Benchmarks de Claude Opus 4.7: resultados clave y qué significa el 87.6% en SWE-bench Verified

Claude Opus 4.7 se entiende mejor como un modelo optimizado para razonamiento complejo, coding agéntico y flujos largos, no como un modelo que pueda resumirse con una sola cifra. Anthropic lo describe en su documentación como su modelo generalmente disponible más capaz para razonamiento complejo y agentic coding , y AWS lo presenta como una mejora sobre Opus 4.6 para flujos de producción como coding agéntico, knowledge work, comprensión visual y tareas de larga duración .

El número que más destaca para desarrolladores es 87.6% en SWE-bench Verified, reportado por AWS a partir de datos de Anthropic . Es un dato importante, pero debe leerse junto con otros benchmarks y con la advertencia de AWS de que el modelo puede requerir cambios de prompting y ajustes de harness para aprovecharlo bien .

Resultados clave reportados

Área	Benchmark	Resultado reportado	Qué mide mejor
Coding y agentes	SWE-bench Verified	87.6%	La referencia más citada para evaluar resolución de tareas de software en Claude Opus 4.7 .
Coding y agentes	SWE-bench Pro	64.3%	Una lectura complementaria para tareas de software más exigentes o distintas a SWE-bench Verified .
Agentes en terminal	Terminal-Bench 2.0	69.4%	Útil cuando el caso de uso implica operar en entornos tipo terminal o con herramientas .
Agentes financieros	Finance Agent v1.1	64.4%	Más relevante para flujos de análisis o automatización financiera .
Coding interno	Benchmark interno de 93 tareas	+13% de resolución frente a Opus 4.6	Una mejora relativa reportada para una evaluación concreta, no una promesa de mejora uniforme en todos los proyectos .
Research agent interno	Score general	0.715	Anthropic lo presenta como un resultado fuerte para trabajo multi-step en su benchmark interno de research-agent .
Research agent interno	General Finance	0.813 frente a 0.767 de Opus 4.6	Señala mejora frente a Opus 4.6 en el módulo financiero interno de Anthropic .

Qué significa el 87.6% en SWE-bench Verified

Para equipos que comparan modelos como coding agents, SWE-bench Verified es el titular más claro de las fuentes disponibles: AWS reporta 87.6% para Claude Opus 4.7 . En términos prácticos, eso coloca el foco del modelo en tareas de ingeniería de software y resolución de problemas de código, coherente con la descripción de Anthropic de Opus 4.7 como un modelo fuerte en razonamiento complejo y coding agéntico .

Pero ese porcentaje no debe interpretarse como un rendimiento general del modelo en cualquier tarea. SWE-bench Verified evalúa un tipo concreto de capacidad; no sustituye benchmarks de terminal, finanzas, visión, trabajo largo o investigación. Por eso, para una decisión técnica, conviene mirar al menos SWE-bench Pro y Terminal-Bench 2.0 junto al score principal .

Por qué aparecen cifras distintas

No todas las fuentes publican el mismo número. Una fuente secundaria reporta 82.4% en SWE-bench Verified, mientras que AWS reporta 87.6% para Claude Opus 4.7 . Esa diferencia importa: no basta con copiar un porcentaje sin explicar de dónde sale.

La lectura más prudente es citar siempre el nombre exacto del benchmark, el score y la fuente. Además, AWS señala que Opus 4.7 puede requerir cambios de prompting y ajustes de harness para obtener mejores resultados, lo que refuerza que la configuración de evaluación puede influir en el rendimiento observado .

Qué benchmark mirar según el caso de uso

Si el caso de uso principal es programación, empieza por SWE-bench Verified, pero no te quedes ahí. SWE-bench Pro y Terminal-Bench 2.0 ayudan a evaluar escenarios donde el modelo debe resolver tareas de software más complejas o interactuar con entornos y herramientas .

Si el objetivo es finanzas o investigación, los datos internos de Anthropic son más cercanos a ese tipo de flujo: en su benchmark interno de research-agent, Opus 4.7 obtuvo 0.715 de score general y 0.813 en General Finance, frente a 0.767 de Opus 4.6 en ese módulo . Aun así, deben leerse como evaluaciones internas, no como una verificación independiente.

Si el interés está en workflows empresariales largos, la información pública apunta a mejoras en tareas de larga duración, seguimiento de instrucciones y trabajo bajo ambigüedad, según AWS citando a Anthropic . En ese contexto, los benchmarks son una guía inicial, pero la prueba real debería replicar tu propio harness, tus herramientas y tus prompts.

Conclusión

El benchmark más fuerte y fácil de citar de Claude Opus 4.7 es 87.6% en SWE-bench Verified, especialmente relevante para coding agéntico . La interpretación correcta, sin embargo, es más matizada: el modelo también reporta 64.3% en SWE-bench Pro, 69.4% en Terminal-Bench 2.0 y 64.4% en Finance Agent v1.1, mientras que Anthropic destaca mejoras internas en trabajo multi-step y finanzas .

La forma responsable de comparar Claude Opus 4.7 no es preguntar por un único benchmark, sino elegir el benchmark que se parece a tu flujo real y verificar la configuración usada. Para desarrollo de software, SWE-bench Verified es el punto de partida; para agentes, terminal, finanzas o research, los resultados complementarios cuentan igual o más.