Anthropic ha lanzado Claude Opus 4.6, el modelo más avanzado de la familia Claude 4.5, y después de analizar a fondo toda la información disponible, puedo decir que este lanzamiento va mucho más allá de una simple actualización incremental. Hay mejoras muy relevantes para desarrolladores, nuevas capacidades en la API, avances en seguridad que merecen atención y herramientas de productividad que amplían el ecosistema.
Qué es Claude Opus 4.6 y dónde se posiciona
Claude Opus 4.6 es la nueva iteración del modelo clase Opus dentro de la familia Claude 4.5. Su identificador en la API es claude-opus-4-6. Se trata del modelo más inteligente y capaz que ofrece Anthropic actualmente, diseñado para tareas complejas que requieren razonamiento profundo, trabajo con codebases grandes y sesiones de trabajo largas.
Para contextualizar la mejora, estas son las diferencias técnicas clave respecto a su predecesor:
Ventana de contexto: pasa de 200k tokens (Opus 4.5) a 1 millón de tokens (Opus 4.6, en beta). Es la primera vez que un modelo clase Opus alcanza esta cifra.
Output máximo: de 64k tokens a 128k tokens, lo que permite completar tareas grandes en una sola petición.
Knowledge cutoff: actualizado de marzo 2025 a mayo 2025.
Mejoras en coding: lo que realmente importa para desarrolladores
Las mejoras en coding son el punto fuerte de este lanzamiento y donde más se nota la diferencia en el día a día. Según Anthropic y los testimonios de sus Early Access partners, Opus 4.6 planifica mejor antes de actuar, se mantiene productivo durante sesiones más largas sin perder el hilo, opera con mayor fiabilidad en codebases grandes y tiene mejores habilidades de code review y debugging para detectar sus propios errores.
Un detalle interesante que comparte el propio equipo de Anthropic: el modelo tiende a pensar más profundamente y a revisar su razonamiento antes de dar una respuesta. Esto produce mejores resultados en problemas complejos, pero puede añadir latencia y coste en tareas simples. Su recomendación es bajar el esfuerzo de high (por defecto) a medium cuando notes que está sobrevalorando una tarea sencilla.
Los benchmarks de coding lo respaldan. En Terminal-Bench 2.0, el benchmark de referencia para coding agéntico, Opus 4.6 alcanza un 65.4%, la puntuación más alta de la industria. En OSWorld obtiene un 72.7%, el mejor resultado para computer use. Y en SWE-bench Verified alcanza un promedio de 79.4% (con una modificación de prompt llega a 81.42%).
Pero lo más revelador viene de los testimonios de empresas que lo han probado. SentinelOne reporta que el modelo manejó una migración de un codebase de millones de líneas como un ingeniero senior, planificando por adelantado y adaptando su estrategia sobre la marcha. Rakuten cuenta que en un solo día cerró autónomamente 13 issues y asignó 12 más a los equipos correctos en una organización de 50 personas con 6 repositorios. Cursor destaca su tenacidad en problemas difíciles y su capacidad de mantenerse en tareas de larga duración donde otros modelos abandonan.
Agent teams en Claude Code: múltiples agentes en paralelo
Una de las novedades más potentes para desarrolladores es la llegada de agent teams a Claude Code como research preview. Ahora puedes lanzar múltiples agentes que trabajan en paralelo como equipo y se coordinan de forma autónoma. Está pensado especialmente para tareas que se pueden dividir en trabajo independiente y con mucha lectura, como revisiones de codebase completas.
Puedes tomar el control de cualquier subagente directamente usando Shift+Up/Down o a través de tmux. Según Ramp, el modelo es lo suficientemente inteligente como para usar subagentes para las piezas individuales de una tarea compleja a lo largo del stack.
Ventana de contexto de 1M de tokens: un salto cualitativo
La ampliación a 1 millón de tokens no es solo un número mayor. Hay un cambio cualitativo en cuánto contexto puede aprovechar realmente el modelo sin que el rendimiento se degrade.
Uno de los problemas más conocidos con modelos de IA es el llamado "context rot": la degradación del rendimiento conforme la conversación crece en tokens. Opus 4.6 mejora esto de forma notable. En el benchmark MRCR v2 (8-needle 1M), que mide la capacidad de recuperar información "escondida" en grandes cantidades de texto, Opus 4.6 alcanza un 76% frente al 18.5% de Sonnet 4.5.
Esto es un salto cualitativo real. Thomson Reuters, que lo ha probado en sus flujos de investigación, destaca que el modelo maneja volúmenes mucho mayores de información con una consistencia que les permite diseñar sistemas de investigación complejos con confianza.
Nuevas funcionalidades en la API
Anthropic introduce varias funcionalidades nuevas en la API que cambian cómo interactúas con el modelo:
Adaptive thinking es quizás la más elegante. Antes solo tenías la opción binaria de activar o desactivar el razonamiento extendido. Ahora, Claude decide automáticamente cuándo el razonamiento profundo sería útil según el contexto. En el nivel de esfuerzo por defecto (high), el modelo usa extended thinking cuando lo considera necesario.
Effort levels ofrece 4 niveles de control: low, medium, high (por defecto) y max. Esto te da control sobre el equilibrio entre inteligencia, velocidad y coste. Anthropic recomienda experimentar con diferentes niveles según el caso de uso.
Context compaction (en beta) resuelve un problema real de las conversaciones largas y tareas agénticas. Cuando la conversación se acerca al límite de la ventana de contexto, el modelo automáticamente resume y reemplaza el contexto más antiguo, permitiendo que las tareas largas continúen sin interrupciones.
US-only inference está disponible para cargas de trabajo que necesitan ejecutarse exclusivamente en Estados Unidos, a 1.1× del precio base.
Benchmarks: los números frente a la competencia
Los resultados en benchmarks son contundentes y merecen un análisis detallado.
En GDPval-AA, un benchmark que evalúa rendimiento en tareas de conocimiento económicamente valiosas (finanzas, legal, etc.), Opus 4.6 supera a GPT-5.2 de OpenAI por aproximadamente 144 puntos Elo. En la práctica, esto significa que Opus 4.6 obtiene una puntuación superior a GPT-5.2 aproximadamente el 70% de las veces. Respecto a su predecesor, la mejora es de 190 puntos Elo sobre Opus 4.5.
En Humanity's Last Exam, un test de razonamiento multidisciplinar complejo, lidera todos los modelos frontera. En BrowseComp, que mide la capacidad de localizar información difícil de encontrar en la web, también es el mejor modelo. Y con un harness multi-agente, la puntuación en BrowseComp sube al 86.8%.
Otros benchmarks destacados: MCP Atlas con un resultado líder de 62.7% en esfuerzo alto, CyberGym liderando en ciberseguridad, y un rendimiento casi 2× superior a Opus 4.5 en tests de biología computacional, biología estructural, química orgánica y filogenética.
Ciberseguridad: 500 vulnerabilidades 0-day descubiertas
Este es probablemente el dato más impactante de todo el lanzamiento. Anthropic ha utilizado Opus 4.6 para buscar vulnerabilidades en software open source y ha encontrado y validado más de 500 vulnerabilidades de alta severidad, algunas llevaban décadas sin ser detectadas en codebases que habían acumulado millones de horas de CPU en fuzzing.
Lo interesante no es solo la cantidad, sino el cómo. A diferencia de los fuzzers tradicionales que lanzan inputs aleatorios masivamente para ver qué rompe, Opus 4.6 lee y razona sobre el código como lo haría un investigador de seguridad humano. Lee el historial de commits para encontrar bugs similares no parcheados, identifica patrones que tienden a causar problemas y entiende la lógica del código lo suficiente como para saber exactamente qué input lo rompería.
El post técnico de Anthropic detalla tres ejemplos concretos que ilustran estas capacidades:
En GhostScript (procesador de PostScript y PDF), Claude empezó por el camino convencional intentando fuzzing y análisis manual sin éxito. Entonces cambió de estrategia: leyó el historial de commits de Git, encontró un commit de seguridad sobre comprobaciones de límites de pila, entendió que si ese commit añadía comprobaciones entonces el código anterior era vulnerable, y buscó otros paths donde se llamaba a la misma función sin las comprobaciones. Encontró exactamente eso en gdevpsfx.c y construyó un proof-of-concept funcional.
En OpenSC (utilidad de smart cards), tras fracasar con fuzzing, Claude buscó llamadas a funciones típicamente vulnerables en C. Identificó operaciones strcat sucesivas sin verificación de longitud del buffer de salida. Los fuzzers tradicionales no alcanzaban esta línea de código por la cantidad de precondiciones requeridas, pero Claude fue capaz de razonar directamente sobre qué fragmentos eran interesantes.
En CGIF (librería de procesamiento GIF), lo sorprendente fue cómo Claude validó la vulnerabilidad. Reconoció que la librería asumía que los datos comprimidos con LZW siempre serían más pequeños que los originales, y entendió conceptualmente que si la tabla de símbolos de LZW se llenaba repetidamente, los tokens de "clear" insertados harían que la salida "comprimida" superase el tamaño original, provocando un buffer overflow. Este tipo de vulnerabilidad requiere comprensión conceptual del algoritmo y es prácticamente imposible de encontrar con fuzzers tradicionales.
Como contrapartida para evitar el uso malicioso, Anthropic ha desarrollado 6 nuevas probes de ciberseguridad que analizan activaciones internas del modelo para detectar usos dañinos a escala, y están preparando intervención en tiempo real para bloquear tráfico malicioso.
Finanzas: mejora de 23 puntos porcentuales
Opus 4.6 marca una mejora significativa en el ámbito financiero. En la evaluación interna "Real-World Finance" de Anthropic, que cubre unas 50 tareas de análisis financiero e inversión (hojas de cálculo, presentaciones y documentos), Opus 4.6 mejora en más de 23 puntos porcentuales sobre Sonnet 4.5.
El modelo es estado del arte en Finance Agent de Vals AI (60.7%, un 5.47% de mejora sobre Opus 4.5, evaluando investigación de filings SEC) y en TaxEval (76.0%). Los entregables financieros como modelos y presentaciones salen bien en el primer intento con más frecuencia, lo que según Anthropic reduce significativamente los ciclos de revisión.
Harvey, la plataforma de IA legal, reporta que Opus 4.6 alcanzó la puntuación más alta en BigLaw Bench de cualquier modelo Claude con un 90.2%, con un 40% de puntuaciones perfectas. Box indica una mejora del 10% en rendimiento para análisis multi-fuente en contenido legal, financiero y técnico.
Claude in PowerPoint y mejoras en Excel
Junto al modelo, Anthropic lanza Claude in PowerPoint como research preview para suscriptores Max, Team y Enterprise. Claude lee tus layouts, fuentes y slide masters para mantener la identidad visual, pudiendo construir decks desde templates de cliente o generar presentaciones completas desde una descripción.
Claude in Excel recibe mejoras sustanciales: mejor planificación y clarificación de suposiciones con el usuario conforme la tarea se complica, capacidad de ingerir datos no estructurados e inferir la estructura correcta sin guía, y manejo de cambios multi-paso en un solo pase. Añade soporte para tablas dinámicas, modificación de gráficos, formato condicional, ordenación, filtrado, validación de datos y formato financiero. También incorpora auto-compaction para conversaciones largas y soporte drag-and-drop para múltiples archivos.
La combinación de ambas herramientas permite un flujo de trabajo donde procesas y estructuras datos en Excel y luego los presentas visualmente en PowerPoint, todo con Claude.
Cowork: multitarea autónoma
Cowork es la herramienta de escritorio de Anthropic donde Claude puede trabajar de forma autónoma en múltiples tareas. Le das acceso a una carpeta de tu escritorio y Claude puede leer, editar y crear archivos directamente. Con Opus 4.6, los outputs son más pulidos en el primer intento.
Cowork se puede personalizar con plugins que incluyen skills (instrucciones de cómo completar una tarea) y conectores a datos en otras plataformas. Existe un plugin de finanzas corporativas preconfigurado, y puedes construir los tuyos propios. Está disponible como research preview en escritorio para todos los planes de pago.
Seguridad y alineamiento
Las mejoras en inteligencia no vienen a costa de la seguridad. En el audit comportamental automatizado de Anthropic, Opus 4.6 muestra tasas bajas de comportamientos desalineados como decepción, sycofancia (dar la razón al usuario por complacer), fomento de delusiones y cooperación con uso malicioso. Mantiene el nivel de alineamiento de Opus 4.5, que ya era el mejor modelo frontera en este aspecto.
Un dato positivo: Opus 4.6 tiene la tasa más baja de over-refusals (rechazos innecesarios de consultas benignas) de cualquier modelo Claude reciente. Esto reduce la frustración de recibir negativas en peticiones perfectamente legítimas.
Anthropic realizó las evaluaciones de seguridad más exhaustivas que han hecho para cualquier modelo, incluyendo tests nuevos de bienestar del usuario, pruebas más complejas de rechazo de peticiones peligrosas, evaluaciones actualizadas de acciones dañinas encubiertas y nuevos métodos de interpretabilidad para entender por qué el modelo se comporta de determinadas maneras.
Precios y disponibilidad
El modelo está disponible desde ya en claude.ai, la API y las principales plataformas cloud (Amazon Bedrock, Google Cloud Vertex AI).
Los precios se mantienen iguales para uso estándar: $5/$25 por millón de tokens (input/output). Para prompts que exceden los 200k tokens aplica pricing premium: $10/$37.50 por millón de tokens. Prompt caching ofrece hasta un 90% de ahorro y batch processing un 50%.
Los suscriptores de planes Pro, Max, Team y Enterprise pueden usar Opus 4.6 directamente sin coste adicional. La diferencia entre Pro y Max está en los límites de uso: Max tiene límites más generosos y acceso prioritario. Además, los suscriptores que se hayan suscrito antes del 4 de febrero y activen "Extra Usage" antes del 16 de febrero pueden reclamar $50 en créditos gratis.
Qué dicen las empresas que ya lo usan
Los testimonios de los Early Access partners reflejan una mejora consistente. Notion lo describe como el modelo más fuerte que Anthropic ha lanzado, destacando que toma peticiones complicadas y las ejecuta dividiendo en pasos concretos. GitHub señala avances en workflows agénticos que requieren planificación y tool calling. Replit destaca la capacidad de dividir tareas complejas en subtareas independientes, ejecutar tools y subagentes en paralelo e identificar bloqueos con precisión. Asana lo califica como estado del arte para navegar codebases grandes e identificar los cambios correctos.
Bolt.new reporta que el modelo generó en un solo pase un motor de física completamente funcional. Figma indica que traduce diseños detallados y tareas multi-capa a código en el primer intento. Y Shopify destaca que el modelo iba más allá de lo solicitado, explorando y creando detalles que no sabían que querían hasta verlos.
Conclusión
Claude Opus 4.6 es un lanzamiento denso. No es solo un modelo que puntúa más alto en benchmarks, sino que introduce capacidades realmente nuevas: agent teams para trabajo en paralelo, context compaction para sesiones largas, adaptive thinking para un uso más inteligente de los recursos y una ventana de contexto que por primera vez permite trabajar con proyectos completos sin fragmentar.
El dato de las 500 vulnerabilidades 0-day descubiertas en código open source bien testeado es probablemente lo más llamativo y demuestra que estamos en un punto de inflexión real en las capacidades de los LLM para tareas que antes requerían equipos especializados. Para quienes trabajamos con IA en desarrollo, Opus 4.6 es una herramienta significativamente más capaz que merece probarse a fondo.
Rutas de aprendizaje
