Фильтрация вывода инструментов подняла Opus 4.6 до 61,6%

В блоге Anthropic вышел разбор проектирования обвязки агента (agent harness: цикл, инструменты, работа с контекстом и ограничители вокруг модели). Допущения о том, чего Claude не умеет сам, вшиты в обвязку и устаревают с каждым релизом модели.

На бенчмарке BrowseComp право самому фильтровать вывод инструментов через выполнение кода подняло точность Opus 4.6 с 45,3% до 61,6%, а запуск суб-агентов дал ещё 2,8% к лучшим одноагентным прогонам. При одинаковом бюджете сжатия контекста Sonnet 4.5 остался на 43%, Opus 4.5 вышел на 68%, Opus 4.6 на 84%.

В примере с Pokémon Sonnet 3.5 за 14 000 шагов накопил 31 файл заметок и застрял во втором городе, Opus 4.6 на том же шаге держал 10 файлов по папкам и три значка.