Benchmarks do Claude Opus 4.7: como ler o 87,6% no SWE-bench Verified

Claude Opus 4.7 não é bem entendido por uma única pontuação. O enquadramento mais útil é vê-lo como um modelo voltado a raciocínio complexo, programação agêntica e fluxos de trabalho longos. A própria Anthropic o descreve em sua documentação como seu modelo geralmente disponível mais capaz para raciocínio complexo e agentic coding , enquanto a AWS o apresenta como uma evolução do Opus 4.6 para fluxos de produção como programação agêntica, trabalho de conhecimento, compreensão visual e tarefas de longa duração .

Para times de engenharia, o número que mais chama atenção é 87,6% no SWE-bench Verified, reportado pela AWS com base em dados da Anthropic . É um resultado relevante, mas não deve ser lido isoladamente: a própria AWS observa que o modelo pode exigir mudanças de prompting e ajustes de harness — isto é, no ambiente ou roteiro de avaliação — para entregar seu melhor desempenho .

Principais resultados reportados

Área	Benchmark	Resultado reportado	Como interpretar
Programação e agentes	SWE-bench Verified	87,6%	A cifra mais forte e direta para avaliar tarefas de software no Claude Opus 4.7 .
Programação e agentes	SWE-bench Pro	64,3%	Leitura complementar para tarefas de software mais exigentes ou diferentes do SWE-bench Verified .
Agentes em terminal	Terminal-Bench 2.0	69,4%	Mais útil quando o caso envolve operar em ambientes de terminal ou com ferramentas .
Agentes financeiros	Finance Agent v1.1	64,4%	Mais relevante para fluxos de análise ou automação financeira .
Coding interno	Benchmark interno de 93 tarefas	+13% de resolução vs. Opus 4.6	Melhora relativa em uma avaliação específica, não promessa de ganho uniforme em qualquer projeto .
Agente de pesquisa interno	Score geral	0,715	A Anthropic apresenta como resultado forte para trabalho em múltiplas etapas em seu benchmark interno de research-agent .
Agente de pesquisa interno	General Finance	0,813 vs. 0,767 do Opus 4.6	Indica melhora frente ao Opus 4.6 no módulo financeiro interno da Anthropic .

O que o 87,6% no SWE-bench Verified realmente diz

Para quem compara modelos como agentes de programação, o SWE-bench Verified é o dado mais claro entre as fontes disponíveis: a AWS reporta 87,6% para o Claude Opus 4.7 . Na prática, isso reforça o posicionamento do modelo em tarefas de engenharia de software e resolução de problemas de código, em linha com a descrição da Anthropic de que o Opus 4.7 é forte em raciocínio complexo e programação agêntica .

Mas esse percentual não equivale ao desempenho geral do modelo em qualquer cenário. SWE-bench Verified mede um recorte específico de capacidade; não substitui benchmarks de terminal, finanças, visão, tarefas longas ou pesquisa. Para uma decisão técnica mais segura, faz sentido olhar pelo menos o SWE-bench Pro e o Terminal-Bench 2.0 junto com a pontuação principal .

Por que aparecem números diferentes

Nem todas as fontes publicam a mesma pontuação. Uma fonte secundária reporta 82,4% no SWE-bench Verified, enquanto a AWS reporta 87,6% para o Claude Opus 4.7 . Essa diferença importa: copiar apenas o percentual, sem explicar a origem, pode levar a uma comparação ruim.

A leitura mais prudente é sempre informar o nome exato do benchmark, a pontuação e a fonte. Além disso, a AWS afirma que o Opus 4.7 pode exigir mudanças de prompting e ajustes de harness para ser melhor aproveitado, o que reforça que a configuração da avaliação pode influenciar o resultado observado .

Qual benchmark observar em cada caso de uso

Se o foco é programação, comece pelo SWE-bench Verified, mas não pare nele. O SWE-bench Pro e o Terminal-Bench 2.0 ajudam a observar cenários em que o modelo precisa lidar com tarefas de software mais complexas ou interagir com ambientes e ferramentas .

Se o objetivo é finanças ou pesquisa, os dados internos da Anthropic ficam mais próximos desse tipo de fluxo. No benchmark interno de research-agent, o Opus 4.7 obteve 0,715 de score geral e 0,813 em General Finance, contra 0,767 do Opus 4.6 nesse módulo . Ainda assim, esses números devem ser lidos como avaliações internas, não como verificação independente.

Se o interesse está em workflows empresariais longos, a informação pública aponta melhorias em tarefas de longa duração, acompanhamento de instruções e trabalho sob ambiguidade, segundo a AWS citando a Anthropic . Nesse contexto, benchmarks servem como ponto de partida; a validação mais importante é testar com seu próprio harness, suas ferramentas e seus prompts.

Conclusão

O benchmark mais forte e fácil de citar do Claude Opus 4.7 é 87,6% no SWE-bench Verified, especialmente relevante para programação agêntica . A interpretação correta, porém, é mais cuidadosa: o modelo também aparece com 64,3% no SWE-bench Pro, 69,4% no Terminal-Bench 2.0 e 64,4% no Finance Agent v1.1, enquanto a Anthropic destaca melhorias internas em trabalho de múltiplas etapas e finanças .

A comparação responsável não é perguntar apenas qual é o benchmark do Claude Opus 4.7, mas qual benchmark se parece com o seu fluxo real. Para desenvolvimento de software, o SWE-bench Verified é um bom ponto de partida; para agentes, terminal, finanças ou pesquisa, os resultados complementares podem contar tanto quanto — ou até mais.