Claude Opus 4.7: Những thay đổi và khi nào nên dùng cho AI agent vận hành thực tế

Claude Opus 4.7, mô hình mạnh nhất của Anthropic ở dạng phát hành rộng rãi, vừa ra mắt hôm nay. Mô hình đạt 64.3% trên SWE-bench Pro, tăng 11 điểm so với Opus 4.6, đồng thời có adaptive thinking, cross-session memory và xử lý hình ảnh đến 2,576px. Với các đội đang vận hành AI agent trong production, đây là bản nâng cấp đáng giá theo những cách mà bảng benchmark không thể hiện hết.

Phần lớn bài viết về các đợt ra mắt mô hình mới đọc như thông cáo báo chí. Bài này thì khác. Dưới đây là phân tích Opus 4.7 thực sự thay đổi điều gì, các con số benchmark chuyển thành cải thiện quy trình ra sao và cách quyết định nên đưa mô hình vào stack production ngay hôm nay hay đợi thêm ba tháng.

Điểm chính

• Claude Opus 4.7 đạt 64.3% trên SWE-bench Pro, cao hơn GPT-5.4 với 57.7% và Gemini 3.1 Pro với 54.2%, đồng thời giải quyết số tác vụ lập trình trên codebase production gấp 3 lần Opus 4.6.
• Adaptive thinking tự điều chỉnh lượng compute theo độ phức tạp của tác vụ. Opus 4.7 suy nghĩ sâu hơn với vấn đề khó và phản hồi nhanh hơn với vấn đề đơn giản, điều này quan trọng với những agent vừa gọi tool thường quy vừa phải ra quyết định phức tạp.
• Cross-session memory cho phép agent mang ngữ cảnh từ phiên này sang phiên khác, mở ra nhiều khả năng mới cho nghiên cứu dài hạn, RevOps và quy trình pipeline dữ liệu.
• Giá $5/$25 mỗi triệu token không đổi so với Opus 4.6, nhưng prompt caching giảm chi phí thực tế tới 90% cho agent có system prompt lặp lại.
• Dùng Opus 4.7 cho tác vụ agentic dài hạn, lập trình phức tạp và quyết định rủi ro cao. Dùng Sonnet 4.6 cho phần lớn các bước agent tiêu chuẩn. Dùng Haiku 4.5 cho truy xuất và phân loại với khối lượng lớn.

Có gì mới trong Claude Opus 4.7

Bốn thay đổi quan trọng nhất về mặt vận hành là adaptive thinking, cross-session memory, độ phân giải hình ảnh và hiệu năng lập trình.

Adaptive thinking

Opus 4.7 tự điều chỉnh lượng compute phân bổ theo độ phức tạp của tác vụ. Với trích xuất thường quy hoặc phân loại đơn giản, mô hình phản hồi nhanh. Với tác vụ gỡ lỗi code nhiều bước hoặc quyết định phức tạp có các tín hiệu mâu thuẫn, mô hình dành thêm thời gian suy luận nội bộ trước khi trả lời.

Với agent trong production, điều này giảm bớt một đánh đổi quen thuộc. Trước đây, đội ngũ phải chọn giữa Opus (kỹ lưỡng nhưng chậm với tác vụ đơn giản) và Sonnet (nhanh nhưng đôi khi hời hợt với tác vụ khó). Adaptive thinking giúp Opus 4.7 phù hợp hơn trên toàn bộ dải tác vụ này.

Hệ quả thực tế là những quy trình vừa có các lần gọi tool đơn giản vừa có quyết định phức tạp không còn phải chia nhỏ định tuyến quá mức để kiểm soát độ trễ. Opus 4.7 tự xử lý được sự chênh lệch đó.

Tự chủ dài hạn và cross-session memory được cải thiện

Opus 4.7 giữ được ngữ cảnh giữa các phiên. Agent chạy quy trình nghiên cứu kéo dài nhiều ngày có thể tiếp tục từ chỗ đã dừng, tham chiếu các quyết định trước đó và cập nhật hiểu biết của mình mà người vận hành không phải nạp lại ngữ cảnh ở đầu mỗi lượt chạy.

Điều này quan trọng nhất cho ba loại quy trình: agent nghiên cứu tự chủ gửi bản tóm tắt hằng tuần cho đội ngũ, hệ thống phân loại yêu cầu hỗ trợ theo dõi lịch sử ticket qua nhiều lần tương tác, và agent pipeline dữ liệu giám sát rồi điều chỉnh hành vi dựa trên những gì đã hỏng tuần trước. Trong cả ba trường hợp, mô hình trước đây cần bàn giao ngữ cảnh thủ công hoặc thêm một bước chèn ngữ cảnh, làm tăng độ trễ và chi phí. Opus 4.7 gỡ bỏ nút thắt đó với các cơ chế bộ nhớ được hỗ trợ.

Nâng cấp thị giác: độ phân giải 2,576px

Opus 4.7 xử lý hình ảnh có cạnh dài đến 2,576 pixel, gấp hơn ba lần độ phân giải của các mô hình Claude trước đó. Với agent phân tích dashboard, đọc screenshot của hệ thống bên ngoài hoặc kiểm tra bản scan tài liệu, điều này thu hẹp khoảng cách về độ chính xác vốn tồn tại lâu nay với những hình ảnh dày đặc chi tiết.

Lập trình được cải thiện: SWE-bench Pro 64.3%

Trên SWE-bench Pro, Opus 4.7 đạt 64.3% so với 53.4% của Opus 4.6. Đây không phải một cải tiến nhỏ. GPT-5.4 đạt 57.7% và Gemini 3.1 Pro đạt 54.2% trên cùng benchmark.

Trên SWE-bench Verified, Opus 4.7 đạt 87.6%, tăng từ 80.8% của Opus 4.6. Trên bài đánh giá SWE-bench nội bộ của Rakuten chạy với codebase production, Opus 4.7 giải quyết được số tác vụ gấp ba lần Opus 4.6, với mức tăng hai chữ số ở cả Code Quality lẫn Test Quality.

Trên benchmark nội bộ gồm 93 tác vụ, tỷ lệ xử lý tăng 13% so với Opus 4.6, trong đó có bốn tác vụ mà cả Opus 4.6 lẫn Sonnet 4.6 đều không giải được.

Đây không phải những thay đổi nhỏ lẻ trên bảng xếp hạng. Chúng phản ánh thay đổi thực sự về những gì agent có thể hoàn thành trong codebase production.

Opus 4.7 so với GPT-5.4 và Gemini 3.1 Pro trên benchmark

Bảng so sánh benchmark đầy đủ, theo SWE-bench Pro Leaderboard, Scale AI và Anthropic Claude Opus:

| Chỉ số | Opus 4.7 | Opus 4.6 | GPT-5.4 | Gemini 3.1 Pro | | ---------------------------- | ----------- | ------------ | -------- | -------------- | | SWE-bench Pro | 64.3% | 53.4% | 57.7% | 54.2% | | SWE-bench Verified | 87.6% | 80.8% | Không có | 80.6% | | Cửa sổ ngữ cảnh | 1M token | 1M token | Không có | Không có | | Giá đầu vào | $5/M token | $5/M token | Không có | $2/M token | | Giá đầu ra | $25/M token | $25/M token | Không có | $12/M token | | Tiết kiệm nhờ prompt caching | tới 90% | tới 90% | Không có | Không có | | Độ phân giải ảnh tối đa | 2,576px | khoảng 800px | Không có | Không có |

Có vài điểm đáng lưu ý trong bảng.

Opus 4.7 dẫn đầu mọi benchmark lập trình phản ánh điều kiện production. Kết quả Rakuten-SWE-Bench, với số tác vụ giải quyết được gấp 3 lần trên codebase thật, là con số quan trọng nhất với các đội đang cân nhắc nâng cấp coding agent. Điểm benchmark trên tác vụ tổng hợp có thể bị "học tủ", còn kết quả trên codebase production thì khó làm vậy hơn nhiều.

Gemini 3.1 Pro rẻ hơn, $2/$12 mỗi triệu token so với $5/$25 của Opus 4.7. Nếu ngân sách là ràng buộc chính và độ chính xác lập trình ít quan trọng hơn, Gemini là phương án hợp lý. Nhưng với những đội mà chỉ một pipeline viết sai hay một bước agent thất bại cũng gây thiệt hại đáng kể cho các hệ thống phía sau, chênh lệch về độ chính xác hoàn toàn xứng đáng với chênh lệch về giá.

GPT-5.4 là một mô hình mạnh, nhất là với suy luận có cấu trúc và tác vụ computer use. Tuy nhiên, mô hình này không dẫn đầu ở các benchmark sát nhất với việc phát triển AI agent và quy trình data engineering.

Khi nào dùng Opus 4.7, Sonnet 4.6 hay Haiku 4.5

Sai lầm phổ biến nhất khi chọn mô hình là đẩy mọi thứ qua mô hình mạnh nhất cho khỏi phải nghĩ. Cách đó ổn khi làm demo. Trong production, nó tạo ra chi phí và độ trễ không cần thiết ở những bước không đòi hỏi mô hình mạnh như vậy.

Khung quyết định định tuyến mô hình trong thực tế:

Dùng Opus 4.7 khi:

• tác vụ cần suy luận dài hạn hoặc chuỗi quyết định nhiều bước có phụ thuộc
• agent viết, gỡ lỗi hoặc review code production
• một điểm ra quyết định cần độ tin cậy cao và phải chính xác, như phê duyệt, định tuyến escalation hoặc kiểm tra đầu ra cuối cùng
• tính liên tục giữa các phiên là quan trọng và quy trình chạy kéo dài nhiều ngày
• đầu vào chứa nội dung hình ảnh phức tạp như dashboard dày đặc, sơ đồ kỹ thuật hoặc tài liệu nhiều trang

Dùng Sonnet 4.6 khi:

• tác vụ gồm gọi tool tiêu chuẩn, trích xuất dữ liệu có cấu trúc hoặc suy luận ở mức độ phức tạp vừa phải
• độ trễ là ràng buộc rõ ràng và bước đó không cần phán đoán sâu
• agent thực hiện một quy trình đã được định nghĩa rõ, ít điểm mơ hồ
• chi phí cho mỗi lần hoàn tất quy trình trở nên quan trọng khi chạy ở quy mô lớn

Dùng Haiku 4.5 khi:

• phân loại, truy xuất hoặc tóm tắt khối lượng lớn với schema rõ ràng
• tác vụ hẹp, trả lời sai thì thiệt hại thấp và có thể khắc phục
• cần thực thi nhanh, rẻ với hàng nghìn lượt gọi mỗi giờ

Một kiến trúc research agent đã hoạt động tốt trong các dự án triển khai gần đây: dùng Opus 4.7 cho bước lập kế hoạch, tổng hợp phân tích đối thủ và viết bản tóm tắt cuối; Sonnet 4.6 để tạo truy vấn tìm kiếm, đánh giá nguồn và tóm tắt trung gian; Haiku 4.5 để xếp hạng kết quả truy xuất và loại bỏ trùng lặp. Cách định tuyến này giảm khoảng 60% chi phí mỗi lần chạy quy trình so với dùng Opus cho mọi thứ, mà vẫn giữ chất lượng đầu ra ở đúng những bước quan trọng.

Nếu bạn đang thiết kế cách định tuyến như vậy từ đầu, bài viết về dịch vụ phát triển AI agent của chúng tôi trình bày chi tiết hơn về các mẫu thiết kế escalation và định tuyến mô hình.

Opus 4.7 thay đổi gì với quy trình AI agent trong production

Các con số benchmark hữu ích để định hướng, nhưng không trả lời được câu hỏi thực tế: bản phát hành này thay đổi gì cho các đội đang chạy agent?

Agent nghiên cứu dài hạn và RevOps

Cải thiện về cross-session memory là thay đổi có ý nghĩa nhất về mặt vận hành với quy trình nghiên cứu và RevOps. Trước đây, các đội chạy agent theo dõi đối thủ và viết bản tóm tắt hằng tuần phải duy trì một kho bộ nhớ bên ngoài rồi nạp vào đầu mỗi lần chạy, hoặc chấp nhận để agent bắt đầu lại từ đầu ở mỗi phiên.

Cross-session memory của Opus 4.7 loại bỏ bước nạp lại này với các cơ chế bộ nhớ được hỗ trợ. Agent dần tích lũy hiểu biết về việc đối thủ nào quan trọng, tín hiệu nào đã được đánh dấu và ưu tiên hiện tại của đội là gì, mà người vận hành không phải nhắc lại ở mỗi lượt chạy.

Với quy trình nghiên cứu đa agent, điều này giảm chi phí khởi tạo cho từng lượt chạy hằng tuần và giảm rủi ro ngữ cảnh cũ dẫn đến đầu ra trùng lặp.

Agent pipeline dữ liệu và lập trình

Mức cải thiện trên benchmark lập trình không chỉ mang tính lý thuyết với quy trình data engineering. Các agent pipeline viết và review model dbt, chẩn đoán lỗi DAG hoặc tạo script migration đang làm đúng loại công việc lập trình production phức tạp, nơi Opus 4.7 cải thiện nhiều nhất.

Trên benchmark 93 tác vụ, có bốn tác vụ mà cả Opus 4.6 lẫn Sonnet 4.6 đều không giải được. Đây là nhóm vấn đề khó nhất: trường hợp biên trong codebase production, yêu cầu mơ hồ với các ràng buộc mâu thuẫn và lỗi có nguyên nhân gốc khó nhận ra. Trong kỹ thuật pipeline, đây chính là những tác vụ thường cần kỹ sư senior vào cuộc nhất. Opus 4.7 tự xử lý được nhiều hơn trong số đó.

Với phát triển AI agent vận hành thực tế, điều này thay đổi ranh giới giữa phần việc có thể giao an toàn cho agent và phần cần chuyển cho người kiểm duyệt. Đặt sai ranh giới này theo bất kỳ hướng nào (quá rộng khiến con người thành nút thắt, quá hẹp khiến đầu ra kém lọt qua) là một trong những nguyên nhân phổ biến khiến agent production thất bại. Chúng tôi đã bàn về cách hiệu chỉnh ranh giới này trong bài AI agent với kiểm duyệt của con người.

Kỷ luật chi phí: prompt caching ở mức $5/$25/M

Opus 4.7 có giá $5 mỗi triệu token đầu vào và $25 mỗi triệu token đầu ra. Giá này không đổi so với Opus 4.6. Nhìn qua, mức giá này cao hơn Gemini 3.1 Pro với $2/$12.

Prompt caching làm thay đổi đáng kể chi phí thực tế. Với agent có system prompt lớn và ổn định (gồm hướng dẫn, schema của tool, tài liệu chính sách và chỉ mục truy xuất), prompt caching của Anthropic giảm chi phí gửi lại ngữ cảnh đó tới 90%. Xử lý batch giảm thêm 50% cho các quy trình không yêu cầu độ trễ thấp.

Trên thực tế, một research agent có system prompt 100,000 token, chạy hằng ngày với 100 lần hoàn tất quy trình mỗi tháng, sẽ giảm chi phí đầu vào cho phần được cache từ khoảng $50/tháng xuống còn $5/tháng. Với cấu trúc chi phí này, khoảng cách giữa Opus 4.7 và các mô hình rẻ hơn thu hẹp đáng kể nếu caching được triển khai đúng cách.

Lưu ý rằng prompt caching đòi hỏi kỷ luật kỹ thuật. Cache sẽ mất hiệu lực khi system prompt thay đổi, nên agent có hướng dẫn được cập nhật thường xuyên sẽ có tỷ lệ cache hit thấp hơn. Với bất kỳ quy trình nào chạy hơn vài chục lần mỗi ngày, việc đầu tư vào một kiến trúc prompt ổn định, tận dụng tốt cache là hoàn toàn xứng đáng.

Cách bắt đầu: truy cập API và giá

Claude Opus 4.7 có trên Claude API với model ID claude-opus-4-7. Tính đến hôm nay, mô hình cũng có trên Amazon Bedrock, Microsoft Azure Foundry và Vertex AI.

Tóm tắt giá:

• Đầu vào: $5 mỗi triệu token
• Đầu ra: $25 mỗi triệu token
• Prompt caching: giảm tới 90% cho đầu vào được cache
• Xử lý batch: giảm 50% cho các workload chạy offline
• Cửa sổ ngữ cảnh: 1 triệu token

Với các đội đang cân nhắc nâng cấp agent từ Opus 4.6 lên Opus 4.7: giá không đổi, nên câu hỏi duy nhất là mức cải thiện năng lực có đáng để chuyển đổi mô hình hay không. Với mức tăng 13% trên benchmark lập trình và cải thiện về cross-session memory, các quy trình liên quan đến sinh code phức tạp hoặc cần tính liên tục qua nhiều phiên là những ứng viên nâng cấp sáng giá. Quy trình nào đã chạy tốt trên Sonnet 4.6 thì nên tiếp tục dùng Sonnet.

Kết luận

Claude Opus 4.7 là bản nâng cấp có giá trị cho vận hành thực tế, không chỉ để đua benchmark. Mức tăng 13% về lập trình, cross-session memory và adaptive thinking đều giải quyết những điểm yếu thực tế trong quy trình agent production, chứ không phải các trường hợp biên trong bài đánh giá tổng hợp.

Con số benchmark không quan trọng bằng quyết định định tuyến: phần lớn các đội không cần Opus 4.7 ở mọi bước agent, và dùng nó ở khắp nơi là một sai lầm về chi phí. Những đội tận dụng tốt nhất bản phát hành này sẽ xác định các bước trong quy trình mà khả năng suy luận sâu của Opus 4.7 thực sự cải thiện đầu ra, định tuyến các bước đó sang mô hình mới và giữ Sonnet ở những chỗ Sonnet đã đáp ứng đủ.

Nếu bạn đang xây dựng hoặc hoàn thiện AI agent cho production và muốn có thêm góc nhìn về vị trí phù hợp của Opus 4.7 trong quy trình, hãy xem dịch vụ phát triển AI agent hoặc case study Zeno để thấy ví dụ thực tế về định tuyến giữa Claude, OpenAI và Gemini sau một ngưỡng tin cậy 85%.