Claude Opus 4.7 para agentes de larga duración: señales fuertes, pero no veredicto final

La cautela es importante: sigue siendo evidencia del proveedor. Sirve para entender qué promete Anthropic, pero no demuestra por sí sola que Opus 4.7 supere a todos los modelos rivales en pruebas neutrales de larga duración.

2. El contexto de 1 millón de tokens ayuda, pero no lo resuelve todo

Los agentes de larga duración suelen necesitar tener a mano repositorios de código, documentos extensos, resultados de herramientas, decisiones previas y reglas del proyecto. Anthropic y Microsoft describen Opus 4.7 como compatible con una ventana de contexto de 1 millón de tokens, lo que lo hace plausible para flujos grandes y persistentes.

Pero capacidad de contexto no es lo mismo que fiabilidad de contexto. Una ventana enorme puede hacer posible una tarea; no garantiza que el modelo recupere y aplique siempre el detalle correcto tras decenas o cientos de pasos.

3. Los resultados reportados por socios son prometedores

La señal cuantitativa más concreta en las fuentes citadas viene de Applied AI, según materiales de Anthropic. Applied AI dijo que Opus 4.7 empató en la mejor puntuación global de su benchmark interno de agente de investigación de seis módulos, con 0,715; mejoró en el módulo de Finanzas Generales hasta 0,813 frente a 0,767 de Opus 4.6; y mostró el rendimiento de contexto largo más consistente que habían probado.

Otros informes de socios alojados por Anthropic van en una línea parecida. Sourcegraph señaló buenos resultados en flujos asíncronos, automatizaciones, CI/CD —integración y despliegue continuos— y tareas prolongadas, mientras que Cognition afirmó que Opus 4.7 trabajó de forma coherente durante horas en Devin y permitió investigaciones más profundas que antes.

Estos indicios importan porque vienen de contextos donde los agentes no son una demostración de laboratorio, sino parte del producto. Su debilidad también es clara: son informes de socios o benchmarks internos difundidos en materiales de Anthropic, no una batería pública amplia ejecutada por un evaluador neutral.

Qué prueban —y qué no— los benchmarks actuales

Parte de la cobertura pública de benchmarks refuerza la idea de que Opus 4.7 es fuerte en capacidades cercanas. Vellum analiza categorías como SWE-bench Verified, SWE-bench Pro, Terminal-Bench 2.0 y MCP-Atlas para uso escalado de herramientas. LLM Stats reporta para Opus 4.7 un 87,6 % en SWE-bench Verified y un 94,2 % en GPQA, además del soporte de contexto de 1 millón de tokens.

Esos datos son relevantes porque programación, razonamiento, terminales y uso de herramientas suelen estar dentro de los flujos agentivos. Aun así, no responden por completo la pregunta central: si un agente puede funcionar durante horas o días gestionando estado cambiante, llamadas repetidas a herramientas, fallos parciales y recuperación después de tomar un mal camino.

Mapa rápido de la evidencia

Cómo deberían evaluarlo los equipos

Si tu caso de uso incluye agentes de programación, investigación automatizada, automatización empresarial, análisis de incidencias de CI/CD o revisión de documentos en varios pasos, Opus 4.7 merece una prueba seria por su posicionamiento público y por los resultados reportados por socios.

La clave es no probarlo en abstracto. Conviene compararlo con otros modelos candidatos bajo las mismas condiciones:

• las mismas herramientas y permisos;
• los mismos prompts y descripciones de tarea;
• los mismos paquetes de contexto;
• los mismos límites de tiempo y reglas de reintento;
• los mismos umbrales para intervención humana;
• la misma rúbrica de evaluación;
• las mismas restricciones de coste y latencia.

En agentes de larga duración, la calidad de la respuesta final es solo una métrica. También conviene medir tasa de finalización, fallos en llamadas a herramientas, deriva respecto de las instrucciones, errores de retención de contexto, capacidad de recuperación tras una decisión equivocada, traspasos a humanos, tiempo transcurrido y coste por tarea completada con éxito.

Conclusión

Claude Opus 4.7 parece muy fuerte para tareas agentivas de larga duración. Su ventana de contexto de 1 millón de tokens, el posicionamiento explícito de Anthropic, la descripción del catálogo de Microsoft Foundry y los informes de socios alojados por Anthropic apuntan a un modelo de agentes de nivel frontera.

Lo que todavía no hay es una prueba pública suficientemente amplia para una afirmación más rotunda. Con las fuentes revisadas, Opus 4.7 es un candidato casi obligatorio para probar en agentes de larga duración, pero no un ganador concluyente frente a sus rivales en benchmarks independientes multi-hora o multi-día.