálkozások, aggregálás). Simon Willison is pont erre mutat rá: a friss LLM-ek értékelése egyre ködösebb, és „valós munkában” sokszor nem jön ki látványos különbség, csak finom tradeoffok.
Konklúzió: erős release lehet, de érdemes a marketing helyett a valós mérőszámokra figyelni (hibaarány, stabilitás, auditálhatóság), mert a bias/energia/üzemeltetési költség nem tűnik el attól, hogy a sajtóanyag bombasztikus.
