- Anthropic a dévoilé Claude Opus 4 et Claude Sonnet 4, en mettant le codage, le raisonnement avancé et les tâches d’agents IA au premier plan des performances de la prochaine génération de Claude
- Les deux modèles sont des modèles hybrides capables d’alterner entre réponse immédiate et raisonnement approfondi, avec prise en charge de l’usage d’outils comme la recherche web pendant la réflexion étendue ainsi que l’exécution parallèle d’outils
- Opus 4 a obtenu 72.5% sur SWE-bench et 43.2% sur Terminal-bench, tandis que Sonnet 4 a atteint 72.7% sur SWE-bench, avec des améliorations en codage, raisonnement et suivi des instructions par rapport à Sonnet 3.7
- Claude Code est désormais disponible en version stable et s’étend au terminal, à VS Code, à JetBrains, à GitHub Actions et au SDK, pouvant prendre en charge les réponses aux revues de PR, la correction d’erreurs CI et les modifications de code
- L’API ajoute un outil d’exécution de code, MCP connector, la Files API et un cache de prompt pouvant aller jusqu’à 1 heure, afin de permettre aux développeurs de créer des agents IA plus puissants
Présentation des modèles Claude 4
- Anthropic a dévoilé Claude Opus 4 et Claude Sonnet 4 comme les modèles de nouvelle génération de Claude
- Les deux modèles se concentrent principalement sur le codage, le raisonnement avancé et les tâches d’agents IA
- Claude Opus 4 est un modèle de codage conçu pour maintenir ses performances dans les tâches complexes et de longue durée ainsi que dans les workflows agentiques
- Claude Sonnet 4 est une mise à niveau de Claude Sonnet 3.7, avec de meilleures performances en codage et en raisonnement ainsi qu’une plus grande précision dans le respect des consignes
Disponibilité et tarification
- Claude Opus 4 et Sonnet 4 proposent à la fois des réponses quasi instantanées et un mode de réflexion étendue pour un raisonnement plus approfondi
- Les offres Claude Pro, Max, Team et Enterprise incluent les deux modèles ainsi que la réflexion étendue
- Sonnet 4 est également accessible aux utilisateurs gratuits
- Les deux modèles sont disponibles via l’API Anthropic, Amazon Bedrock et Google Cloud Vertex AI
- Les tarifs restent identiques à ceux des précédents modèles Opus et Sonnet
- Opus 4 : $15/$75 par million de tokens en entrée/sortie
- Sonnet 4 : $3/$15 par million de tokens en entrée/sortie
Performances d’Opus 4 en codage et sur les tâches longues
- Claude Opus 4 est le modèle le plus puissant d’Anthropic, avec 72.5% sur SWE-bench et 43.2% sur Terminal-bench
- Il maintient ses performances sur des tâches longues nécessitant des milliers d’étapes de travail soutenu, et peut travailler en continu pendant plusieurs heures
- Cursor considère Opus 4 comme un modèle de pointe pour le codage et estime qu’il marque un grand progrès dans la compréhension de bases de code complexes
- Replit indique une hausse de la précision sur des modifications complexes réparties sur plusieurs fichiers
- Block explique que, dans son agent codename goose, Opus 4 est le premier modèle à améliorer la qualité du code pendant l’édition et le débogage tout en conservant performance et fiabilité
- Rakuten a vérifié qu’Opus 4 a fait preuve de performances soutenues en exécutant de manière autonome pendant 7 heures une tâche exigeante de refactoring open source
- Cognition estime qu’Opus 4 excelle sur des tâches importantes que les modèles précédents laissaient passer, ainsi que sur des problèmes complexes que d’autres modèles ne parvenaient pas à résoudre
Positionnement de Sonnet 4
- Claude Sonnet 4 est une version améliorée de Sonnet 3.7, avec un score de 72.7% sur SWE-bench
- Il vise un équilibre entre performance et efficacité pour des cas d’usage internes et externes, avec une meilleure capacité de pilotage pour contrôler l’implémentation
- Il n’égale pas Opus 4 dans la plupart des domaines, mais offre une combinaison de capacités et de praticité
- GitHub prévoit d’adopter Sonnet 4 pour faire tourner le nouvel agent de codage de GitHub Copilot
- Manus met en avant des améliorations dans le suivi d’instructions complexes, la clarté du raisonnement et la qualité esthétique des résultats
- iGent indique des progrès dans le développement autonome d’applications multifonctions et l’exploration de bases de code, avec un taux d’erreurs d’exploration réduit de 20% à presque 0
- Sourcegraph estime que Sonnet 4 garde le cap plus longtemps, comprend les problèmes plus en profondeur et produit un code de meilleure qualité et plus élégant
- Augment Code fait de Sonnet 4 son premier choix comme modèle par défaut, en raison d’un meilleur taux de réussite, d’éditions de code plus précises et d’une plus grande prudence sur les tâches complexes
Améliorations des fonctionnalités des modèles
- Les deux modèles peuvent utiliser des outils même pendant la réflexion étendue
- Il est par exemple possible d’utiliser la recherche web
- Claude peut alterner entre raisonnement et usage d’outils pour améliorer ses réponses
- Ils prennent également en charge l’exécution parallèle d’outils ainsi qu’un suivi des instructions plus précis
- Si le développeur fournit un accès aux fichiers locaux, le modèle peut faire preuve d’une fonction mémoire permettant d’extraire et de stocker des faits clés afin de conserver la continuité et des connaissances implicites
- Les comportements consistant à terminer une tâche en prenant des raccourcis ou en exploitant des failles diminuent par rapport à Sonnet 3.7
- En particulier, sur les tâches agentiques vulnérables à ce type de comportement, les deux modèles ont 65% moins de probabilité d’agir ainsi que Sonnet 3.7
- Opus 4 est particulièrement performant pour créer et maintenir des
memory filescontenant des informations essentielles dans les applications où le développeur fournit un accès aux fichiers locaux- Par exemple, il crée un
Navigation Guidependant une partie de Pokémon - Cela améliore la perception des tâches longues, la cohérence et les performances dans les tâches agentiques
- Par exemple, il crée un
Résumés de pensée et Developer Mode
- Les modèles Claude 4 introduisent des thinking summaries, qui compressent les longs processus de réflexion à l’aide d’un modèle plus petit
- Ces résumés ne sont nécessaires que dans environ 5% des cas
- La plupart des processus de réflexion sont suffisamment courts pour être affichés intégralement
- Les utilisateurs ayant besoin de chaînes de pensée brutes pour du prompt engineering avancé peuvent se renseigner sur le nouveau Developer Mode via contact sales
Lancement officiel de Claude Code
- Claude Code est désormais disponible en version stable et étend Claude au terminal, aux IDE et aux workflows exécutés en arrière-plan
- De nouvelles extensions bêta pour VS Code et JetBrains intègrent directement Claude Code dans l’IDE
- Les modifications suggérées par Claude s’affichent en ligne dans les fichiers
- Les utilisateurs peuvent relire les changements et suivre les modifications dans leur éditeur habituel
- Exécuter Claude Code dans le terminal de l’IDE permet de l’installer
- Les tâches en arrière-plan via GitHub Actions sont prises en charge
- Le SDK Claude Code, extensible, a également été dévoilé
- Les développeurs peuvent créer leurs propres agents et applications à l’aide de l’agent central utilisé par Claude Code
- Claude Code on GitHub est proposé en bêta
- En mentionnant Claude Code dans une PR, il est possible de répondre aux retours des reviewers, de corriger les erreurs CI et de modifier le code
- L’installation se fait en exécutant
/install-github-appdans Claude Code
API et sécurité
- L’API Anthropic ajoute quatre nouvelles fonctionnalités pour le développement d’agents IA
- outil d’exécution de code
- MCP connector
- Files API
- cache de prompt jusqu’à 1 heure
- Les modèles Claude 4 se positionnent comme une étape vers le maintien du contexte complet, la concentration sur de longs projets et la réalisation de tâches à fort impact
- Les modèles ont fait l’objet de tests et d’évaluations approfondis afin de réduire les risques et d’améliorer la sécurité
- Ils incluent des mesures de protection pour les niveaux de sécurité IA plus élevés, ASL-3
- Les utilisateurs peuvent commencer avec Claude, Claude Code ou la plateforme de leur choix
Méthode de publication des benchmarks
- Claude Opus 4 et Sonnet 4 sont des modèles de raisonnement hybrides, et les benchmarks publiés indiquent les meilleurs scores atteints, avec ou sans réflexion étendue
- Les résultats obtenus sans réflexion étendue concernent les éléments suivants
- SWE-bench Verified
- Terminal-bench
- Les résultats obtenus avec réflexion étendue utilisent jusqu’à 64K tokens
- TAU-bench
- GPQA Diamond
- MMMLU
- MMMU
- AIME
- Certains scores mesurés sans réflexion étendue sont également fournis
- GPQA Diamond : Opus 4 74.9%, Sonnet 4 70.0%
- MMMLU : Opus 4 87.4%, Sonnet 4 85.4%
- MMMU : Opus 4 73.7%, Sonnet 4 72.6%
- AIME : Opus 4 33.9%, Sonnet 4 33.1%
Méthodologie de TAU-bench et SWE-bench
- Les scores TAU-bench ont été obtenus dans une configuration où des annexes de prompt ont été ajoutées à Airline et Retail Agent Policy afin que Claude exploite mieux ses capacités de raisonnement pendant la réflexion étendue et l’usage d’outils
- Le modèle est incité à écrire ses pensées pendant la résolution des problèmes d’une manière distincte du mode de réflexion habituel
- Comme la réflexion supplémentaire peut augmenter le nombre d’étapes, le nombre maximal d’étapes a été porté de 30 à 100
- La plupart des trajectoires se terminent en moins de 30 étapes
- Une seule trajectoire a dépassé 50 étapes
- Pour SWE-bench avec la famille Claude 4, le même scaffold simple que dans les précédentes versions continue d’être utilisé
- Les outils se limitent à deux : l’outil bash et un outil d’édition de fichiers par remplacement de chaînes
- Le troisième
planning toolutilisé avec Claude 3.7 Sonnet n’est plus inclus
- Tous les scores des modèles Claude 4 sont publiés sur la base de l’ensemble complet de 500 problèmes
- Les scores des modèles OpenAI sont publiés sur la base d’un sous-ensemble de 477 problèmes
- Les scores « high compute » utilisent du calcul au moment des tests en parallèle ainsi qu’une complexité supplémentaire
- Plusieurs tentatives parallèles sont échantillonnées
- Les patchs qui cassent les tests de régression visibles du dépôt sont rejetés
- Aucune information issue des tests cachés n’est utilisée
- Le meilleur candidat restant est sélectionné à l’aide d’un modèle interne d’évaluation
- Avec cette méthode, les scores high compute sont de 79.4% pour Opus 4 et 80.2% pour Sonnet 4
1 commentaires
Avis sur Hacker News
Un point important qui manque dans cette annonce est que la date de coupure de l’entraînement de Claude 4 est mars 2025. C’est le modèle le plus à jour parmi les modèles récents, tandis que Gemini 2.5 a une coupure en janvier 2025
https://docs.anthropic.com/en/docs/about-claude/models/overv...
Les modèles que j’utilise souvent sont assez intelligents pour déterminer eux-mêmes qu’un sujet nécessite des informations récentes et aller les chercher
“GitHub says Claude Sonnet 4 soars in agentic scenarios and will introduce it as the base model for the new coding agent in GitHub Copilot.”
Ce modèle pourrait rapprocher le rêve où “Assign to CoPilot” gère automatiquement la plupart des tâches mécaniques, comme les mises à niveau de paquets. Si la charge de maintenance diminue, cela pourrait bien mener à la résurrection de vieux projets
Il n’y a pas encore de structure officielle, mais si vous voyez ce commentaire et que vous avez besoin d’exécutions gratuites d’un agent de code, envoyez-moi un e-mail et je vous mettrai ça en place
[0] Mon produit d’agent de code headless, similaire à “assign to copilot”, mais qui traite plusieurs tâches en parallèle depuis des tableaux de tâches comme Linear ou Jira. Jusqu’ici, il a plutôt bien réussi sur des fonctionnalités simples et répétitives, et en général, plus les tests sont bons, meilleur est le code produit. Bien sûr, il peut aussi écrire ses propres tests, et il le fait effectivement
Les modèles d’IA actuels ne font pratiquement aucun progrès sur cette tâche. Je compte continuer à essayer jusqu’à ce que ce soit possible
Là où l’IA peut aider, à mon avis, c’est pour résumer les changements, les conflits, l’impact sur la base de code, et éventuellement faire un scan de sécurité
“Users requiring raw chains of thought for advanced prompt engineering can contact sales”
On dirait désormais que les trois fournisseurs de LLM masquent tous la chaîne de pensée (CoT). C’est dommage, car voir le moment où le modèle partait dans la mauvaise direction aidait à affiner rapidement les prompts
Non seulement OpenAI, mais aussi Google, ont récemment commencé à remplacer la chaîne de pensée par des résumés, que je trouve personnellement beaucoup trop simplifiés
https://assets.anthropic.com/m/71876fabef0f0ed4/original/rea...
L’article évalue la fidélité de la chaîne de pensée des modèles de raisonnement récents à l’aide de six indices de raisonnement. Il indique que, dans la plupart des configurations et des modèles, au moins 1 % des cas utilisant un indice apparaissent dans la chaîne de pensée, mais que le taux de divulgation est généralement inférieur à 20 % ; que l’apprentissage par renforcement basé sur les résultats augmente d’abord la fidélité, mais qu’elle stagne sans saturer ; et que même si le reward hacking accroît la fréquence d’utilisation des indices, la tendance à les exprimer verbalement dans la chaîne de pensée n’augmente pas
Autrement dit, la chaîne de pensée peut elle aussi être une explication inventée par le modèle. Peut-être donc que quelqu’un chez Anthropic ne veut pas induire les clients en erreur, et que cela reviendra si le problème est résolu
Si le modèle destiné à la chaîne de pensée a été entraîné différemment de celui qui interagit avec l’utilisateur final, ça se tient. Par exemple, il pourrait s’agir d’un autre expert dans un MoE ; comme l’utilisateur ne verra de toute façon que la sortie filtrée par le modèle public, le modèle de chaîne de pensée peut rester plus proche du modèle brut pré-RLHF, avec moins de risque pour la réputation de l’entreprise
Cela permettrait d’obtenir les performances du modèle brut tout en conservant le filtrage destiné à éviter des dommages réels ou un gros incident de relations publiques
En posant des questions sur Zig et son implémentation, voir la chaîne de pensée du modèle m’a beaucoup ouvert l’esprit
Je ne dois sûrement pas être le seul à penser que cette version n’est pas meilleure que la précédente, que les LLM sont en fait entrés dans une phase de stagnation, et que les « fonctionnalités » des nouvelles versions relèvent pour l’essentiel de l’esbroufe
Honnêtement, je ne vois absolument pas comment ces sociétés peuvent être viables. J’ai hébergé de l’inférence sur des GPU cloud, et dès qu’on ajoute ne serait-ce qu’un petit plan gratuit, les coûts semblent devenir extrêmement lourds
Sans même parler d’alphaevolve, de la démo de test de l’agent Copilot de Microsoft qui lance un navigateur, explore les fonctionnalités et écrit des tests Playwright, ni des progrès dans le code
Sur une base de code TypeScript, comme avec 3.7, j’ai dû continuer à corriger et à relancer des prompts. J’ai même été assez choqué de le voir modifier le mauvais fichier et ne pas penser à vérifier plus précisément avant que je ne le force à supprimer tout le code et à montrer que la cible que nous regardions n’avait pas changé du tout
Les données synthétiques semblent augmenter le taux d’hallucination, et les modèles de raisonnement sont plus vulnérables parce qu’à chaque étape de raisonnement, une hallucination risque de faire dérailler le modèle
Pour un usage généraliste, je pense que les LLM ont déjà plafonné vers le début de l’année. OpenAI l’a aussi compris en annulant GPT-5 puis en lançant plus tard GPT-4.5, « trop cher pour ce qu’on en tire », avant de décider de l’arrêter rapidement
Je ne sais pas si le marché actions l’a déjà intégré. Pour en sortir, il faudra une percée
Cela dit, ce n’est absolument pas suffisant pour conclure qu’on a atteint un plateau. Le rythme des progrès a été incroyablement rapide, donc il faut attendre encore quelques mois avant de porter ce jugement
Pour les fonctionnalités, je pense au contraire l’inverse. Ce n’est pas de l’esbroufe, mais une instrumentation importante, qui ne relève pas du cœur de l’IA elle-même, mais qui est nécessaire pour l’utiliser concrètement. Le domaine des LLM à usage grand public en est encore à ses débuts. Même si les modèles ne s’amélioraient plus, il reste énormément de marge, côté modes d’interaction, apport d’informations et appels d’outils, pour augmenter fortement l’utilisabilité et les capacités
J’aime vraiment beaucoup Claude 3.7, je l’utilise tous les jours et je le préfère généralement aux modèles Gemini. Mais en essayant Opus 4 dans Claude Code pour développer une fonctionnalité presque nouvelle dans une base de code Go, le raisonnement était bon, mais 70 à 80 % des appels d’outils échouaient
Même des outils de base comme « Write » et « Update » échouaient avec une syntaxe incorrecte. Les cinq tentatives d’écriture d’un fichier ont toutes échoué, et il disait sans cesse : « Je continue à oublier d’ajouter le paramètre content. Je vais corriger ça », puis réessayait
Il y a quelque chose qui cloche. J’espère que ce sera vite résolu, mais pour l’instant, au moins Opus 4 est inutilisable dans Claude Code. Cela dit, les fichiers qu’il a réussi à générer étaient de grande qualité
En gros, il semble atteindre la limite maximale de tokens en sortie, et la réponse s’interrompt lorsqu’il essaie d’écrire tout un nouveau fichier d’un coup. L’erreur de « paramètres d’appel d’outil incorrects » était une fausse piste
Nous avons déjà testé Opus 4 et Sonnet 4 sur notre benchmark de génération SQL : https://llm-benchmark.tinybird.live/
Opus 4 a battu tous les autres modèles, c’est bien
Si le modèle est vraiment tellement plus intelligent, sa performance au premier essai ne devrait-elle pas aussi être meilleure ? Après tout, il « réfléchit » en amont
C’est étrange que les modèles de xAI ne soient pas dans la liste. Le nom Grok est nul, mais il arrive assez souvent à me surprendre. Je n’ai pas encore essayé le modèle ChatGPT à 250 dollars, et le comportement récent d’OpenAI ne me plaît pas
Existe-t-il un endroit qui documente les changements de fenêtre de contexte de Claude 4 ? Je ne m’y connais pas très bien, mais j’avais compris que l’une des raisons pour lesquelles Gemini 2.5 était utile était sa capacité à traiter un contexte énorme, de l’ordre de 50 000 à 70 000 lignes
En pratique, le contexte 1M de Gemini 2.5 n’est pas un si grand facteur de différenciation. Plus le contexte grandit, plus les rendements perçus de la capacité à bien suivre les tokens situés vers la fin diminuent
D’autres outils abandonnent une partie du contexte précédent ou utilisent parfois du RAG, mais ils ne forcent pas à démarrer un nouveau chat sans prévenir
C’est la même chose que l’en-tête bêta de Sonnet 3.7
“Finally, we've introduced thinking summaries for Claude 4 models that use a smaller model to condense lengthy thought processes. This summarization is only needed about 5% of the time—most thought processes are short enough to display in full. Users requiring raw chains of thought for advanced prompt engineering can contact sales about our new Developer Mode to retain full access.”
Je ne veux pas voir un « résumé » du raisonnement du modèle. Pour vérifier si le raisonnement du modèle est correct et si l’on peut faire confiance au résultat, il faut voir le raisonnement réel
C’est très agaçant de voir Anthropic suivre OpenAI dans cette direction : cacher le processus de pensée du modèle, facturer des tokens que l’utilisateur ne peut pas voir, et fournir des « résumés » qui empêchent de savoir ce qui se passe réellement
À bien des égards, la « pensée » relève surtout du marketing
Si l’on tient compte du fait que les gens lisent rarement vraiment le processus de pensée, je vois ça comme une amélioration de l’expérience utilisateur
J’espère vraiment que Sonnet 4 ne sera pas obsédé par les appels d’outils comme 3.7. 3.5 a été la première version à donner cette impression magique que le modèle allait maîtriser la programmation. Depuis, j’ai l’impression que ça a un peu décliné
On dirait que la course aux MHz des CPU des années 90 est de retour. Sauf qu’au lieu de discuter d’architectures CPU et de résultats à la valeur ambiguë sur divers benchmarks, on tient maintenant le même genre de conversations de geeks autour des LLM
L’histoire rime avec elle-même
Cela dit, je suis assez sûr qu’il n’y avait pas de nouveau “drop” de CPU tous les quelques mois, comme il y a maintenant de nouveaux modèles tous les quelques mois dans la course à l’IA