Claude Platform
Créez des agents de pointe sur Claude Platform
Des modèles de pointe, des outils d'orchestration, une gestion du contexte et une infrastructure conçus pour fonctionner ensemble.
Économisez 50 % grâce au traitement par lots. En savoir plus (opens in new tab)
Fable 5.1
Intelligence nouvelle génération pour les agents fonctionnant en continu
- Mémorisation des requêtes
- Lecture
- $0,25 / M. Jetons
- Écriture
- $12,50 / M. Jetons
- Entrée
- $10 / M. Jetons
- Sortie
- $50 / M. Jetons
Cas d'utilisation du modèle :
- Projets autonomes sur plusieurs jours
- Tâches de niveau expert dans la recherche de pointe
Opus 5.5
L'outil quotidien pour agentic coding et les projets d'entreprise
- Mémorisation des requêtes
- Lecture
- $0,20 / M. Jetons
- Écriture
- $5 / M. Jetons
- Entrée
- $4 / M. Jetons
- Sortie
- $20 / M. Jetons
Cas d'utilisation du modèle :
- Codage à long terme et migrations massives
- Agents à plusieurs étapes couvrant l'ensemble des outils et des données de l'entreprise
Sonnet 5.5
Modèle haute performance pour le codage et les agents
- Mémorisation des requêtes
- Lecture
- $0,20 / M. Jetons
- Écriture
- $2,50 / M. Jetons
- Entrée
- $2 / M. Jetons
- Sortie
- $10 / M. Jetons
Cas d'utilisation du modèle :
- Codage au quotidien et boucles de développement
- Agents orientés clients et flux de travail multi-outils à grande échelle
Haiku 4.5
Le modèle le plus rapide et le plus rentable
- Mémorisation des requêtes
- Lecture
- $0,10 / M. Jetons
- Écriture
- $1,25 / M. Jetons
- Entrée
- $1 / M. Jetons
- Sortie
- $5 / M. Jetons
Cas d'utilisation du modèle :
- Expérience produit en temps réel, sensibles à la latence
- Sous-agents au sein de grands systèmes multimodèles
Pour les charges de travail qui doivent s'exécuter aux États-Unis, l'inférence réservée aux États-Unis est disponible à un prix 1,1 fois supérieur pour les jetons en entrée et en sortie. En savoir plus.
Obtenez des vitesses jusqu'à 2,5 fois plus élevées avec le mode rapide pour Opus 5.5, pour 2 fois le prix standard. En savoir plus.
Le tarif de la mémorisation des requêtes tient compte d'un TTL de 5 minutes. En savoir plus sur la mémorisation étendue des requêtes.
Accédez aux modèles de pointe de Claude via l'API Messages pour développer avec un contrôle total et une personnalisation complète.
Exécution de code
Exécutez du code Python, créez des visualisations et analysez les données dans les appels API.
Résultats structurés
Assurez-vous que les réponses de Claude sont conformes à votre schéma JSON.
Utilisation des outils
Autorisez Claude à interagir avec des centaines d'outils et API externes afin qu'il puisse effectuer un plus grand nombre de tâches.
Utilisation de l'ordinateur
Laissez Claude voir et utiliser un navigateur ou un bureau pour automatiser le travail dans des applications qui n'ont pas d'API.
Références
Ancrez les réponses dans les documents sources.
Fichiers
Téléchargez et référencez des documents à travers les conversations.
Fenêtre de contexte
Exécutez des cas d'usage plus complets et à forte intensité de données avec jusqu'à 1 million de jetons de contexte.
Compactage
Résumez automatiquement le contexte plus ancien lorsque vous approchez des limites de jetons.
Modification du contexte
Effacez automatiquement les appels d'outils et les résultats.
Recherche et récupération sur le Web
Importez les données actuelles du Web dans Claude.
Créez et déployez à grande échelle des agents fonctionnant en continu.
Sécurité par conception
Les identifiants restent en dehors de la sandbox, le chiffrement est intégré et l'état persiste automatiquement.
Observable de bout en bout
Le traçage de session enregistre ce que chaque agent a fait et pourquoi, avec des analyses intégrées pour améliorer les performances des agents.
Conçu pour Claude
L'infrastructure sous-jacente est optimisée pour Claude. À mesure que le modèle s'améliore, vos agents s'améliorent avec lui.
Étendez et personnalisez ce que Claude peut faire.
Model Context Protocol (MCP)
Connectez Claude à vos outils et à vos données via la norme ouverte pour les intégrations IA.
Skills
Transmettez à Claude votre expertise, vos procédures et vos bonnes pratiques grâce à des skills prédéfinies ou personnalisables.
Espaces de stockage de mémoire
Les agents mémorisent les informations d'une session à l'autre et gardent des fichiers de mémoire sur votre infrastructure.
Claude Marketplace
Utilisez votre engagement Anthropic existant pour financer les solutions alimentées par Claude proposées par nos partenaires.
Contrôles et mesures de protection de vos données.
Enterprise Frontier Safeguards
Offre aux clients éligibles la confidentialité d'une rétention zéro des données (ZDR) ainsi que des mesures de pointe pour détecter les utilisations abusives.
Résidence
Sur votre fournisseur de cloud, choisissez l'endroit où vos données sont stockées et où les requêtes sont traitées, avec des régions en Asie-Pacifique, au Canada, en Europe et aux États-Unis.
Vos données restent les vôtres
Par défaut, Anthropic n'utilise pas les données clients issues des déploiements commerciaux pour entraîner Claude.
Traitement par lots
Traitez de grands volumes de requêtes de manière asynchrone et économisez 50 % sur les coûts.
Mémorisation des requêtes
Donnez à Claude des connaissances contextuelles et des exemples pour réduire les coûts jusqu'à 90 %.
Effort
Choisissez l'intensité du travail de Claude sur une tâche.
Stratégie de conseil (bêta)
Des modèles plus rapides et abordables font appel à des modèles plus intelligents pour évaluer les plans ou le travail afin d'améliorer les performances.
Votre centre de commande, avec analyses et contrôles intégrés.
Créer votre demande
Classez tous les tickets d'assistance client dans la catégorie la plus pertinente. Voici la liste des catégories à votre disposition : {{CATEGORY_LIST}} Voici le contenu du ticket d'assistance : {{TICKET_CONTENT}}
Vous êtes un assistant IA spécialisé dans le classement des tickets d'assistance client. Votre tâche consiste à analyser le contenu d'un ticket et à le classer dans la catégorie la plus pertinente à partir d'une liste prédéfinie. Vous devez également fournir le motif de votre décision.
Tout d'abord, examinons les catégories disponibles :
<category_list>
{{CATEGORY_LIST}}
</category_list>
Voici le contenu du ticket d'assistance à classer :
<ticket_content>
{{TICKET_CONTENT}}
</ticket_content>
Veuillez suivre ces étapes pour accomplir la tâche :
– Lisez attentivement le contenu du ticket et analysez-le.
– Évaluez la correspondance entre ce contenu et les différentes catégories disponibles.
– Choisissez la catégorie la plus pertinente pour ce ticket.
– Fournissez une explication détaillée de votre raisonnement.
Utilisez la structure suivante pour votre réponse :
<classification_analysis>
Dans cette section, détaillez votre processus de réflexion :
– Citez les parties les plus pertinentes du contenu du ticket.
– Répertoriez chaque catégorie et notez son lien avec le contenu du ticket.
– Pour chaque catégorie, fournissez des arguments pour et contre la classification du ticket dans cette catégorie.
– Classez les 3 catégories les plus probables.
</classification_analysis>
<classification>
<category>Indiquez ici la catégorie sélectionnée</category>
<reasoning>Résumé du raisonnement qui a conduit au choix de cette catégorie</reasoning>
</classification>
Veillez à faire preuve de rigueur dans votre analyse et de clarté dans vos explications. Votre objectif est de fournir un classement précis accompagné d'un raisonnement bien étayé.
Créer
Créez des requêtes de prototype, importez des skills et des fichiers, configurez vos agents.
Déployer
Exécutez des agents sur des environnements hébergés dotés de coffres-forts et de mémoire.
Surveiller
Suivez l'utilisation, les coûts, la mise en cache et les limites de débit par modèle et par clé API.
Gérer
Contrôlez les clés API, les membres, les limites de jetons et la sécurité par espace de travail.
« Les développeurs veulent des agents capables de prendre en charge de véritables tâches logicielles et de les mener à bien. Lors de nos tests avec GitHub Copilot CLI et VS Code, Claude Opus 5.5 a utilisé l'un des plus faibles nombres de jetons et d'étapes parmi ceux que nous avons mesurés. Dans VS Code, il a résolu plus de tâches de terminal qu'Opus 5 en moins de la moitié des étapes. Au-delà de rendre les tâches individuelles plus efficaces, cela rend les projets d'envergure des développeurs plus réalisables ».
« Pour les créateurs de Lovable, Opus 5.5 signifie des builds plus rapides avec la même qualité, que vous commenciez à partir de zéro ou que vous travailliez sur une application en production. Opus 5.5 recueille le contexte une seule fois, effectue des modifications moins nombreuses et plus complètes, et ne reste pas bloqué sur les tentatives de réessai, terminant en un tiers à une moitié d'étapes en moins et utilisant nettement moins de jetons ».
« Avec Claude Opus 5.5, nous avons constaté une nette amélioration de l'efficacité en matière de jetons dans nos évaluations internes, car nous avons pu effectuer les mêmes tâches pour moins cher et plus rapidement. »
« Les entreprises financières ont besoin de résultats toujours corrects. Avec le paramètre d'effort le plus faible, Claude Opus 5.5 a surpassé Opus 5 avec un effort élevé sur notre BigFinance Bench avec environ 60 % de jetons de sortie en moins. Ses réponses sont plus courtes et mieux structurées, et ses diapositives sont plus denses, ce qui correspond davantage aux normes du secteur ».
« Claude Opus 5.5 sera le premier modèle que nous choisirions par défaut pour un effort moyen. Lors de nos tests, il a égalé Opus 5 sur les tâches à effort élevé, tout en utilisant 20 à 25 % de jetons de sortie en moins. Lors d'enquêtes longues et compliquées, il fournissait toujours une réponse claire et exploitable. Nos clients peuvent ainsi en faire plus avec moins ».
« Nos clients utilisent Box IA sur d'énormes quantités de contenu, la vitesse et le coût sont donc une priorité absolue. Lors de nos évaluations, Claude Opus 5.5 a utilisé un tiers des jetons d'Opus 5 et ses réponses étaient 40 % moins verbeuses, sans pour autant perdre en précision. Nous pensons que cela aura beaucoup d'importance pour les équipes utilisant des agents dans leurs contenus, dans des domaines comme les services financiers et le secteur public ».
« Lors des premiers tests menés par Epic, Claude Sonnet 5.5 a atteint le même niveau de qualité que celui attendu d'un modèle haut de gamme, en passant avec succès un audit de conception du système et une analyse des flux de données. Le nouveau modèle a géré des dizaines de milliers de lignes de code pour l'architecture du système de jeu, a assuré des réponses rapides, a pris en charge des tâches s'étalant sur plusieurs heures et a fourni des résultats avec des prompts moins contraignants.
« Sans modifier nos prompts, Claude Sonnet 5.5 a obtenu de meilleurs résultats que Sonnet 5 pour la quasi-totalité de nos évaluations Slackbot hors ligne, en moins d'étapes et avec environ 14 % de jetons de sortie en moins. Lorsqu'une personne confie une tâche à Slackbot, la qualité et la vitesse sont les éléments les plus importants, et Sonnet 5.5 permet à Slackbot d'offrir de meilleurs résultats aux utilisateurs, plus rapidement. »
« Nous avons fourni à Claude Sonnet 5.5 des centaines de cas d'usage concrets de support à travers les réponses et les demandes d'escalade. Claude Sonnet 5.5 a pris moins de mauvaises décisions et résolu les tickets plus rapidement que les modèles Claude que nous utilisons aujourd'hui en production. Les tickets ont été traités 20 % plus rapidement, ce qui permet à nos clients d'obtenir l'aide dont ils ont besoin sans attente. »
« Claude Fable 5.1 est l'un des meilleurs modèles pour nos évaluations d'investigation d'incidents, qui s'appuient sur de véritables incidents de production pour mesurer l'efficacité de notre agent, Bits Investigation, à produire des analyses de cause racine. Nous comparons les résultats de notre agent aux causes racines identifiées par nos ingénieurs. Lors de ces évaluations, il a fait preuve d'un raisonnement plus solide qu'Opus 5 et a diagnostiqué avec succès les incidents de production les plus complexes que nous ayons testés. »
« Nous basculons notre trafic Opus 5 dans Devin vers Claude Fable 5.1 dès le jour du lancement. Lors de nos tests, il a égalé, voire légèrement dépassé Fable 5 pour un coût par tâche inférieur, et avec la nouvelle tarification des lectures en cache, un modèle de la classe Fable devient enfin rentable pour les charges de travail que nous avions conservées sur Opus, à commencer par la revue de code. »
« Nous avons demandé à Claude Fable 5.1 d'examiner un projet de recherche clinique pour Rakuten Medical que trois autres modèles de pointe avaient validé. Il a repéré une lacune qu'aucun d'eux n'avait vue et a insisté pour l'approfondir. Il a ensuite proposé une hypothèse entièrement nouvelle, transformant en un après-midi un jeu de données que nous avions abandonné en une nouvelle piste de recherche. C'est la première fois qu'un modèle de pointe comme Claude nous permet d'explorer de nouvelles recherches de cette manière. »
« Ce qui distingue Claude Fable 5.1, c'est la rédaction : plus compréhensible, plus pertinente, et le modèle respecte mieux nos consignes rédactionnelles. Lors de tests à l'aveugle face à Fable 5, j'ai préféré ses textes et ses résultats. Et dans Canva Code, il a créé un jeu de rythme avec de la vraie musique et un gameplay calé sur le tempo, adapté au niveau qu'il avait lui-même généré, ce qu'aucun autre modèle testé n'a su faire. »
« Sur notre suite de recherche, Claude Fable 5.1 a établi de nouveaux records. Sur une tâche, il a imaginé une solution inédite selon un axe totalement différent de ce que nous avions vu chez d'autres modèles ou chez des chercheurs humains par le passé, ce qui a porté ses résultats bien au-delà du plateau précédent. Il est meilleur pour la résolution créative de problèmes et pour trouver l'éclair de compréhension nécessaire face à une question difficile. »
« La décision de choisir Claude s'est entièrement fondée sur les données. Nous avons testé plusieurs fournisseurs de modèles côte à côte, et Claude a toujours obtenu les meilleurs résultats en termes de taux de résolution de cas et de taux de satisfaction client. »
« Le partenariat avec Anthropic a été exceptionnel : les conseils et le soutien de leurs équipes ont aidé nos ingénieurs à tirer le meilleur parti des modèles. »