Claude Opus 4.1 출시 — 에이전트 코딩과 추론 성능 업그레이드

Claude Opus 4.1

Aug 5, 2025•meetpateltech•View Original

Anthropic이 Claude Opus 4의 마이너 업그레이드인 Opus 4.1을 출시했는데, SWE-bench 74.5%로 코딩 벤치마크 최고 점수를 갱신했지만 커뮤니티에서는 가격 대비 효용에 대한 회의적 반응이 많다.

Claude Code나 API로 대규모 코드베이스를 다루는 개발자, 또는 AI 코딩 도구 간 비용 대비 성능을 비교하고 있는 팀 리드.

SWE-bench Verified에서 74.5%를 기록했는데, 이건 별도 scaffold 없이 bash 도구와 파일 편집 도구 두 개만으로 달성한 점수다. 이전 Opus 4 대비 소폭 상승.
GitHub에 따르면 멀티파일 리팩토링에서 특히 눈에 띄는 성능 향상이 있고, Rakuten은 대규모 코드베이스에서 불필요한 수정 없이 정확한 버그 수정을 해준다고 평가했다.
Windsurf 벤치마크 기준으로 Opus 4 대비 1 표준편차 개선인데, 이건 Sonnet 3.7에서 Sonnet 4로 넘어갈 때와 비슷한 폭이라고 한다.
가격은 Opus 4와 동일하게 유지된다. API에서 모델 ID는 claude-opus-4-1-20250805로, 기존 Opus 4 사용자는 그냥 모델명만 바꾸면 된다.
extended thinking(최대 64K 토큰)을 쓸 때와 안 쓸 때 벤치마크 점수가 다르다. SWE-bench는 extended thinking 없이, TAU-bench/GPQA 등은 켜고 측정했다.
Anthropic이 '앞으로 몇 주 내에 훨씬 큰 개선을 출시할 계획'이라고 예고했는데, 커뮤니티에서는 이 부분이 Opus 4.1 자체보다 더 주목받고 있다.
같은 날 OpenAI(o3 오픈소스 모델)와 Google도 동시에 발표를 해서, 3대 AI 랩이 같은 날 릴리스를 쏟아낸 이례적인 상황이 됐다.

Opus의 비용 문제가 가장 큰 논쟁 포인트였다. 한 사용자는 OpenRouter 기준으로 Sonnet만 써도 시간당 $5가 드는데, Opus는 그보다 훨씬 비싸서 비용 대비 효용이 안 맞다고 지적했다. 가성비 최고는 GPT-4.1 mini라는 의견.
벤치마크상 Opus가 거의 모든 면에서 우위인데, 실제 사용 경험은 Sonnet이 훨씬 낫다는 모순적 반응이 많았다. 'Opus 4.1도 Opus 4만큼 쓸모없다'는 극단적 의견도 있었고, 출시 당일 Claude 전반의 품질이 떨어졌다는 보고도 여러 건.
OpenRouter 랭킹 데이터에 따르면 Sonnet 3.7과 Sonnet 4의 합산 토큰 생성량이 Opus 4의 17배에 달한다. 가격이 같은 한 Opus 채택률이 오르기 어렵다는 분석.
Claude Code 외에 다양한 LLM을 쓸 수 있는 에이전트 코딩 도구에 대한 수요가 있었다. Aider, Codename Goose 등이 거론됐고, 로컬 모델로 돌려서 비용을 줄이고 싶다는 의견도.
o3/o3-pro가 추론 면에서 Claude보다 강하다는 의견이 있었고, 반면 Claude의 코딩 정밀도를 높이 사는 쪽도 있어서 용도별 모델 선택이 갈리는 양상이었다.

현재 Opus 4를 API로 쓰고 있다면 모델 ID를 claude-opus-4-1-20250805로 바꾸기만 하면 된다. 가격 동일하고 하위 호환되므로 리스크 없이 테스트 가능.
멀티파일 리팩토링이나 대규모 코드베이스 디버깅처럼 정밀도가 중요한 작업에는 Opus 4.1을, 일반적인 코드 생성이나 대화형 작업에는 Sonnet 4를 쓰는 식으로 모델을 분리하면 비용을 절감할 수 있다.
비용이 부담되면 Claude Code 대신 Aider나 Goose 같은 오픈소스 에이전트 도구에 GPT-4.1 mini를 연결해서 간단한 작업을 처리하고, 복잡한 작업에만 Claude를 쓰는 하이브리드 전략을 고려할 것.
Anthropic이 '몇 주 내 대폭 개선' 예고를 했으므로, 지금 대규모 모델 마이그레이션을 하기보다는 소규모 테스트만 해두고 다음 릴리스를 지켜보는 것이 합리적.

SWE-bench Verified실제 GitHub 이슈를 AI가 자동으로 고칠 수 있는지 테스트하는 벤치마크. 500개 검증된 문제로 구성되어 코딩 에이전트의 실력을 재는 표준 시험 같은 것.

extended thinking모델이 답변 전에 내부적으로 긴 추론 과정을 거치는 기능. 사람이 어려운 문제에서 연습장에 풀이를 쓰는 것과 비슷하다.

TAU-benchAI가 항공사나 소매업 고객 지원 에이전트 역할을 얼마나 잘 수행하는지 측정하는 벤치마크. 다단계 도구 사용과 정책 준수를 평가한다.

scaffoldAI 모델을 감싸는 보조 코드나 도구 세트. 모델 자체의 성능이 아니라 주변 시스템이 도와주는 부분을 말한다.

OpenRouter여러 AI 모델 API를 하나의 인터페이스로 묶어서 비교·전환할 수 있게 해주는 중계 서비스.