Anthropic entwickelt Claude Opus 4.7 für komplexe, länger dauernde Entwicklungsaufgaben. Die Vorstellung des Modells betont die fortlaufende Ausführung der Arbeit, den aufmerksamen Umgang mit Anweisungen und die Suche nach Möglichkeiten, das eigene Ergebnis vor der abschließenden Nachricht zu prüfen. Das Modell eignet sich zur Untersuchung schwieriger Codeprobleme und zur Vorbereitung fachlicher Materialien, die sowohl eine technische Lösung als auch eine klare Darstellung erfordern.
Opus 4.7 folgt Formulierungen wörtlich. Aufgaben sollten daher mit ausdrücklichen Grenzen beschrieben werden: Welche Teile sollen geändert werden, was ist zu prüfen und wie soll das Ergebnis aussehen? Gilt eine Bedingung für alle Teile der Arbeit, sollte das ausdrücklich so formuliert werden. Der Hersteller hebt auch Notizen in dateibasierter Erinnerung für längere Aufgaben hervor. Das Lesen und Speichern dieser Notizen erfordert jedoch Werkzeuge der Anwendung.
Das Modell nimmt Text und Bilder an und gibt Text aus. Für visuelle Eingaben wird eine Auflösung von bis zu 2576 Pixeln an der langen Seite, ungefähr 3,75 Megapixel, unterstützt. Das ist für informationsreiche Screenshots, das Extrahieren von Angaben aus komplexen Diagrammen und Aufgaben mit einer detaillierten visuellen Vorlage hilfreich.
Die Formate für gewöhnliche visuelle Eingaben beim Hersteller sind JPEG/PNG/GIF/WebP; bei Animationen wird der erste Frame verwendet. Bei nativer Analyse beträgt die lange Seite 2576 Pixel bei 4784 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Welche Dateien und Parameter unterstützt werden, hängt von der Methode der Anwendung ab.
Hohe Auflösung hilft, Details zu erhalten, macht visuelles Verständnis aber nicht fehlerfrei. Die Ausgabe kann eine Erklärung, eine Datenstruktur oder Code enthalten; die Erstellung und Bearbeitung des Bildes selbst ist keine Ausgabefähigkeit des Modells. Für die Bedienung einer Oberfläche werden Mittel benötigt, die dem Modell den Bildschirm zeigen und Aktionen in der Anwendung ausführen.
Der Kontext umfasst 1 Million Tokens; im gewöhnlichen Modus beträgt die maximale Antwort 128 Tausend Tokens. Adaptives Reasoning wird unterstützt, während manuelles extended thinking mit budget_tokens bei dieser Version nicht vorhanden ist. Der Standard für effort ist high; außerdem sind low, medium, xhigh und max verfügbar. xhigh bietet eine eigene Einstellung zwischen high und max für länger dauernde Entwicklungs- und Agentenarbeit.
Bei niedrigen Aufwandsstufen begrenzt das Modell seine Arbeit besonders strikt auf das Angeforderte. Für komplexe Forschung empfiehlt der Hersteller, ausreichend Platz für Reasoning und Antwort vorzusehen. Die Tokenisierung wurde in dieser Version aktualisiert. Derselbe Textumfang hat daher nicht immer die aus früheren Versionen vertraute Länge in Tokens.
Der verlässliche Wissensstand reicht bis Jänner 2026. Für aktuelle Forschung, Dokumentarbeit und Codeausführung werden Materialien und Werkzeuge verwendet, die die Anwendung bereitstellt. Opus 4.7 verfügt über Schutzmechanismen, die verbotene oder besonders riskante Anfragen in der Cybersicherheit blockieren können. Der Schwerpunkt auf Ergebnisprüfung ist im Arbeitsablauf hilfreich; abschließende Änderungen und Schlussfolgerungen müssen dennoch in der konkreten Umgebung geprüft werden.
", "aboutText": "### Sorgfältige Entwicklungsarbeit\n\nAnthropic entwickelt Claude Opus 4.7 für komplexe, länger dauernde Entwicklungsaufgaben. Die Vorstellung des Modells betont die fortlaufende Ausführung der Arbeit, den aufmerksamen Umgang mit Anweisungen und die Suche nach Möglichkeiten, das eigene Ergebnis vor der abschließenden Nachricht zu prüfen. Das Modell eignet sich zur Untersuchung schwieriger Codeprobleme und zur Vorbereitung fachlicher Materialien, die sowohl eine technische Lösung als auch eine klare Darstellung erfordern.\n\nOpus 4.7 folgt Formulierungen wörtlich. Aufgaben sollten daher mit ausdrücklichen Grenzen beschrieben werden: Welche Teile sollen geändert werden, was ist zu prüfen und wie soll das Ergebnis aussehen? Gilt eine Bedingung für alle Teile der Arbeit, sollte das ausdrücklich so formuliert werden. Der Hersteller hebt auch Notizen in dateibasierter Erinnerung für längere Aufgaben hervor. Das Lesen und Speichern dieser Notizen erfordert jedoch Werkzeuge der Anwendung.\n\n### Dichte Diagramme und Screenshots erkennen\n\nDas Modell nimmt **Text und Bilder** an und gibt **Text** aus. Für visuelle Eingaben wird eine Auflösung von bis zu **2576 Pixeln an der langen Seite**, ungefähr **3,75 Megapixel**, unterstützt. Das ist für informationsreiche Screenshots, das Extrahieren von Angaben aus komplexen Diagrammen und Aufgaben mit einer detaillierten visuellen Vorlage hilfreich.\n\nDie Formate für gewöhnliche visuelle Eingaben beim Hersteller sind JPEG/PNG/GIF/WebP; bei Animationen wird der erste Frame verwendet. Bei nativer Analyse beträgt die lange Seite 2576 Pixel bei 4784 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Welche Dateien und Parameter unterstützt werden, hängt von der Methode der Anwendung ab.\n\nHohe Auflösung hilft, Details zu erhalten, macht visuelles Verständnis aber nicht fehlerfrei. Die Ausgabe kann eine Erklärung, eine Datenstruktur oder Code enthalten; die Erstellung und Bearbeitung des Bildes selbst ist keine Ausgabefähigkeit des Modells. Für die Bedienung einer Oberfläche werden Mittel benötigt, die dem Modell den Bildschirm zeigen und Aktionen in der Anwendung ausführen.\n\n### Tiefe und Umfang der Aufgabe\n\nDer Kontext umfasst **1 Million Tokens**; im gewöhnlichen Modus beträgt die maximale Antwort **128 Tausend Tokens**. Adaptives Reasoning wird unterstützt, während manuelles extended thinking mit `budget_tokens` bei dieser Version nicht vorhanden ist. Der Standard für `effort` ist `high`; außerdem sind `low`, `medium`, `xhigh` und `max` verfügbar. `xhigh` bietet eine eigene Einstellung zwischen `high` und `max` für länger dauernde Entwicklungs- und Agentenarbeit.\n\nBei niedrigen Aufwandsstufen begrenzt das Modell seine Arbeit besonders strikt auf das Angeforderte. Für komplexe Forschung empfiehlt der Hersteller, ausreichend Platz für Reasoning und Antwort vorzusehen. Die Tokenisierung wurde in dieser Version aktualisiert. Derselbe Textumfang hat daher nicht immer die aus früheren Versionen vertraute Länge in Tokens.\n\n### Arbeitsbedingungen\n\nDer verlässliche Wissensstand reicht bis **Jänner 2026**. Für aktuelle Forschung, Dokumentarbeit und Codeausführung werden Materialien und Werkzeuge verwendet, die die Anwendung bereitstellt. Opus 4.7 verfügt über Schutzmechanismen, die verbotene oder besonders riskante Anfragen in der Cybersicherheit blockieren können. Der Schwerpunkt auf Ergebnisprüfung ist im Arbeitsablauf hilfreich; abschließende Änderungen und Schlussfolgerungen müssen dennoch in der konkreten Umgebung geprüft werden.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "f118268962eeecd94ab3f38c3b5eeac8891448caa3ee0475452c509ed437db56", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "de-at", "methods": [ { "html": "claude-opus-4-7-thinkingClaude Opus 4.7 ist für komplexe Entwicklungsarbeit sowie die Analyse von Dokumenten und Bildern mit feinen Details ausgelegt. Legt besonderen Wert auf genaue Anweisungsbefolgung und Ergebnisprüfung.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Anthropic entwickelt Claude Opus 4.7 für komplexe, länger dauernde Entwicklungsaufgaben. Die Vorstellung des Modells betont die fortlaufende Ausführung der Arbeit, den aufmerksamen Umgang mit Anweisungen und die Suche nach Möglichkeiten, das eigene Ergebnis vor der abschließenden Nachricht zu prüfen. Das Modell eignet sich zur Untersuchung schwieriger Codeprobleme und zur Vorbereitung fachlicher Materialien, die sowohl eine technische Lösung als auch eine klare Darstellung erfordern.
Opus 4.7 folgt Formulierungen wörtlich. Aufgaben sollten daher mit ausdrücklichen Grenzen beschrieben werden: Welche Teile sollen geändert werden, was ist zu prüfen und wie soll das Ergebnis aussehen? Gilt eine Bedingung für alle Teile der Arbeit, sollte das ausdrücklich so formuliert werden. Der Hersteller hebt auch Notizen in dateibasierter Erinnerung für längere Aufgaben hervor. Das Lesen und Speichern dieser Notizen erfordert jedoch Werkzeuge der Anwendung.
Das Modell nimmt Text und Bilder an und gibt Text aus. Für visuelle Eingaben wird eine Auflösung von bis zu 2576 Pixeln an der langen Seite, ungefähr 3,75 Megapixel, unterstützt. Das ist für informationsreiche Screenshots, das Extrahieren von Angaben aus komplexen Diagrammen und Aufgaben mit einer detaillierten visuellen Vorlage hilfreich.
Die Formate für gewöhnliche visuelle Eingaben beim Hersteller sind JPEG/PNG/GIF/WebP; bei Animationen wird der erste Frame verwendet. Bei nativer Analyse beträgt die lange Seite 2576 Pixel bei 4784 visuellen Tokens; große Bilder werden vor der Analyse verkleinert. Welche Dateien und Parameter unterstützt werden, hängt von der Methode der Anwendung ab.
Hohe Auflösung hilft, Details zu erhalten, macht visuelles Verständnis aber nicht fehlerfrei. Die Ausgabe kann eine Erklärung, eine Datenstruktur oder Code enthalten; die Erstellung und Bearbeitung des Bildes selbst ist keine Ausgabefähigkeit des Modells. Für die Bedienung einer Oberfläche werden Mittel benötigt, die dem Modell den Bildschirm zeigen und Aktionen in der Anwendung ausführen.
Der Kontext umfasst 1 Million Tokens; im gewöhnlichen Modus beträgt die maximale Antwort 128 Tausend Tokens. Adaptives Reasoning wird unterstützt, während manuelles extended thinking mit budget_tokens bei dieser Version nicht vorhanden ist. Der Standard für effort ist high; außerdem sind low, medium, xhigh und max verfügbar. xhigh bietet eine eigene Einstellung zwischen high und max für länger dauernde Entwicklungs- und Agentenarbeit.
Bei niedrigen Aufwandsstufen begrenzt das Modell seine Arbeit besonders strikt auf das Angeforderte. Für komplexe Forschung empfiehlt der Hersteller, ausreichend Platz für Reasoning und Antwort vorzusehen. Die Tokenisierung wurde in dieser Version aktualisiert. Derselbe Textumfang hat daher nicht immer die aus früheren Versionen vertraute Länge in Tokens.
Der verlässliche Wissensstand reicht bis Jänner 2026. Für aktuelle Forschung, Dokumentarbeit und Codeausführung werden Materialien und Werkzeuge verwendet, die die Anwendung bereitstellt. Opus 4.7 verfügt über Schutzmechanismen, die verbotene oder besonders riskante Anfragen in der Cybersicherheit blockieren können. Der Schwerpunkt auf Ergebnisprüfung ist im Arbeitsablauf hilfreich; abschließende Änderungen und Schlussfolgerungen müssen dennoch in der konkreten Umgebung geprüft werden.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits claude-opus-4-7-thinking | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Modellabhängig | Standard— |
Feldmessages[].content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Textgespräch | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream |
Parametercontrol_scope | VertragTextgespräch; stream ist ein boolescher Wert und standardmäßig false. |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Methodenaliasnamen: /chat/completions
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
| Konfiguration | Tarifstaffel | Gebühr |
|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Gebühr Eingabe · Eingabetoken $0.01 / 1K Tokens Ausgabe · Ausgabetoken $0.05 / 1K Tokens Eingabe · Cache lesen $0.001 / 1K Tokens Eingabe · In Cache schreiben $0.0125 / 1K Tokens Eingabe · In Cache schreiben, 1 Stunde — / 1K Tokens |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model":"claude-opus-4-7-thinking","messages":[{"role":"user","content":"hello"}],"stream":false}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model="claude-opus-4-7-thinking", messages=[{"role":"user","content":"hello"}], stream=False)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra claude-opus-4-7-thinking
/chat/completions