> ## Documentation Index > Fetch the complete documentation index at: https://docs.tess.im/llms.txt > Use this file to discover all available pages before exploring further. # Claude Opus 5.5 > Conoce los avances de Claude Opus 5.5 en coding agéntico, knowledge work, eficiencia, comunicación y seguridad. Claude Opus 5.5 es el nuevo modelo de Anthropic para **coding agéntico, knowledge work y trabajos complejos de larga duración**. Combina un rendimiento comparable a Claude Fable 5.1 en la mayoría de los trabajos con una operación más rápida y eficiente que Opus 5. El avance más relevante no está solo en resolver tareas difíciles. Opus 5.5 fue diseñado para llegar al resultado con menos etapas, menos tokens y menos retrabajo, manteniendo suficiente claridad para que una persona pueda seguir, revisar y aprobar la ejecución. | **Modelo del provider** `claude-opus-5-5` | **Contexto** 1M tokens | **Max output** 128K tokens | **Provider** Anthropic | | :- | :- | :- | :- | | **Entrada** Texto + imagen | **Salida** Texto | **Thinking** Adaptive · siempre activo | **Effort estándar** Medium | ## Qué cambia frente a Claude Opus 5 Opus 5.5 utiliza menos capacidad de cómputo para entregar resultados más sólidos. Según Anthropic, cuesta cerca de un **40% menos en workloads típicos**, genera respuestas más de un **30% más rápido** y comunica las decisiones de manera más directa. | | Claude Opus 5 | Claude Opus 5.5 | | - | - | - | | Posicionamiento | Coding agéntico y trabajo enterprise | **Coding agéntico y knowledge work de larga duración** | | Contexto / max output | 1M / 128K | 1M / 128K | | Effort estándar | High | **Medium** | | Thinking | Adaptive | **Adaptive, siempre activo** | | Knowledge cutoff confiable | Mayo de 2026 | **Junio de 2026** | ### Más trabajo concluido con menos retrabajo En pruebas y relatos de early adopters, el modelo mantuvo sesiones de ingeniería durante muchas horas, trabajó en varios repositorios y concluyó migraciones extensas con menos llamadas y correcciones. Una prueba citada por Anthropic completó una **migración de 680 mil líneas de código en menos de un día**. ### Comunicación más clara Opus 5.5 coloca la información principal primero, reduce explicaciones innecesarias y sigue mejor las reglas de escritura proporcionadas. Esto importa en sesiones largas: las decisiones y cambios son más fáciles de revisar antes de avanzar a la siguiente etapa. ### Más cuidado antes de actuar Anthropic reporta una mayor resistencia a prompt injection y una menor tendencia a ejecutar acciones difíciles de revertir o superar los límites definidos. Estas mejoras reducen el riesgo, pero no sustituyen la aprobación humana para cambios críticos. ## Qué muestran los benchmarks En los resultados publicados por Anthropic, Claude Opus 5.5 avanza en coding agéntico, uso de computadora y trabajo profesional. Los resultados siguientes se obtuvieron principalmente con adaptive thinking en esfuerzo Max; Terminal-Bench 4.0 utilizó XHigh. | Benchmark | Opus 5 | Opus 5.5 | Qué evalúa | | - | -: | -: | - | | Terminal-Bench 4.0 | 52,3% | **66,4%** | Tareas profesionales en terminal | | FrontierCode v1.1 | 48,0% | **54,4%** | Cambios de código con calidad de merge | | CursorBench 4.0 | 46,6% | **57,8%** | Coding ambiguo y multiarquivo | | GDPval-AA v2.1 | 1.708 | **1.846** | Trabajo real en distintas profesiones | | Humanity's Last Exam con tools | 63,6% | **67,7%** | Reasoning multidisciplinario | | OSWorld 2.0 | 74,0% | **81,8%** | Uso de computadora | | Chartography con tools | 83,4% | **89,0%** | Interpretación visual de gráficos | > [!TIP] > > **La mejora más importante está en la relación entre calidad y esfuerzo.** En FrontierCode, Anthropic reporta que Opus 5.5 en Medium superó el mejor resultado publicado de GPT-6 Astra por aproximadamente una quinta parte del costo por tarea. En CursorBench, también superó a Fable 5.1 en Max utilizando el effort estándar. > [!NOTE] > > Los benchmarks y comparaciones de costo fueron publicados por Anthropic y dependen del harness, las tools, los safeguards y el effort utilizado. La empresa señala que pequeñas diferencias entre modelos frontier no siempre representan la misma diferencia en el uso real. Valida el modelo en tu flujo antes de cambiar una configuración en producción. ### Dónde no lidera El avance no es uniforme. En AutomationBench, GPT-6 Astra obtuvo 41,4%, frente al 40,0% de Opus 5.5. Astra también se mantuvo por delante en Terminal-Bench-Science 0.1. Elige Opus 5.5 por su combinación de calidad, eficiencia, comunicación y seguridad, no esperando que lidere todas las evaluaciones. ## Dónde genera más valor ### Un cambio de software que debe atravesar varios sistemas El trabajo requiere mapear dependencias, editar múltiples repositorios, ejecutar pruebas y coordinar etapas durante muchas horas. Opus 5.5 fue optimizado para mantener el plan, delegar subtareas y reducir ciclos de corrección. **Resultado esperado:** implementación de punta a punta, validaciones ejecutadas y decisiones documentadas para revisión. ### Un análisis que debe convertirse en hoja de cálculo, documento y presentación Las fuentes dispersas deben reunirse, los números deben verificarse y la recomendación debe llegar en un formato listo para la toma de decisiones. El modelo combina investigación, análisis y una comunicación más clara en una misma ejecución. **Resultado esperado:** material ejecutivo consistente, con cálculos rastreables, evidencias y lagunas explícitas. ### Un agente que trabaja durante horas sin perder sus límites En operaciones de larga duración, la capacidad sin control aumenta el riesgo. Opus 5.5 mejora la autoverificación y el cumplimiento de los límites definidos, lo que lo hace más adecuado para agentes que ejecutan múltiples etapas y tools. **Resultado esperado:** ejecución continua y auditable que se detiene para solicitar aprobación cuando una acción supera el alcance autorizado. ## Cómo aplicarlo en Tess **1. Elige un trabajo que justifique el modelo** Prefiere coding complejo, investigación profesional, análisis de datos o entregables que atraviesen múltiples fuentes y herramientas. Para transformaciones simples, utiliza un modelo más ligero. **2. Proporciona el contexto y los criterios** Incluye archivos, repositorios, políticas, ejemplos y restricciones. Explica el resultado esperado y cómo se validará. **3. Define tools y aprobaciones** Habilita solo las herramientas necesarias. Exige confirmación antes de publicar, eliminar, enviar o modificar entornos de producción. **4. Comienza con el effort estándar** Medium es el estándar del provider y fue diseñado para equilibrar calidad, velocidad y costo. Aumenta el esfuerzo solo cuando el flujo requiera investigación o reasoning más profundo. **5. Solicita una revisión antes de concluir** Indica al agente que verifique pruebas, fuentes, números, requisitos y cambios antes de entregar el resultado. ## Tres playbooks para empezar ### 1. Migración en múltiples repositorios **Entrada:** repositorios, arquitectura, comportamiento esperado y comandos de validación.\ **Tools:** código, terminal, pruebas y documentación técnica. ```text theme={null} Mapea las dependencias entre los repositorios y divide la migración en etapas verificables. Implementa una etapa por vez, ejecuta las pruebas relevantes y registra las decisiones que afecten contratos entre servicios. Antes de concluir, revisa el diff completo, busca incompatibilidades y entrega riesgos y rollback. ``` **Listo cuando:** todos los repositorios mantienen la compatibilidad, las pruebas pasan y el plan de reversión está documentado. ### 2. Análisis ejecutivo con evidencias **Entrada:** documentos, hojas de cálculo, fuentes externas y pregunta de negocio.\ **Tools:** búsqueda, análisis de datos y generación de documentos. ```text theme={null} Cruza las fuentes y valida cada número antes de utilizarlo. Construye un análisis que separe hechos, interpretaciones e incertidumbres. Genera una hoja de cálculo con los cálculos, un resumen ejecutivo y una presentación con la recomendación, los riesgos y los próximos pasos. No inventes datos ausentes y vincula cada conclusión relevante con su evidencia. ``` **Listo cuando:** los números y las citas son rastreables y los tres entregables cuentan la misma historia. ### 3. Auditoría y corrección de rendimiento **Entrada:** aplicación, métricas, requisitos de comportamiento y entorno de prueba.\ **Tools:** código, profiling, terminal y suite de pruebas. ```text theme={null} Establece la línea base, identifica los mayores cuellos de botella y prioriza los cambios por impacto esperado. Cambia una causa por vez, vuelve a medir y preserva el comportamiento existente. Rechaza optimizaciones que mejoran la métrica pero rompen funcionalidad. Entrega la comparación antes/después y evidencias de pruebas. ``` **Listo cuando:** la mejora fue medida, el comportamiento se preservó y el resultado puede reproducirse. ## Limitaciones y buenas prácticas * Adaptive thinking permanece activo; los tokens de thinking se cobran como output. * Un contexto de 1M tokens no sustituye la selección de información. Envía solo contenido relevante. * En XHigh y Max, reserva suficiente espacio de output para thinking, tools y subagentes. * Los safeguards pueden redirigir determinadas tareas de ciberseguridad y biología a otros modelos Claude. * Revisa código, números, citas y archivos antes de publicar o ejecutar en producción. * Mantén aprobación humana para decisiones financieras, jurídicas, clínicas, de seguridad o de alto impacto. Consulta también: [Modelos y Costos](/es/models-and-cost) · [Claude Opus 5.5 — Anthropic](https://www.anthropic.com/claude-opus-5-5) · [Modelos Claude](https://docs.anthropic.com/en/docs/about-claude/models/overview). This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.