Claude Opus 4.7

Fiche modèle · Anthropic · claude-opus-4-7

Claude Opus 4.7 is Anthropic's latest Opus-class model, a direct upgrade to Opus 4.6 with notable improvements in advanced software engineering, particularly on the most difficult tasks. It handles complex, long-running agentic workflows with rigor and consistency, follows instructions more literally and precisely, and verifies its own outputs before reporting back. Substantially improved vision supports high-resolution images up to 2,576 pixels on the long edge (~3.75 megapixels, over 3x prior Claude models), unlocking dense screenshot reading, complex diagram extraction, and pixel-perfect references. Better file system-based memory enables coherent multi-session work. Introduces a new 'xhigh' effort level between 'high' and 'max' for finer control over the reasoning/latency tradeoff, and ships with task budgets (public beta) on the Claude Platform. Uses an updated tokenizer (inputs may map to ~1.0-1.35x more tokens than Opus 4.6). Released with automated safeguards that detect and block prohibited or high-risk cybersecurity uses. Available across Claude products, the Claude API, Amazon Bedrock, Google Cloud Vertex AI, and Microsoft Foundry. Pricing: $5/$25 per million tokens (input/output), unchanged from Opus 4.6.

Fiches modèles

Identité

Organisation	Anthropic
Pays	—
Famille	—
Type	llm
Date de sortie	2026-04-16
Licence	proprietary
Licence commerciale	non
Licence open source	non
Poids ouverts	non
Auto-hébergement (DGX Spark)	non — poids fermés
Modalités	image\|text
Fenêtre de contexte	1 000 000
KV cache / token (Q8)	—
Paramètres totaux	—
Paramètres actifs (session)	≈ 103 B–141 B (estimation, confiance très faible — https://gitlab.com/data-players/llm-stats-analysis/-/blob/main/docs/estimation-parametres-actifs.md)
Source des paramètres actifs	https://gitlab.com/data-players/llm-stats-analysis/-/blob/main/docs/estimation-parametres-actifs.md (estimation, confiance très faible)
Curation des paramètres actifs	2026-10-25
Prix par session	10.00 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	83.98 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:27.840842Z
Mis à jour le	2026-11-04T06:04:33.603438Z
Source	LLM Stats
URL	https://llm-stats.com/models/claude-opus-4-7

Tokens/tâche

IA Act — preuves fournisseur

ICA 46/100 · périmètre complet · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	1,2	5 %
Résumé des données d'entraînement	2,5	35 %
Conformité droit d'auteur	2,5	35 %
Code of Practice GPAI	2,5	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-21.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — via AWS Bedrock (eurouter), Amazon Bedrock — Irlande (cortecs), Amazon Bedrock — Paris (cortecs), Google (cortecs).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
AWS Bedrock	eurouter	partiel	—	—	—	1 000 000	—	—	—
Amazon Bedrock — Irlande	cortecs	partiel	5.48 $	27.39 $	—	1 000 000	—	—	—
Amazon Bedrock — Paris	cortecs	partiel	5.48 $	27.39 $	—	1 000 000	—	—	—
Google	cortecs	partiel	5.48 $	27.39 $	—	1 000 000	—	—	—
Anthropic	llm-stats	non	5.00 $	25.00 $	—	—	0.50	42.0	active
DeepInfra	llm-stats	non	5.00 $	25.00 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
language	0.90
legal	0.10
long_context	0.70
math	0.70
multimodal	0.80
physics	0.90
reasoning	0.70
safety	0.70
search	0.80
finance	0.60
frontend_development	0.90
general	0.60
healthcare	0.30
agents	0.60
biology	0.90
chemistry	0.90
code	0.70
tool_calling	0.70
vision	0.70

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
browsecomp	reasoning	0.79	1.00	0.79	non	oui	2026-11-04T06:04:33.653555Z
charxiv-r	reasoning	0.91	1.00	0.91	non	oui	2026-11-04T06:04:33.723243Z
cybergym	code	0.73	1.00	0.73	non	oui	2026-11-04T06:04:33.691311Z
finance-agent	agents	0.64	1.00	0.64	non	oui	2026-11-04T06:04:33.683235Z
finance-agent-v2	agents	0.52	1.00	0.52	non	non	2026-11-04T06:04:33.743255Z
frontiercode-1.1	reasoning	0.39	1.00	0.39	non	non	2026-11-04T06:04:33.783483Z
frontierswe	code	0.63	1.00	0.63	non	non	2026-11-04T06:04:33.753321Z
gpqa	reasoning	0.94	1.00	0.94	non	oui	2026-11-04T06:04:33.715978Z
humanity's-last-exam	reasoning	0.55	1.00	0.55	non	oui	2026-11-04T06:04:33.643113Z
legal-agent-benchmark	legal	0.07	1.00	0.07	non	non	2026-11-04T06:04:33.773148Z
livebench	math	0.77	1.00	0.77	non	non	2026-11-04T06:04:33.763183Z
mcp-atlas	reasoning	0.77	1.00	0.77	non	oui	2026-11-04T06:04:33.663305Z
mmmlu	language	0.92	1.00	0.92	non	oui	2026-11-04T06:04:33.733303Z
osworld-verified	multimodal	0.78	1.00	0.78	non	oui	2026-11-04T06:04:33.673345Z
swe-bench-pro	reasoning	0.64	1.00	0.64	non	oui	2026-11-04T06:04:33.611411Z
swe-bench-verified	reasoning	0.88	1.00	0.88	non	oui	2026-11-04T06:04:33.621668Z
terminal-bench-2	reasoning	0.69	1.00	0.69	non	oui	2026-11-04T06:04:33.629310Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	38	0.70	35.19	7	trueskill	2026-11-04T08:08:39.742311Z	rankings
math	18	0.70	39.50	3	trueskill	2026-11-04T08:08:42.442591Z	rankings
multimodal	33	0.80	31.27	2	trueskill	2026-11-04T08:08:46.488887Z	rankings
reasoning	43	0.70	45.12	16	trueskill	2026-11-04T08:08:41.093494Z	rankings
agents	51	—	30.04	11	trueskill	2026-11-03	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04