1 миллион токенов в Opus 4.7: почему реально работает только 300 тысяч

Anthropic запустила Claude Opus 4.7 с заявленным окном в миллион токенов — и маркетинг сработал. Число впечатляет, пока не начинаешь работать с реальными задачами. Оказывается, модель эффективно удерживает контекст только до 300 тысяч токенов — примерно 30% от заявленного. Дальше начинается деградация, и она заметна сильнее, чем была в предыдущей версии 4.6.

Сами Anthropic это подтвердили в техническом документе: Opus 4.7 оптимизирован для агентского кодинга и визуального понимания за счёт long-context retrieval, а не для линейного удержания миллиона токенов в памяти. Это значит, что модель лучше работает с внешним поиском по документам, но хуже — с длинными сессиями внутри одного диалога.

Почему контекст деградирует после 300 тысяч токенов

Проблема не в том, что модель технически не может обработать миллион токенов — она может. Проблема в качестве обработки. После 300 тысяч токенов модель начинает терять связность: забывает решения, принятые в начале сессии, повторяет вопросы, теряет фокус на архитектурных ограничениях.

Это особенно заметно в длинных coding-сессиях: если вы работаете с монорепозиторием, правите несколько файлов и обсуждаете архитектуру — после определённого порога модель перестаёт учитывать ранние договорённости. Вы можете явно указать «мы договорились не использовать эту библиотеку», а через 50 тысяч токенов модель предложит её снова.

Четыре способа обойти деградацию контекста

Разработчики, работающие с Opus 4.7 на реальных проектах, выработали несколько рабочих стратегий:

• Принудительная компакция на 50–60% заполнения. Не ждите автоматического триггера на 95% — вручную запускайте команду /compact после завершения дискретной задачи: написали PRD, разобрали баг, согласовали план. Это сохранит ключевые решения и освободит место для следующего этапа.
• Переопределение дефолтного compaction-промпта. В Claude Code это делается через файл настроек. Вместо общего «state, next steps, learnings» укажите фокус на текущее состояние кодовой базы, активный TODO, ограничения проекта, последние принятые архитектурные решения. Это даст модели более точную картину для продолжения работы.
• Промежуточные state-снапшоты в текстовых файлах. Компактированный summary зашифрован — если сессия пошла не туда после компакции, отладить через лог не получится. Держите промежуточные состояния в обычных файлах: «тут согласовали архитектуру», «тут приняли решение по миграции». Текстом, в репозитории, видимым.
• Разделение задач по типу модели. Если работа идёт на длинных трассах с retrieval — используйте Opus 4.6 для поиска по документам, а 4.7 — для агентских циклов. Сами Anthropic в system card указали, что Opus 4.7 лучше в агентском кодинге и визуальном понимании за счёт long-context retrieval, а не за счёт линейного удержания контекста.

Почему Codex-Max от OpenAI обходит Opus в длинных сессиях

Главное преимущество Codex-Max — нативная компакция, встроенная в саму модель. Автотриггер срабатывает почти всегда вовремя, модель не «забывает» саммари и не теряет фокус. Это даёт ощутимое преимущество в длинных coding-сессиях, где контекст растёт линейно.

В Codex-Max можно настроить порог автокомпакции через конфигурационный файл — дефолт может быть консервативнее, чем вам нужно. Установка порога на уровне 70–80% даёт комфорт для больших задач без ручного вмешательства.

Что делать, если вы работаете с Opus 4.7 прямо сейчас

Если вы уже встроили Opus 4.7 в рабочий процесс и столкнулись с деградацией контекста — три шага:

1. Настройте принудительную компакцию на 50–60% заполнения. Не доверяйте автотриггеру.
2. Переопределите инструкции для компакции — добавьте специфику вашего проекта: NDA, конвенции, архитектурные решения.
3. Ведите промежуточные снапшоты состояния в текстовых файлах — это спасёт при отладке после неудачной компакции.

Если задача требует линейного удержания контекста на длинных трассах — рассмотрите Codex-Max или комбинацию Opus 4.6 для retrieval + 4.7 для агентов.

Обе компании, судя по всему, придут к одной точке: компакция станет частью модели, а не внешним хуком. Anthropic в догоняющих по этой оси — логично ждать ответа в следующих итерациях. До этого момента — пользуйтесь обвязкой, переопределяйте инструкции, не доверяйте заголовочным числам контекста.

В GEMERA AI вы можете протестировать как Claude Opus 4.7, так и GPT-5.5 или Codex-Max — и выбрать модель под конкретную задачу, а не под маркетинговый заголовок. Доступ через Telegram-бота и веб-кабинет, без переключения между платформами.