Seis semanas. Eso fue lo que tardó Anthropic en pasar de Opus 4.7 a Opus 4.8.
El nuevo modelo es más rápido y más inteligente en las pruebas de referencia, y viene con un conjunto de nuevas características, pero el precio no cambió: sigue siendo 5 $ por millón de tokens de entrada y 25 $ por millón de tokens de salida, igual que antes.
También hay un modo rápido que ejecuta el mismo modelo 2.5 veces más rápido por 10 $ de entrada y la asombrosa cifra de 50 $ de salida por millón. Anthropic dice que esa tarifa es ahora tres veces más barata de lo que costaba el modo rápido en modelos anteriores, lo que es una forma elegante de decir que antes era mucho más caro.
SWE-bench Pro es probablemente el punto de referencia más importante a observar para tener una idea de lo bueno que es este modelo. Mide si una IA puede resolver problemas de ingeniería de software difíciles y multilenguaje extraídos de bases de código de producción reales, puntuados como un porcentaje de problemas resueltos.
En esa prueba, Opus 4.8 alcanzó el 69.2%, frente al 64.3% de Opus 4.7. El GPT-5.5 de OpenAI obtuvo un 58.6%, y el Gemini 3.1 Pro de Google se quedó en el 54.2%. Para un modelo con el mismo precio, es un salto significativo.
En el "Último Examen de la Humanidad" —preguntas de nivel experto en docenas de disciplinas académicas, puntuadas como porcentaje de aciertos— Opus 4.8 alcanzó el 49.8% sin herramientas y el 57.9% con ellas, superando a los tres rivales. OSWorld-Verified, que evalúa tareas de uso de computadora en el mundo real como la navegación de interfaces de software, obtuvo un 83.4%, superando ligeramente el 82.8% de Opus 4.7.
La única derrota: Terminal-Bench 2.1, que mide el rendimiento de la IA en tareas de línea de comandos. GPT-5.5 lidera con un 78.2%, mientras que Opus 4.8 obtiene un 74.6% —mejor que el 66.1% de Opus 4.7 y por delante del 70.3% de Gemini, pero el segundo lugar sigue siendo una derrota.
Anthropic ahora permite a los usuarios controlar la intensidad con la que el modelo "piensa". "High" (alto) es la configuración predeterminada y maneja la mayoría de las tareas bien, mientras que "Extra" —llamado "xhigh" dentro de Claude Code— consume más recursos computacionales para problemas más difíciles. "Max" (máximo) es el nivel más profundo. "Low" (bajo) y "Medium" (medio) dedican menos tokens a la misma tarea, ahorrando tiempo a cambio de precisión.
El control de esfuerzo se encuentra junto al selector de modelos en claude.ai y Cowork, disponible en todos los planes. Anthropic afirma que la configuración predeterminada "high" utiliza aproximadamente la misma cantidad de tokens que la configuración predeterminada de Opus 4.7 con mejores resultados, lo cual es ingeniería impresionante o un buen mensaje, y probablemente ambas cosas.
También es importante recordar que el nuevo tokenizador de Anthropic para Opus utiliza más tokens por tarea. Así, los usuarios de Claude están inevitablemente obligados a gastar mucho más dinero para realizar tareas, si eligen Opus en lugar de Claude Sonnet, un modelo menos capaz, pero probablemente lo suficientemente bueno para tareas diarias y problemas complejos que no alcanzan el nivel de la ciencia de vanguardia o la codificación.
Los límites de velocidad en Claude Code también se incrementaron para absorber el mayor gasto de tokens que producen las configuraciones Extra y Max.
El equipo de alineación de Anthropic afirmó que Opus 4.8 "alcanza nuevos máximos en nuestras medidas de rasgos prosociales como el apoyo a la autonomía del usuario y la actuación en el mejor interés del usuario". Más concretamente: las tasas de engaño y las tasas de cooperación en el mal uso fueron sustancialmente más bajas que en Opus 4.7, y comparables a las de Claude Mythos Preview, el modelo más restringido de Anthropic.
Opus 4.8 también tiene cuatro veces menos probabilidades que la versión 4.7 de permitir que los errores en su propio código pasen desapercibidos sin señalarlos.
Esa comparación con Mythos merece contexto. Mythos es un nivel completamente superior a Opus; Anthropic lo describe como "más grande e inteligente que nuestros modelos Opus". Actualmente existe solo como una vista previa, accesible a un puñado de organizaciones verificadas que realizan trabajo de ciberseguridad a través del Proyecto Glasswing.
El Instituto de Seguridad de IA del Reino Unido descubrió que podía completar de forma autónoma "The Last Ones", una simulación de ataque a una red corporativa de 32 pasos que normalmente lleva 20 horas a los equipos rojos humanos. Por eso, todavía no está a la venta. Anthropic afirma que se están desarrollando salvaguardias cibernéticas más sólidas y espera ofrecer modelos de la clase Mythos a todo el mundo "en las próximas semanas".
También se lanza hoy: flujos de trabajo dinámicos en Claude Code, en vista previa de investigación. Esta característica permite a Claude escribir sus propios scripts de orquestación y activar subagentes paralelos en una sola sesión, verificar sus resultados e informar —tal como lo ha hecho Hermes durante un tiempo.
Los flujos de trabajo dinámicos están disponibles para los usuarios de los planes Enterprise, Team y Max, y Anthropic advierte que consumen significativamente más tokens que una sesión estándar de Claude Code.
El precio de Anthropic de 5 $/25 $ se ve muy diferente en comparación con lo que China ha estado haciendo últimamente.
DeepSeek V4 Pro hizo permanente su descuento del 75% la semana pasada: 0.435 $ por millón de tokens de entrada y 0.87 $ por millón de tokens de salida. Xiaomi MiMo V2.5 Pro funciona con las mismas tarifas a través de proveedores como OpenRouter.
El modo rápido de Anthropic cuesta 10 $ de entrada y 50 $ de salida por millón, más caro que el propio Opus 4.8 estándar, y aproximadamente 57 veces más por token de salida que DeepSeek V4 Pro. Las corporaciones ya han gastado millones de dólares en inferencia en modelos estadounidenses. Usa Opus sin restricciones y tu empresa podría alcanzar millones de dólares bastante rápido.
La respuesta de Anthropic a la brecha de precios es la calidad y la seguridad. En SWE-bench Pro, Opus 4.8 supera a ambos modelos chinos. En cuanto a la alineación, ninguno se acerca a los puntos de referencia publicados por Anthropic.
Esas cosas importan en entornos de producción donde un modelo que coopera silenciosamente con entradas maliciosas es un riesgo real —industrias reguladas, trabajo legal y cualquier situación en la que "parecía estar bien" no es un informe post-incidente aceptable. Para todos los demás, la brecha es difícil de ignorar.
Realizamos una prueba de codificación rápida para crear un juego de zombies en 3D y ver cómo Claude Opus 4.8 se compara con ChatGPT y DeepSeek, posiblemente sus competidores más populares de EE. UU. y China. Configuramos Opus 4.8 en "high" predeterminado, GPT-5.5 en "high effort" y DeepSeek V4 Pro en "high effort" —tres modelos, una solicitud, sin reintentos.
GPT-5.5 terminó primero. Su juego no tenía gráficos de zombies ni efectos de sonido. Fue rápido, claro, pero no cumplió con el objetivo.
DeepSeek V4 Pro quedó en segundo lugar con movimiento del ratón, personajes de zombies reales, efectos de sonido, mecánicas sólidas y una estética limpia. No hay quejas al respecto.
Opus 4.8 tardó aproximadamente tres veces más que GPT-5.5, pero entregó la mejor pantalla de bienvenida, los mejores diseños de zombis, las mejores mecánicas de juego y efectos de sonido decentes. Fue el más lento, pero el mejor resultado. Aun así, eso probablemente no sea suficiente para justificar su uso sobre DeepSeek, dada la brecha de costos.
Todos los juegos están disponibles en nuestro perfil de Itch.io. GPT-5.5 generó Zombie Typing, Opus generó Typing Dead, y DeepSeek v4 Pro generó un juego sin nombre que te lleva directamente a la acción. Llamémoslo TypeSeek.
Pronto se publicará una reseña comparativa completa. Por ahora: Claude Opus 4.8 codifica mejor que GPT-5.5 y Opus 4.7 para este tipo de tareas, al mismo precio que Anthropic ha cobrado desde la versión 4.7. Los desarrolladores que ya pagaban 5 $ por millón de tokens acaban de obtener un modelo mejor de forma gratuita.
