anthropic
Anthropic: Claude Opus 5
anthropic/claude-opus-5
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
Según el catálogo de OpenRouter, Claude Opus 5 (anthropic/claude-opus-5) es el modelo insignia de Anthropic para razonamiento exigente, programación y trabajo agéntico de largo alcance, orientado a tareas de software de principio a fin, revisión de código, detección de errores y análisis visual. El catálogo indica entradas de texto, imagen y archivo con salida de texto, una ventana de contexto de un millón de tokens y un esfuerzo de razonamiento configurable activado por defecto. Los resultados de arenas e índices publicados allí sugieren un rendimiento competitivo en tareas agénticas y de programación. No había una ficha de modelo independiente en este paquete de fuentes, por lo que todas las afirmaciones se apoyan en esa única entrada de catálogo.[1]
Puntos fuertes
- El catálogo lo describe como un modelo insignia orientado a razonamiento exigente, programación y trabajo agéntico prolongado, incluidas tareas de software integrales, revisión de código y detección de errores.[1]
- Acepta entradas de texto, imagen y archivo, con una ventana de contexto de un millón de tokens según el catálogo.[1]
- El esfuerzo de razonamiento es configurable en varios niveles y viene activado por defecto, junto con soporte para herramientas y salidas estructuradas.[1]
Limitaciones
- Toda la evidencia procede de una única entrada del catálogo de OpenRouter; no había una ficha de modelo independiente, por lo que conviene validar las capacidades y los resultados de arena reportados en sus propias cargas de trabajo.[1]
- La salida es solo de texto; no se indica generación de imágenes ni de archivos.[1]
- No se reporta la fecha de corte de conocimiento, por lo que se desconoce la actualidad de sus datos de entrenamiento.[1]
Dónde utilizarlo
- Candidato para pipelines agénticos de ingeniería de software, como programación en varios pasos y revisión automatizada de código, según el posicionamiento del catálogo y sus resultados de arena publicados.[1]
- Vale la pena evaluarlo para análisis de documentos e imágenes que se beneficien de una ventana de contexto muy amplia.[1]
- Puede ser adecuado para asistentes que usan herramientas y requieren salidas estructuradas y esfuerzo de razonamiento ajustable.[1]
Fuentes
- [1] OpenRouter catalog · Anthropic: Claude Opus 5Fuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Claude Opus 5 is Anthropic’s flagship model for demanding reasoning, coding, and long-horizon agentic work. It is particularly strong at end-to-end software tasks, code review and bug finding, visual analysis...
Especificaciones
- ID del modelo
- anthropic/claude-opus-5
- ID canónico
- anthropic/claude-opus-5-20260723
- Creador
- anthropic
- Añadido a OpenRouter
- 24.07.2026
- Longitud de contexto
- 1,000,000
- Modalidad
- text+image+file->text
- Modalidades de entrada
- text, image, file
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $5 / salida $25
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | AA — siguiente 20% de la cohorte | razonamiento: opcional · predeterminado high · esfuerzos: max, xhigh, high, medium, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Programación | SS — 10% superior de la cohorte | — |
| Agentes | SS — 10% superior de la cohorte | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · predeterminado high · esfuerzos: max, xhigh, high, medium, low, none · parámetros: include_reasoning, reasoning, reasoning_effort |
| Análisis de documentos | Sin medición | entrada: file |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Intelligence index | 44.2 | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Artificial Analysis | Coding index | 78 | SS — 10% superior de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 56.5 | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · agenticgamedevtasa de victoria 53.3% · posición 3 | 1,203Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · androidnativetasa de victoria 55.7% · posición 8 | 1,243Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · blender3dtasa de victoria 63.1% · posición 5 | 1,201Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · codetovideotasa de victoria 63.6% · posición 4 | 1,250Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · fullstacktasa de victoria 57.1% · posición 6 | 1,286Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · godotgamedevtasa de victoria 54.5% · posición 3 | 1,261Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · mobileappstasa de victoria 67.1% · posición 1 | 1,348Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | agents · pdftasa de victoria 57.2% · posición 11 | 1,231Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | agents · python-pptxslidestasa de victoria 54.3% · posición 7 | 1,225Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · spreadsheettasa de victoria 57.1% · posición 9 | 1,239Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | agents · webappstasa de victoria 54.8% · posición 12 | 1,253Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 59.9% · posición 15 | 1,324Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
| Design Arena | models · asciiarttasa de victoria 68.6% · posición 1 | 1,354Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 57.4% · posición 12 | 1,318Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 58.3% · posición 9 | 1,327Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 58% · posición 11 | 1,332Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 58.7% · posición 5 | 1,308Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 60.6% · posición 9 | 1,341Elo | SS — 10% superior de la cohorte | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 56.1% · posición 14 | 1,305Elo | AA — siguiente 20% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Claude Platform on AWS | 1,000,000 | $5 | $25 | — | — | 100% |
| 1,000,000 | $5 | $25 | — | — | 100% | |
| Amazon Bedrock | 1,000,000 | $5 | $25 | — | — | 100% |
| Azure | 1,000,000 | $5 | $25 | — | — | — |
| Anthropic | 1,000,000 | $5 | $25 | — | — | 100% |
| Amazon Bedrock | 1,000,000 | $5.5 | $27.5 | — | — | — |
| Azure | 1,000,000 | $5.5 | $27.5 | — | — | — |
| 1,000,000 | $5.5 | $27.5 | — | — | — | |
| 1,000,000 | $5.5 | $27.5 | — | — | — | |
| Amazon Bedrock | 1,000,000 | $5.5 | $27.5 | — | — | — |
| Anthropic | 1,000,000 | $10 | $50 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
- Cuatro opciones de solicitud de Amazon Bedrock que afectan al costo de inferenciaUn artículo de AWS muestra cómo la duración de la caché, el nivel de servicio, el esfuerzo de razonamiento y maxTokens modifican los tokens y las tarifas en Amazon Bedrock, con pruebas en modelos Claude y Nova.
- ExpertCrowd-SWE: un benchmark de tareas escritas por ingenieros separa 35 puntos a siete agentes de codificación de fronteraUn informe técnico de Toptal ExpertCrowd presenta EC-SWE, 100 tareas de ingeniería escritas por expertos y calificadas al estilo de un mantenedor; siete modelos de frontera abarcan 35 puntos, con Claude Opus 5.5 y GPT-6 Astra empatados arriba.