Anthropic conçoit Claude Opus 4.7 pour des tâches de développement complexes et prolongées. Sa présentation met l’accent sur le travail séquentiel, l’attention portée aux instructions et la recherche de moyens de vérifier son résultat avant le message final. Le modèle convient à l’étude d’un problème difficile dans le code et à la préparation de contenus professionnels qui nécessitent une solution technique et une présentation claire.
Opus 4.7 suit les formulations littéralement. Il est préférable de définir des limites explicites : les parties à modifier, les éléments à vérifier et le résultat attendu. Une condition applicable à l’ensemble du travail doit être décrite comme telle. Le fabricant souligne aussi l’utilisation de notes dans une mémoire de fichiers pour les tâches longues, mais leur lecture et leur conservation nécessitent les outils de l’application.
Le modèle accepte texte et images et produit du texte. L’entrée visuelle prend en charge une résolution jusqu’à 2576 pixels sur le côté long, soit environ 3,75 mégapixels. Cela est utile pour les captures d’écran chargées, l’extraction d’informations dans des diagrammes complexes et les tâches avec une référence visuelle détaillée.
Les formats habituels d’entrée visuelle du fabricant sont JPEG/PNG/GIF/WebP, avec la première image d’une animation. Pour l’analyse native, le côté long mesure 2576 pixels et représente 4784 tokens visuels ; les grandes images sont réduites avant l’analyse. La prise en charge des fichiers et des paramètres dépend de la méthode de l’application.
La haute résolution aide à conserver les détails, mais ne rend pas la compréhension visuelle infaillible. La sortie peut être une explication, une structure de données ou du code ; la création et l’édition de l’image elle-même ne sont pas des capacités de sortie du modèle. Le contrôle d’une interface nécessite des moyens de montrer l’écran au modèle et d’exécuter des actions dans l’application.
Le contexte est de 1 million de tokens, et la réponse maximale en mode normal de 128 k tokens. Le raisonnement adaptatif est pris en charge ; cette version ne propose pas d’extended thinking manuel avec budget_tokens. Le niveau standard d’effort est high ; low, medium, xhigh et max sont aussi disponibles. Le niveau xhigh ajoute un réglage entre high et max pour les travaux prolongés d’ingénierie et d’agents.
À faible effort, le modèle limite particulièrement strictement son travail à ce qui a été demandé. Pour une recherche complexe, le fabricant recommande de prévoir suffisamment de place pour le raisonnement et la réponse. La tokenisation a été modifiée dans cette version : un même volume de texte n’a donc pas toujours la longueur en tokens habituelle des versions précédentes.
La date de référence fiable des connaissances intégrées est janvier 2026. La recherche à jour, le travail documentaire et l’exécution de code utilisent les contenus et les outils fournis par l’application. Opus 4.7 possède des protections qui peuvent bloquer des demandes interdites ou à haut risque en cybersécurité. Son attention à la vérification est utile, mais les modifications finales et les conclusions doivent toujours être vérifiées dans l’environnement précis.
", "aboutText": "### Un travail d’ingénierie rigoureux\n\nAnthropic conçoit Claude Opus 4.7 pour des tâches de développement complexes et prolongées. Sa présentation met l’accent sur le travail séquentiel, l’attention portée aux instructions et la recherche de moyens de vérifier son résultat avant le message final. Le modèle convient à l’étude d’un problème difficile dans le code et à la préparation de contenus professionnels qui nécessitent une solution technique et une présentation claire.\n\nOpus 4.7 suit les formulations littéralement. Il est préférable de définir des limites explicites : les parties à modifier, les éléments à vérifier et le résultat attendu. Une condition applicable à l’ensemble du travail doit être décrite comme telle. Le fabricant souligne aussi l’utilisation de notes dans une mémoire de fichiers pour les tâches longues, mais leur lecture et leur conservation nécessitent les outils de l’application.\n\n### Lire des schémas denses et des captures d’interface\n\nLe modèle accepte **texte et images** et produit du **texte**. L’entrée visuelle prend en charge une résolution jusqu’à **2576 pixels sur le côté long**, soit environ **3,75 mégapixels**. Cela est utile pour les captures d’écran chargées, l’extraction d’informations dans des diagrammes complexes et les tâches avec une référence visuelle détaillée.\n\nLes formats habituels d’entrée visuelle du fabricant sont JPEG/PNG/GIF/WebP, avec la première image d’une animation. Pour l’analyse native, le côté long mesure 2576 pixels et représente 4784 tokens visuels ; les grandes images sont réduites avant l’analyse. La prise en charge des fichiers et des paramètres dépend de la méthode de l’application.\n\nLa haute résolution aide à conserver les détails, mais ne rend pas la compréhension visuelle infaillible. La sortie peut être une explication, une structure de données ou du code ; la création et l’édition de l’image elle-même ne sont pas des capacités de sortie du modèle. Le contrôle d’une interface nécessite des moyens de montrer l’écran au modèle et d’exécuter des actions dans l’application.\n\n### Profondeur et volume de la tâche\n\nLe contexte est de **1 million de tokens**, et la réponse maximale en mode normal de **128 k tokens**. Le raisonnement adaptatif est pris en charge ; cette version ne propose pas d’extended thinking manuel avec `budget_tokens`. Le niveau standard d’`effort` est `high` ; `low`, `medium`, `xhigh` et `max` sont aussi disponibles. Le niveau `xhigh` ajoute un réglage entre `high` et `max` pour les travaux prolongés d’ingénierie et d’agents.\n\nÀ faible effort, le modèle limite particulièrement strictement son travail à ce qui a été demandé. Pour une recherche complexe, le fabricant recommande de prévoir suffisamment de place pour le raisonnement et la réponse. La tokenisation a été modifiée dans cette version : un même volume de texte n’a donc pas toujours la longueur en tokens habituelle des versions précédentes.\n\n### Conditions de travail\n\nLa date de référence fiable des connaissances intégrées est **janvier 2026**. La recherche à jour, le travail documentaire et l’exécution de code utilisent les contenus et les outils fournis par l’application. Opus 4.7 possède des protections qui peuvent bloquer des demandes interdites ou à haut risque en cybersécurité. Son attention à la vérification est utile, mais les modifications finales et les conclusions doivent toujours être vérifiées dans l’environnement précis.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "bfa5115d7e8dde42264ebeed49ae67a7e441b4f7f64543606a3bc88015d5466d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "fr-ch", "methods": [ { "html": "claude-opus-4-7-thinkingClaude Opus 4.7 est conçu pour l’ingénierie complexe et l’analyse de documents ou d’images riches en petits détails. Il accorde une attention particulière au respect précis des instructions et à la vérification du résultat.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Anthropic conçoit Claude Opus 4.7 pour des tâches de développement complexes et prolongées. Sa présentation met l’accent sur le travail séquentiel, l’attention portée aux instructions et la recherche de moyens de vérifier son résultat avant le message final. Le modèle convient à l’étude d’un problème difficile dans le code et à la préparation de contenus professionnels qui nécessitent une solution technique et une présentation claire.
Opus 4.7 suit les formulations littéralement. Il est préférable de définir des limites explicites : les parties à modifier, les éléments à vérifier et le résultat attendu. Une condition applicable à l’ensemble du travail doit être décrite comme telle. Le fabricant souligne aussi l’utilisation de notes dans une mémoire de fichiers pour les tâches longues, mais leur lecture et leur conservation nécessitent les outils de l’application.
Le modèle accepte texte et images et produit du texte. L’entrée visuelle prend en charge une résolution jusqu’à 2576 pixels sur le côté long, soit environ 3,75 mégapixels. Cela est utile pour les captures d’écran chargées, l’extraction d’informations dans des diagrammes complexes et les tâches avec une référence visuelle détaillée.
Les formats habituels d’entrée visuelle du fabricant sont JPEG/PNG/GIF/WebP, avec la première image d’une animation. Pour l’analyse native, le côté long mesure 2576 pixels et représente 4784 tokens visuels ; les grandes images sont réduites avant l’analyse. La prise en charge des fichiers et des paramètres dépend de la méthode de l’application.
La haute résolution aide à conserver les détails, mais ne rend pas la compréhension visuelle infaillible. La sortie peut être une explication, une structure de données ou du code ; la création et l’édition de l’image elle-même ne sont pas des capacités de sortie du modèle. Le contrôle d’une interface nécessite des moyens de montrer l’écran au modèle et d’exécuter des actions dans l’application.
Le contexte est de 1 million de tokens, et la réponse maximale en mode normal de 128 k tokens. Le raisonnement adaptatif est pris en charge ; cette version ne propose pas d’extended thinking manuel avec budget_tokens. Le niveau standard d’effort est high ; low, medium, xhigh et max sont aussi disponibles. Le niveau xhigh ajoute un réglage entre high et max pour les travaux prolongés d’ingénierie et d’agents.
À faible effort, le modèle limite particulièrement strictement son travail à ce qui a été demandé. Pour une recherche complexe, le fabricant recommande de prévoir suffisamment de place pour le raisonnement et la réponse. La tokenisation a été modifiée dans cette version : un même volume de texte n’a donc pas toujours la longueur en tokens habituelle des versions précédentes.
La date de référence fiable des connaissances intégrées est janvier 2026. La recherche à jour, le travail documentaire et l’exécution de code utilisent les contenus et les outils fournis par l’application. Opus 4.7 possède des protections qui peuvent bloquer des demandes interdites ou à haut risque en cybersécurité. Son attention à la vérification est utile, mais les modifications finales et les conclusions doivent toujours être vérifiées dans l’environnement précis.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites claude-opus-4-7-thinking | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Selon le modèle | Par défaut— |
Champmessages[].content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Conversation textuelle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream |
Paramètrecontrol_scope | ContratConversation textuelle ; stream est un booléen dont la valeur par défaut est false. |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Alias de méthode : /chat/completions
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
| Configuration | Barème tarifaire | Coût |
|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Coût Entrée · Tokens en entrée $0.01 / 1K tokens Sortie · Tokens en sortie $0.05 / 1K tokens Entrée · Lecture du cache $0.001 / 1K tokens Entrée · Écriture dans le cache $0.0125 / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra claude-opus-4-7-thinking
/chat/completions