Neuerungen in Claude Opus 4.7

Darüber hinaus sind Operationen wie das Zuordnen von Koordinaten zu Bildern jetzt einfacher — die Koordinaten des Modells sind 1

Hochauflösende Bilder verwenden mehr Token. Wenn die zusätzliche Bildqualität nicht erforderlich ist, reduzieren Sie die Bildauflösung vor dem Senden an Claude, um Token-Nutzungssteigerungen zu vermeiden.

Über die Auflösung hinaus verbessert sich Claude Opus 4.7 auch bei:

• Low-Level-Wahrnehmung — Zeigen, Messen, Zählen und ähnliche Aufgaben.
• Bild-Lokalisierung — Lokalisierung und Erkennung von Begrenzungsrahmen in natürlichen Bildern sind verbessert.

Siehe Bilder und Vision für Details.

Neue xhigh Effort-Stufe

Der Effort-Parameter ermöglicht es Ihnen, Claudes Intelligenz vs. Token-Verbrauch abzustimmen und Leistung gegen schnellere Geschwindigkeit und niedrigere Kosten zu tauschen. Beginnen Sie mit der neuen xhigh Effort-Stufe für Coding und agentengestützte Anwendungsfälle, und verwenden Sie mindestens high Effort für die meisten intelligenzempfindlichen Anwendungsfälle. Siehe Empfohlene Effort-Stufen für Claude Opus 4.7 für Anleitung pro Stufe. (Nur Messages API; Claude Managed Agents verwaltet Effort automatisch.)

Task Budgets (Beta)

Claude Opus 4.7 führt Task Budgets ein. Ein Task Budget gibt Claude eine grobe Schätzung, wie viele Token für eine vollständige agentengestützte Schleife angestrebt werden sollen, einschließlich Thinking, Tool-Aufrufe, Tool-Ergebnisse und endgültige Ausgabe. Das Modell sieht einen laufenden Countdown und nutzt ihn, um Arbeit zu priorisieren und die Aufgabe elegant zu beenden, wenn das Budget aufgebraucht ist. Um es zu verwenden, setzen Sie den Beta-Header task-budgets-2026-03-13 und fügen Sie Folgendes zu Ihrer Output-Konfiguration hinzu:

Sie müssen möglicherweise mit verschiedenen Task Budgets für Ihren Anwendungsfall experimentieren. Wenn dem Modell ein Task Budget gegeben wird, das für eine bestimmte Aufgabe zu restriktiv ist, kann es die Aufgabe weniger gründlich ausführen oder sich weigern, die Aufgabe ganz zu erledigen.

Für offene agentengestützte Aufgaben, bei denen Qualität wichtiger ist als Geschwindigkeit, setzen Sie kein Task Budget; reservieren Sie Task Budgets für Workloads, bei denen Sie das Modell auf eine Token-Zuteilung beschränken müssen. Der Mindestwert für ein Task Budget ist 20k Token.

Dies ist keine harte Obergrenze; es ist ein Vorschlag, dessen sich das Modell bewusst ist. Dies unterscheidet sich von max_tokens, das eine harte Pro-Request-Obergrenze für generierte Token ist (max_tokens wird nicht an das Modell übergeben, und das Modell ist sich dessen nicht bewusst), während task_budget eine beratende Obergrenze über die gesamte agentengestützte Schleife ist. Verwenden Sie task_budget, wenn Sie möchten, dass sich das Modell selbst moderiert, und max_tokens als harte Pro-Request-Obergrenze zur Nutzungsbegrenzung.

Breaking Changes

Extended Thinking Budgets entfernt

Extended Thinking Budgets werden in Claude Opus 4.7 entfernt. Das Setzen von thinking: {"type": "enabled", "budget_tokens": N} gibt einen 400-Fehler zurück. Adaptives Thinking ist der einzige Thinking-On-Modus, und in unseren internen Evaluierungen übertrifft es zuverlässig Extended Thinking.

Adaptives Thinking ist standardmäßig deaktiviert auf Claude Opus 4.7. Anfragen ohne thinking-Feld laufen ohne Thinking. Setzen Sie thinking: {type: "adaptive"} explizit, um es zu aktivieren.

Sampling-Parameter entfernt

Ab Claude Opus 4.7 gibt das Setzen von temperature, top_p oder top_k auf einen beliebigen Nicht-Standard-Wert einen 400-Fehler zurück. Der sicherste Migrationspfad ist, diese Parameter vollständig aus Anfragen wegzulassen und Prompting zu verwenden, um das Verhalten des Modells zu lenken. Wenn Sie temperature = 0 für Determinismus verwendet haben, beachten Sie, dass es nie identische Ausgaben garantierte.

Thinking-Inhalt standardmäßig weggelassen

Ab Claude Opus 4.7 wird Thinking-Inhalt standardmäßig aus der Antwort weggelassen. Thinking-Blöcke erscheinen immer noch im Antwort-Stream, aber ihr thinking-Feld ist leer, es sei denn, der Aufrufer entscheidet sich explizit dafür. Dies ist eine stille Änderung — es wird kein Fehler ausgelöst — und die Antwortlatenz wird leicht verbessert. Wenn Reasoning-Ausgaben benötigt werden, können Sie display auf "summarized" setzen und mit einer einzeiligen Änderung wieder aktivieren:

Aktualisierte Token-Zählung

Claude Opus 4.7 verwendet einen neuen Tokenizer, der zu seiner verbesserten Leistung bei einer breiten Palette von Aufgaben beiträgt. Dieser neue Tokenizer kann beim Verarbeiten von Text ungefähr 1x bis 1,35x so viele Token verwenden wie frühere Modelle (bis zu ~35% mehr, variierend je nach Inhalt), und /v1/messages/count_tokens gibt eine andere Anzahl von Token für Claude Opus 4.7 zurück als für Claude Opus 4.6. Die Token-Effizienz von Claude Opus 4.7 kann je nach Workload-Form variieren. Prompting-Interventionen, task_budget und effort können helfen, Kosten zu kontrollieren und angemessene Token-Nutzung sicherzustellen. Beachten Sie, dass diese Kontrollen möglicherweise die Modell-Intelligenz beeinträchtigen.

Wir empfehlen, Ihre max_tokens-Parameter zu aktualisieren, um zusätzlichen Spielraum zu geben, einschließlich Komprimierungs-Trigger. Claude Opus 4.7 bietet ein 1M-Kontextfenster zu Standard-API-Preisen ohne Long-Context-Aufschlag.

Leistungsverbesserungen

Wissensarbeit

Claude Opus 4.7 zeigt bedeutende Gewinne bei Wissensarbeiter-Aufgaben, besonders dort, wo das Modell seine eigenen Ausgaben visuell überprüfen muss:

• .docx Redlining und .pptx Bearbeitung — verbessert bei der Erstellung und Selbstprüfung von nachverfolgten Änderungen und Folienlayouts.
• Diagramm- und Abbildungsanalyse — verbessert bei programmatischen Tool-Aufrufen mit Bildverarbeitungsbibliotheken (z.B. PIL) zur Analyse von Diagrammen und Abbildungen, einschließlich Pixel-Level-Datentranskription.

Wenn bestehende Prompts Mitigationen in diesen Bereichen haben (z.B. "überprüfen Sie das Folienlayout vor der Rückgabe"), versuchen Sie, dieses Scaffolding zu entfernen und neu zu bewerten.

Memory

Claude Opus 4.7 ist besser darin, dateiystem-basiertes Memory zu schreiben und zu verwenden. Wenn ein Agent einen Scratchpad, eine Notizen-Datei oder einen strukturierten Memory-Store über Turns hinweg verwaltet, sollte dieser Agent sich verbessern beim Notieren von Notizen für sich selbst und beim Nutzen seiner Notizen in zukünftigen Aufgaben. Um Claude einen verwalteten Scratchpad zu geben, ohne Ihren eigenen zu bauen, verwenden Sie das Client-seitige Memory-Tool.

Vision

Siehe Unterstützung für hochauflösende Bilder oben.

Verhaltensänderungen

Dies sind keine API-Breaking-Changes, können aber Prompt-Updates erfordern. Siehe Migration zu Claude Opus 4.7 für vollständige Anleitung.

• Literalere Befolgung von Anweisungen, besonders bei niedrigeren Effort-Stufen. Das Modell wird eine Anweisung nicht stillschweigend von einem Element auf ein anderes verallgemeinern und wird Anfragen, die Sie nicht gestellt haben, nicht ableiten.
• Antwortlänge kalibriert sich auf wahrgenommene Aufgabenkomplexität statt auf eine feste Ausführlichkeit zu standardisieren.
• Weniger Tool-Aufrufe standardmäßig, mit mehr Reasoning. Das Erhöhen des Effort erhöht die Tool-Nutzung.
• Direkterer, eigensinnigerer Ton mit weniger validierungsgerichteter Formulierung und weniger Emojis als Claudes Opus 4.6 wärmerer Stil.
• Mehr regelmäßige Fortschrittsupdates an den Benutzer während langer agentengestützter Traces. Wenn Sie Scaffolding hinzugefügt haben, um Zwischenstatus-Nachrichten zu erzwingen, versuchen Sie, es zu entfernen.
• Weniger Sub-Agenten standardmäßig erzeugt. Steuerbar durch Prompting.
• Echtzeit-Cybersicherheits-Schutzmaßnahmen: Anfragen, die verbotene oder hochriskante Themen betreffen, können zu Ablehnungen führen. Für legitime Sicherheitsarbeit bewerben Sie sich beim Cyber Verification Program.

Migrationsleitfaden

Für Schritt-für-Schritt-Migrationsanweisungen und die vollständige Migrations-Checkliste siehe Migration zu Claude Opus 4.7. Wenn Sie Claude Code oder das Agent SDK verwenden, kann das Claude API Skill diese Migrationsschritte automatisch auf Ihre Codebasis anwenden.

Nächste Schritte