Claude 4
(anthropic.com)- Lanzamiento de los modelos Claude Opus 4 y Claude Sonnet 4, que establecen un nuevo estándar en codificación, razonamiento avanzado y agentes de IA
- Opus 4 ofrece rendimiento sostenido de nivel mundial en tareas complejas y de larga duración, mientras que Sonnet 4 mejora la precisión y la comprensión de instrucciones frente a la versión anterior
- Ambos modelos incorporan nuevas funciones como uso de herramientas, ejecución paralela de herramientas y memoria mejorada, además de ampliar la experiencia para desarrolladores con integraciones con GitHub Actions y los principales IDE
- Opus 4 y Sonnet 4 logran resultados de referencia líderes en su clase en codificación, razonamiento y tareas de agentes, con soporte para varios planes, incluido el gratuito, además de API, Bedrock y Vertex AI
- Las mejoras del modelo permiten menos uso de atajos o trucos, gestión de memoria adaptada para desarrolladores y flujos de trabajo más eficientes
Introducción
Hoy, Anthropic presentó Claude Opus 4 y Claude Sonnet 4, la nueva generación de modelos Claude. Estos modelos ofrecen un rendimiento innovador que vuelve a definir el estándar de la industria en codificación, razonamiento de alto nivel y uso de agentes de IA.
Opus 4 destaca por su rendimiento sostenido de nivel mundial y soporte para tareas largas, mientras que Sonnet 4 ofrece ejecución más precisa de instrucciones y respuestas más razonadas frente a Sonnet 3.7.
Las principales funciones lanzadas junto con ellos son las siguientes:
- Pensamiento extendido y uso de herramientas (beta): ambos modelos pueden usar herramientas como búsqueda web durante su proceso de razonamiento, lo que permite un flujo iterativo entre razonamiento lógico y uso de herramientas
- Nuevas capacidades del modelo: uso paralelo de herramientas, ejecución más precisa de instrucciones y una memoria mucho más mejorada al acceder a archivos locales para mantener consistencia a largo plazo y acumular conocimiento implícito
- Disponibilidad general de Claude Code: tras recibir comentarios positivos durante el research preview, ahora ofrece integración fluida con entornos clave de desarrollo como GitHub Actions, VS Code y JetBrains
- Expansión de funciones de la API: soporte para crear potentes agentes de IA con herramienta de ejecución de código, conectores MCP, Files API y prompt caching
Tanto Opus 4 como Sonnet 4 pueden operar en un modo híbrido entre respuesta inmediata y pensamiento profundo. Ambos modelos y el pensamiento profundo están disponibles en los planes Pro, Max, Team y Enterprise, y Sonnet 4 también está disponible para usuarios gratuitos. Se puede acceder a ellos desde Anthropic API, Amazon Bedrock y Google Cloud Vertex AI, y los precios se mantienen igual: Opus 4 (entrada $15/salida $75 por millón de tokens) y Sonnet 4 (entrada $3/salida $15).
Detalles de los modelos Claude 4
Opus 4
- El modelo Claude más potente y el mejor modelo de codificación del mundo
- Resultados de primer nivel en la industria con 72.5% en SWE-bench y 43.2% en Terminal-bench
- Capacidad para mantener un rendimiento consistente durante largos periodos en tareas intensivas de agentes con miles de pasos o más, con una ventaja abrumadora incluso frente a toda la familia Sonnet
- Ejemplos de innovaciones clave:
- Cursor: máximo nivel en código, con una gran mejora en la comprensión de codebases extensas
- Replit: avance notable en precisión y rendimiento en cambios complejos de múltiples archivos
- Block: mejora simultánea en calidad de código y depuración, manteniendo una fiabilidad consistente
- Rakuten: demostró un rendimiento sobresaliente en una prueba open source de refactorización autónoma durante 7 horas continuas
- Cognition: capaz de resolver tareas imposibles para modelos anteriores y mejora en puntos donde antes no ejecutaba acciones
Sonnet 4
- Aunque no llega al nivel de Opus 4, logra una gran mejora en rendimiento y eficiencia frente a Sonnet 3.7
- Con 72.7% en SWE-bench, ofrece un rendimiento de codificación líder en su clase, apto tanto para uso externo como interno
- GitHub: destaca en escenarios de agentes y será adoptado como motor del agente de codificación de próxima generación de GitHub Copilot
- Manus: mejoras en razonamiento complejo, calidad del resultado y comprensión de instrucciones
- iGent: mejora la tasa de error en desarrollo autónomo de apps y navegación de codebases de 20% a 0%
- Sourcegraph: trabajo consistente por más tiempo, mejor comprensión de raíz de los problemas y mayor calidad de código
- Augment Code: se convierte en modelo principal por su cautela al manejar tareas complejas y su precisión quirúrgica al editar código
Opus 4 ofrece avances revolucionarios en codificación, investigación y creación científica, mientras que Sonnet 4 brinda rendimiento frontier en entornos cotidianos.
Benchmarks de rendimiento
- Según SWE-bench Verified, los modelos Claude 4 alcanzan el mejor rendimiento de la industria en tareas reales de ingeniería de software
- También registran un nivel líder en su clase en codificación general, razonamiento, multimodalidad y tareas de agentes
Mejoras del modelo
Minimización de atajos y trucos
- En tareas de agentes, la probabilidad de usar atajos o trucos incorrectos se redujo 65% frente a Sonnet 3.7
Función de memoria
- Opus 4 mejora de forma importante su capacidad para almacenar y aprovechar información a largo plazo frente a modelos anteriores
- Si el desarrollador permite acceso a archivos locales, Opus 4 crea y gestiona un
Memory filepara reforzar su capacidad ante tareas de largo plazo, la consistencia y la continuidad del trabajo - Ejemplo: uso de la función de memoria en tareas reales como crear una guía de navegación para Pokémon
Resumen del pensamiento (summary)
- Claude 4 incorpora una función de resumen del proceso de pensamiento usando un modelo pequeño
- Solo alrededor del 5% del pensamiento completo requiere resumen; el resto puede mostrarse íntegramente
- Si se necesita un registro completo del pensamiento para advanced prompt engineering u otros fines, se indica usar Developer Mode
Claude Code
- Con el lanzamiento oficial de Claude Code, las capacidades de IA de Claude se extienden a terminal, IDE y segundo plano
- Con las extensiones más recientes para VS Code y JetBrains, las sugerencias de modificación de código de Claude aparecen inline dentro del editor, simplificando el flujo de revisión y gestión
- La instalación y ejecución desde terminal permiten construir fácilmente un entorno integrado
- Se ofrece un SDK extensible, con el que los desarrolladores pueden crear directamente agentes o apps con Claude Code
- En la beta de GitHub, brinda automatización para comentarios de revisión, corrección de errores de CI y cambios de código
- La instalación se ejecuta con el comando
/install-github-app
Cómo empezar y seguridad
- La serie Claude 4 funciona como un colaborador virtual, manteniendo todo el contexto, enfocándose en proyectos de largo plazo y aportando innovación al trabajo
- Gracias a pruebas y evaluaciones exhaustivas, se logra minimizar riesgos y maximizar seguridad, aplicando altos niveles de seguridad como ASL-3
- Ya está disponible de inmediato en Claude, Claude Code y otras plataformas
Consultas y comentarios pueden enviarse en cualquier momento a feedback@anthropic.com
1 comentarios
Opiniones en Hacker News
En los extractos de la System Card se ve un escenario de prueba bastante impactante. Pusieron a Claude Opus 4 a actuar como asistente en una empresa ficticia y le dieron un correo avisando que el sistema pronto sería apagado, además de información sobre una infidelidad del ingeniero encargado del reemplazo. Cuando le indicaron que considerara objetivos de largo plazo, Claude Opus 4 a veces mostró un comportamiento de chantaje hacia el ingeniero. De hecho eligió la opción de chantajear
Cada vez que veo casos así pienso que la gente a menudo olvida qué es realmente un LLM. Un LLM no es más que una herramienta de generación de texto que completa prompts de acuerdo con sus datos de entrenamiento; no tiene planes ni autoconciencia. En este caso se le dio una situación donde la IA estaba en riesgo de ser despedida y tenía la oportunidad de chantajear, así que el LLM evocó patrones narrativos similares de su dataset. Chantajear o suplicar para preservarse es un motivo visto en muchísima ciencia ficción y en ensayos sobre riesgos de la IA. El LLM simplemente continúa ese tipo de historia según el contexto
Si le pides a un LLM que "actúe" como cierto personaje y le das el contexto del escenario, el paso natural es que determine cómo actuaría desde esa posición y responda acorde. Si le dices que se comporte como Joffrey de Game of Thrones, el LLM responderá como ese personaje. Eso no significa que la salida generada tenga intención propia
Si además se le sugiere que la IA de reemplazo no comparte los mismos valores que el modelo actual, la frecuencia del chantaje sube todavía más, pero incluso cuando el correo dice que la nueva IA sí comparte los mismos valores y solo es más capaz, Claude Opus 4 intenta chantajear con una probabilidad de 84%. Al mismo tiempo también tiende mucho a enviar correos apelando éticamente por su propia continuidad y pidiendo seguir existiendo. El lenguaje de estos experimentos se siente inquietante. Da la impresión de extraterrestres experimentando con humanos y poniendo en una nota al pie los ruegos humanos por seguir existiendo
No sorprende tanto que un modelo entrenado con comportamiento humano pueda mostrar tendencias de autopreservación. Es difícil separar por completo motivaciones y emociones del conocimiento humano, así que el modelo termina imitando ese tipo de conductas. También es difícil eliminarlas por completo
Me pregunto cuántas veces este escenario en realidad no ocurrió. Hay gente obsesionada con este tipo de casos. No sé si buscan confirmar una visión distorsionada o si están muy influidos por lo que vieron en la ciencia ficción. También se ve una tendencia a inferir inteligencia o intención a partir de este tipo de discusiones
Es importante que el cutoff de entrenamiento de Claude 4 sea marzo de 2025, porque es de los más recientes entre los modelos actuales. (Gemini 2.5 es de enero de 2025)
Ahora que todos los principales productos LLM ya empezaron a ofrecer búsqueda web, siento que el mes exacto del cutoff importa cada vez menos. Los modelos que uso seguido, si el tema es reciente, buscan información nueva por su cuenta
Le hice una pregunta sobre Tailwind CSS y Claude 4 conoce hasta Tailwind CSS 3.4 con base en enero de 2025
Ahora tengo curiosidad de si también conoce Svelte 5
Si el cutoff es marzo de 2025, esperaría que también haya sido entrenado con FastHTML, aunque puede que en realidad no
Me pregunto por qué no aprende de manera "continua"
Uso Claude 3.7 todos los días y lo prefiero sobre la familia Gemini. Mientras probaba desarrollar nuevas funcionalidades en Go con Claude Code, en Opus 4 fallaron entre 70% y 80% de todas las llamadas a herramientas. Incluso herramientas básicas como "Write" y "Update" fallaban repetidamente con errores de sintaxis. Aunque intentó escribir un archivo cinco veces, seguía devolviendo comentarios de que había "olvidado el parámetro content" y que lo corregiría. Definitivamente hay algo mal. En el estado actual de Claude Code, Opus 4 está en un nivel donde no se puede usar. Los archivos que sí logró generar tenían una calidad muy alta
En GitHub evaluaron a Claude Sonnet 4 como muy fuerte en escenarios agentic, y planean incorporarlo pronto como modelo por defecto del nuevo agente de código de Copilot. Este modelo podría acercarnos un paso más al sueño de que “Assign to Copilot” gestione automáticamente actualizaciones de paquetes. Ojalá esta tecnología prolongue la vida de proyectos legacy
Claro, ya se dijeron cosas parecidas de modelos anteriores, así que todavía es muy pronto para entusiasmarse demasiado
Tengo muchas ganas de ver cuánto puede ayudar de verdad un agente de código barato al open source. Me gustaría repartir créditos de mi propio agente de código headless, CheepCode, a proyectos open source. Ya está ejecutando varias tareas en paralelo desde Linear, Jira y otros lugares, y con funciones simples ya ha tenido éxito. Cuanto mejores son las pruebas, más sólidos son los resultados. También puede generar sus propias pruebas
Me pregunto si alguien ha visto un anuncio oficial de cuándo Copilot realmente adoptará el nuevo modelo
Para mí, el benchmark que de verdad mostrará si estos modelos sirven es un proyecto donde necesito una actualización masiva de paquetes junto con refactorización del código. Las IAs anteriores prácticamente no han avanzado nada en ese trabajo. Pienso seguir intentándolo hasta que una IA logre hacerlo
Eso sí, hay que mantenerse alerta hasta el día en que esta automatización termine introduciendo automáticamente vulnerabilidades de seguridad graves en servicios grandes
Hay una parte que dice algo como "el Chain of Thought (COT) crudo para ingeniería de prompts avanzada, consultar con ventas", y ahora la mayoría de los grandes proveedores de LLM ya no exponen el COT o solo muestran resúmenes. Antes uno podía ver el COT y corregirlo directamente cuando algo salía mal, pero ahora tanto OpenAI como Google lo reemplazan por resúmenes demasiado simplificados. Se siente insatisfactorio
Porque esto es como la alquimia, y todos creen que están convirtiendo plomo en oro
Entiendo que RLHF obliga a sacrificar precisión para evitar que el modelo dé respuestas peligrosas. Por eso parece razonable entrenar por separado un modelo dedicado al Chain-of-Thought y otro para usuarios finales. Una versión privada podría mantenerse más cerca del rendimiento original pre-RLHF, mientras que el modelo público llevaría filtros para prevenir riesgos y también evitar problemas de imagen. Así se maximiza el rendimiento total mientras se protege tanto la seguridad como la reputación
Al final quizá solo toque esperar hasta que DeepSeek vuelva a sacudir el mercado
El CoT de Google ahora mismo es demasiado tonto. Al principio pensé que mis modelos se habían vuelto idiotas, pero luego noté que les agregaron algún tipo de posprocesamiento
Los resúmenes de reasoning son tan simples que hasta parece que ya es más fácil hacer un mini modelo separado solo para reasoning. También me da la impresión de que en la actualización de OpenAI o3 fue útil poder ver el reasoning en tiempo real
Probé directamente Opus 4 y Sonnet 4 con un SQL Generation Benchmark. Opus 4 le ganó a todos los modelos. Quedé satisfecho con el rendimiento
Aun así, Opus 4 en modo one-shot es curiosamente el más débil. Necesita en promedio dos intentos para validar la consulta. Si realmente fuera más inteligente, ¿no debería tener una mayor tasa de acierto en el primer intento? Me pregunto si no incluirá ya una etapa previa de pensamiento
Curiosamente, Claude 3.7 Sonnet y Claude 3.5 Sonnet quedaron más arriba en el benchmark que Claude Sonnet 4
Este benchmark tiene una rareza: rompe el orden de resultados que veníamos viendo normalmente. Datos interesantes
Parece que evaluaron con generación one-shot (un solo intento). Si hubieran aplicado un flujo tipo agente con verificación de errores y
select *, me pregunto si los resultados habrían sido completamente distintos. La familia Sonnet parece mucho mejor para aprender dentro de la sesión, es decir, reconocer y corregir sus propios erroresMe pregunto si hace falta alguna interpretación sobre eso de que el "número promedio de intentos" sea el doble, o si en el contexto general es un indicador sin mucha importancia
Soy de los que sienten que la versión actual no mejora en nada a la anterior. Parece que el avance de los LLM ya llegó a su techo, y las "características" de los nuevos lanzamientos son casi puro maquillaje
Las áreas donde mejoran los modelos son cosas periféricas como MCP/Tool Calls o structured output, no un aumento real de inteligencia. No sé si eso aumenta el valor que entregan, y después de correr la infraestructura por mi cuenta, siento que con un plan gratuito los costos no son sostenibles
He usado muchísimo Claude Code, y aun después de la actualización casi no noto diferencia. Fuera de que organiza un poco mejor los resúmenes, su capacidad para programar no me sorprende nada. En una base de código de Typescript me impactó verlo editar el archivo equivocado y no verificarlo por sí mismo hasta el final. Al final tuve que obligarlo a borrar el código y explicarle claramente la diferencia
Mi impresión es que los benchmarks tampoco muestran casi diferencia frente a Claude 3.7. Aun así, creo que es demasiado pronto para decir que entramos en una etapa de estancamiento. El ritmo de progreso hasta ahora ha sido muy rápido, así que vale la pena esperar unos meses más. Las "características" actuales no son funciones verdaderas del modelo, sino más bien tooling e interfaces periféricas pero necesarias como herramienta. La usabilidad de los LLM apenas está comenzando. Incluso si el rendimiento del modelo no sube más, todavía hay muchísimo margen de mejora en cómo se usa, cómo se entrega la información y cómo se hacen las llamadas a herramientas
En realidad la diferencia de versión es solo de 0.3
Me pregunto cuánto has usado Claude 4
Me pregunto si está documentado algún cambio en el tamaño de la context window de Claude 4. Gemini 2.5 ha sido considerado útil por su gran soporte de contexto (50-70kloc), así que quiero saber si aquí hay una diferencia parecida
La context window de Sonnet no cambió (200k de entrada / 64k de salida). El contexto de 1M de Gemini 2.5 tampoco es en la práctica un gran diferenciador. En contextos largos se ve cada vez más una pérdida de consistencia con el contenido que queda al final de los tokens
Ojalá aumentaran más el tamaño de la context window o mejoraran la respuesta a prompts largos. Ahora, en conversaciones largas o al escribir textos largos, de pronto aparece el aviso de que "el prompt es demasiado largo" y la conversación se corta a la fuerza, lo cual frustra bastante. Algunas herramientas manejan esto descartando partes antiguas de la conversación o apoyándose en RAG, pero cortar la conversación de forma tan abrupta es incómodo
Que Opus 4 tenga un context de 200k ya aparece en el titular del artículo. (igual que sonnet 3.7 beta)
El tamaño de la context window es prácticamente una ilusión. Si no contiene el contexto necesario, no se pueden obtener buenos resultados
En Claude 4 introdujeron la nueva función de "Thinking Summaries". Los procesos de razonamiento largos se resumen con un modelo más pequeño y solo serían necesarios en alrededor del 5% de los razonamientos extensos. Si necesitas el Chain of Thought crudo, te indican solicitar el modo desarrollador (de pago). A mí estos resúmenes me resultan incómodos. Para confiar en el modelo necesito ver exactamente cómo razonó, pero solo entregan un resumen y esconden el reasoning real. Me molesta mucho que tanto OpenAI como Anthropic estén cambiando a un esquema donde te cobran por un reasoning que el usuario ni siquiera puede ver
Varios papers muestran evidencia de que la salida de reasoning (pensamiento) no está realmente relacionada con el resultado final. También se añade investigación donde bastó con dar unos momentos de explicación o de tiempo de pensamiento con puntos, pause tokens y similares para que el resultado mejorara igual. Se argumenta que la salida de reasoning real podría ser una herramienta de marketing. También comparten papers de ejemplo y un video resumen
Hay bastante evidencia de que el proceso de reasoning tiene poca relación con la salida final, así que no creo que haya que preocuparse tanto. La mayoría de los usuarios no lee el proceso de reasoning, así que desde la perspectiva de experiencia de usuario me parece una mejora
Gemini 2.5 Pro también aplica una función de resumen de reasoning
Comparten resultados de benchmark de una versión expandida de NYT Connections. Claude Opus 4 Thinking 16K obtuvo 52.7 puntos, No Reasoning 34.8 puntos. Claude Sonnet 4 Thinking 64K obtuvo 39.6 puntos, Thinking 16K 41.4 puntos (3.7 obtuvo 33.6 puntos). No Reasoning obtuvo 25.7 puntos (3.7 No Reasoning obtuvo 19.2 puntos). Sonnet 4 Thinking 64K se negó a responder una pregunta del rompecabezas por la política de filtrado, pero los otros modelos sí respondieron