Escolhendo o modelo certo



Estabeleça critérios principais

Ao escolher um modelo Claude, considere primeiro avaliar estes fatores:

• Capacidades: Quais recursos ou capacidades específicas você precisará que o modelo tenha para atender às suas necessidades?
• Velocidade: Com que rapidez o modelo precisa responder em sua aplicação? Claude Opus 5 e Claude Opus 4.8 oferecem suporte ao fast mode (prévia de pesquisa), que oferece até 2,5x mais velocidade de saída com preço premium.
• Custo: Qual é o seu orçamento tanto para desenvolvimento quanto para uso em produção?
• Esforço: Os modelos Opus e Sonnet recentes oferecem suporte a um parâmetro de esforço que troca inteligência por latência e custo dentro de um único modelo. Ajustar o esforço geralmente é uma alavanca melhor do que trocar de modelo. No Claude Opus 5, comece com o padrão (high) e ajuste para cima ou para baixo com base em suas avaliações. No Claude Opus 4.8 e Claude Opus 4.7, o nível de esforço xhigh, entre high e max, é a melhor configuração para a maioria dos casos de uso de codificação e agênticos.

Saber essas respostas com antecedência tornará muito mais fácil restringir e decidir qual modelo usar.



Escolha o melhor modelo para começar

Existem duas abordagens gerais que você pode usar para começar a testar qual modelo Claude funciona melhor para suas necessidades.



Opção 1: Comece priorizando a eficiência

Para muitas aplicações, começar com um modelo mais rápido e econômico como o Claude Haiku 4.5 pode ser a abordagem ideal:

1. Comece a implementação com o Claude Haiku 4.5.
2. Teste seu caso de uso minuciosamente.
3. Avalie se o desempenho atende aos seus requisitos.
4. Faça upgrade apenas se necessário para lacunas específicas de capacidade.

Essa abordagem permite iteração rápida, custos de desenvolvimento mais baixos e geralmente é suficiente para muitas aplicações comuns. Essa abordagem é melhor para:

• Prototipagem e desenvolvimento iniciais
• Aplicações com requisitos rigorosos de latência
• Implementações sensíveis a custo
• Tarefas simples de alto volume



Opção 2: Comece priorizando a capacidade

Para tarefas complexas em que inteligência e capacidades avançadas são primordiais, você pode querer começar priorizando a capacidade: implemente com o ponto de partida mais forte para sua tarefa e, em seguida, otimize para modelos mais eficientes ao longo do tempo:

1. Implemente com o Claude Opus 5.
2. Otimize seus prompts para este modelo.
3. Avalie se o desempenho atende aos seus requisitos.
4. Considere aumentar a eficiência reduzindo o esforço ou fazendo downgrade de modelos ao longo do tempo com maior otimização do fluxo de trabalho.

Essa abordagem é melhor para:

• Tarefas de raciocínio complexo
• Aplicações científicas ou matemáticas
• Tarefas que exigem compreensão com nuances
• Aplicações em que a precisão supera considerações de custo
• Codificação avançada e trabalho agêntico de alta autonomia

Claude Opus 5 (claude-opus-5) é uma melhoria significativa em relação ao Claude Opus 4.8, forte em raciocínio profundo, tarefas agênticas e de longo horizonte, e escalonamento de computação em tempo de teste. O Claude Opus 5 oferece suporte a uma janela de contexto de 1M de tokens por padrão e até 128k tokens de saída, e tem preço de US$ 5 por milhão de tokens de entrada e US$ 25 por milhão de tokens de saída.

Claude Fable 5 (claude-fable-5) é o modelo mais capaz amplamente lançado da Anthropic, oferecendo inteligência de próxima geração para agentes de longa duração. Claude Mythos 5 (claude-mythos-5) está disponível através do Project Glasswing. Ambos os modelos oferecem suporte a uma janela de contexto de 1M de tokens por padrão, até 128k tokens de saída e pensamento adaptativo sempre ativo. Consulte Apresentando Claude Fable 5 e Claude Mythos 5 para detalhes do lançamento.

Claude Fable 5 e Claude Mythos 5 têm preço de US$ 10 por milhão de tokens de entrada e US$ 50 por milhão de tokens de saída.



Matriz de seleção de modelos



Decida se deve fazer upgrade ou mudar de modelo

Para determinar se você precisa fazer upgrade ou mudar de modelo, você deve:

1. Criar testes de benchmark específicos para seu caso de uso — ter um bom conjunto de avaliação é a etapa mais importante do processo.
2. Testar com seus prompts e dados reais.
3. Comparar o desempenho entre modelos quanto a:
   • Precisão das respostas
   • Qualidade das respostas
   • Tratamento de casos extremos
4. Ponderar as compensações entre desempenho e custo.



Próximos passos