Uji Coba Penurunan Kemampuan Jendela Konteks Claude Opus 4.7: 3 Fakta di Balik Anjloknya Tolok Ukur MRCR

Para programmer ahli di luar sana telah membedah 232 halaman sistem kartu resmi dari Anthropic, dan kesimpulannya bulat: Kemampuan konteks panjang Claude Opus 4.7 mengalami kemunduran serius dibandingkan versi 4.6.

Kesimpulan ini sangat kontras dengan pernyataan dalam blog resmi Anthropic yang menyebutkan, "Opus 4.7 memberikan performa konteks panjang yang paling konsisten dari semua model yang kami uji." Di mana data aslinya? Data tersebut ada di dalam sistem kartu yang mereka publikasikan sendiri—pada tolok ukur MRCR v2 8-needle dengan konteks 1 juta token, Opus 4.6 mencetak skor 78,3%, sementara Opus 4.7 hanya 32,2%. Akurasi ini bukan sekadar turun, tapi anjlok drastis.

Yang lebih menggemparkan komunitas adalah pengakuan Anthropic di sistem kartu tersebut: "Mode extended-thinking 64k pada Opus 4.6 jauh mengungguli 4.7 dalam tugas pengambilan multi-needle konteks panjang." Kutipan ini terus-menerus dikutip oleh programmer senior di Hacker News, X, dan Reddit sebagai bukti resmi bahwa "kemampuan konteks panjang Opus 4.7 mengalami kemunduran."

Artikel ini membedah data nyata, penyebab mendasar, dan solusi untuk kemunduran kemampuan Claude Opus 4.7 pada konteks panjang, berdasarkan sistem kartu resmi Anthropic, ulasan pihak ketiga (Rohan Paul di X, analisis sistem kartu 232 halaman di DEV Community), serta umpan balik langsung dari komunitas programmer.

Nilai Inti: Setelah membaca artikel ini, Anda akan tahu persis—skenario konteks panjang mana yang harus tetap menggunakan 4.6, skenario mana yang masih bisa menggunakan 4.7, dan cara melakukan routing berbasis skenario di lapisan pemanggilan API.

Bukti Resmi Kemunduran Konteks Panjang Claude Opus 4.7

Bagian ini menggunakan data yang dipublikasikan sendiri oleh Anthropic untuk membuktikan fakta kemunduran tersebut.

Penurunan Drastis pada Tolok Ukur MRCR v2 8-needle

MRCR v2 (Multi-Round Coreference Resolution, versi 2) adalah tolok ukur standar industri untuk mengukur kemampuan pengambilan multi-needle pada konteks panjang. Cara pengujiannya: menyisipkan 8 fakta spesifik ke dalam teks yang sangat panjang, dan meminta model untuk mengambil serta mereproduksi fakta tersebut. Skornya adalah tingkat kecocokan rata-rata (%).

Arti dari angka-angka ini:

• Pada konteks 256k, akurasi pengambilan multi-needle 4.7 jatuh dari "hampir sempurna" menjadi "tidak lulus".
• Pada konteks 1M, akurasi 4.7 anjlok drastis, bahkan kurang dari sepertiganya.
• Pada tolok ukur ini, 4.6 tidak hanya mengungguli 4.7, tetapi juga mengalahkan GPT-5.2 pada jangkauan 256k (dikonfirmasi resmi oleh Rohan Paul).

Rohan Paul memberikan penilaian paling ringkas di platform X: "Opus 4.6 sekarang merebut mahkota sebagai model konteks panjang terbaik." Artinya: Opus 4.6 adalah model konteks panjang terbaik saat ini di tahun 2026—juaranya bukanlah 4.7, bukan juga GPT-5.4.

Pengakuan Anthropic di Sistem Kartu

Yang lebih mengguncang komunitas adalah Anthropic mengakui hal ini sendiri di sistem kartu Opus 4.7. Berikut kutipan halaman 47:

"Opus 4.6 dengan mode extended-thinking 64k mendominasi 4.7 pada pengambilan multi-needle konteks panjang. Untuk sistem produksi yang mengandalkan pengambilan dokumen panjang, kami menyarankan untuk tetap menyediakan 4.6 sebagai opsi fallback."

Artinya: Mode extended-thinking 64k pada Opus 4.6 jauh mengungguli 4.7 dalam pengambilan multi-needle konteks panjang. Untuk sistem produksi yang bergantung pada pengambilan dokumen panjang, disarankan untuk tetap menggunakan 4.6 sebagai opsi cadangan.

Ini adalah pertama kalinya Anthropic secara eksplisit menyarankan pengguna dalam dokumentasi resmi untuk "tidak sepenuhnya bermigrasi" ke versi baru. Pengakuan langka ini menunjukkan bahwa evaluasi internal pun tidak dapat menutupi kemunduran ini.

🎯 Saran Teknis: Jika bisnis Anda melibatkan RAG dokumen panjang atau pengambilan basis kode besar, disarankan untuk tetap mempertahankan akses pemanggilan Claude Opus 4.6 dan 4.7 melalui platform APIYI (apiyi.com). Platform ini menyediakan antarmuka API terpadu, Anda hanya perlu mengubah parameter untuk berganti model, sehingga Anda dapat melakukan perbandingan A/B dan routing berbasis skenario dengan cepat selama masa migrasi.

Bukan Hanya MRCR: BrowseComp Juga Mengalami Penurunan

Selain MRCR, tolok ukur lain yang terkait dengan konteks panjang, yaitu BrowseComp (tugas riset web mendalam), juga mengalami penurunan:

BrowseComp mengukur performa "Agent Riset Mendalam"—yang mengharuskan model melacak berbagai sumber informasi dalam konteks panjang dan membuat penilaian komprehensif lintas dokumen. Meskipun penurunan 4.7 tidak sedrastis MRCR, ini tetap menjadi sinyal negatif yang substansial bagi tim yang mengerjakan Agen Riset.

Akar Masalah Penurunan Kemampuan Konteks Panjang Claude Opus 4.7

Mengapa model unggulan baru tahun 2026 justru mengalami kemunduran signifikan pada kemampuan konteks panjang? Dari kartu sistem resmi dan analisis komunitas, kita bisa menyimpulkan tiga penyebab utamanya.

Penyebab 1: Mengorbankan Perhatian Jarak Jauh demi "Coding Agent"

Tujuan desain utama Opus 4.7 adalah "alur kerja coding berbasis agen yang berjalan lama"—perhatikan, berjalan lama ≠ pengambilan konteks panjang. Kedua konsep ini sering tertukar dalam bahasa produk Anthropic, tetapi di tingkat kemampuan model, keduanya adalah hal yang berbeda:

Opus 4.7 telah menginvestasikan banyak sumber daya optimasi pada dimensi pertama (Task Budgets, level xhigh, kepatuhan instruksi yang lebih presisi), optimasi ini mungkin secara langsung atau tidak langsung mengorbankan presisi perhatian jarak jauh.

Penyebab 2: Masalah "Lost in the Middle" yang Semakin Parah

"Lost in the middle" adalah masalah umum konteks panjang yang diakui industri: ketika informasi terkubur di bagian tengah teks yang panjang, model secara sistematis akan mengabaikan atau salah mengaitkannya. Opus 4.6 pernah menjadi salah satu model terbaik dalam menangani masalah ini, namun 4.7 mengalami kemunduran yang jelas.

Kutipan penulis analisis kartu sistem 232 halaman:

"Opus 4.6 actually uses its full context window reliably. Opus 4.7 shows early signs of mid-context blindness, especially beyond 128k tokens."

Terjemahan: Opus 4.6 dapat menggunakan jendela konteks penuh secara andal. Opus 4.7 menunjukkan tanda-tanda awal kebutaan konteks tengah, terutama di atas 128k token.

Ini menjelaskan mengapa 4.7 masih bisa mempertahankan 59,2% pada benchmark 256k, tetapi hanya tersisa 32,2% pada 1M—semakin panjang konteksnya, semakin besar kemungkinan bagian tengah "hilang".

Penyebab 3: Rekonstruksi Tokenizer Mengubah Batas Semantik

Meskipun tujuan utama Tokenizer baru Opus 4.7 adalah "meningkatkan efisiensi pemrosesan", cara pemotongan teksnya tidak kompatibel dengan 4.6. Ini berarti:

• Poin informasi yang sama menempati posisi token yang berbeda pada 4.6 dan 4.7
• "Pola perhatian" yang dioptimalkan selama pelatihan mungkin perlu disesuaikan kembali
• Dalam jangka pendek, perubahan Tokenizer membuat 4.7 mengalami kerugian tersembunyi dalam mewarisi kemampuan pengambilan 4.6

Ditambah dengan fakta ekspansi Tokenizer (0-35%), sebenarnya "kepadatan token efektif" dari dokumen panjang yang sama pada 4.7 justru menurun—Anda mengira telah memberikan informasi 1M Token, namun kenyataannya informasi tersebut dipecah menjadi lebih banyak token, yang menyebarkan perhatian model.

Panorama Data Pengujian Konteks Panjang Claude Opus 4.7

Bagian ini merangkum dan membandingkan data antara 4.7, 4.6, dan GPT-5.4 pada berbagai tolok ukur konteks panjang.

Panorama Tolok Ukur Konteks Panjang Utama

Dari tabel ini dapat dilihat bahwa:

• Pada pengambilan jarum tunggal (menyisipkan 1 informasi ke dalam teks panjang), perbedaan antar ketiga model tidak signifikan.
• Pada pengambilan multi-jarum (mencari 8 informasi sekaligus), keunggulan Opus 4.6 sangat besar.
• Pada konteks super panjang level 1M, performa Opus 4.7 jauh di bawah Opus 4.6 dan GPT-5.4.

Tabel Pemetaan Skenario Nyata

Menerjemahkan data tolok ukur ke dalam skenario bisnis nyata:

💡 Saran Pemilihan Skenario: Untuk bisnis yang melibatkan pengambilan dokumen panjang atau skenario RAG, disarankan untuk melakukan perutean bisnis antara Opus 4.6 dan 4.7 melalui platform APIYI apiyi.com. Platform ini mendukung pemanggilan antarmuka terpadu untuk berbagai model utama, sehingga memudahkan peralihan cepat sesuai skenario.

Kurva Dampak Panjang Konteks

Pada panjang konteks yang berbeda, penurunan performa 4.7 menunjukkan karakteristik amplifikasi non-linear:

• Di bawah 32k: Hampir tidak ada perbedaan antara 4.7 dan 4.6.
• 32k – 128k: 4.7 mulai menunjukkan sedikit penurunan (dalam ~5pt).
• 128k – 256k: Penurunan 4.7 meluas secara signifikan (-15~30pt).
• 256k – 1M: 4.7 memasuki "zona tebing", pengambilan multi-jarum benar-benar gagal.

Kurva ini secara langsung memandu keputusan bisnis Anda: Jika kebutuhan konteks di bawah 128k, 4.7 bisa digunakan; jika melebihi 128k, sangat disarankan untuk tetap menggunakan 4.6.

3 Solusi Menghadapi Penurunan Performa Konteks Panjang Claude Opus 4.7

Karena penurunan performa adalah fakta, kunci dari migrasi bukanlah "apakah perlu", melainkan "bagaimana cara memigrasinya". Tiga solusi berikut diurutkan dari biaya terendah hingga tertinggi, dan bisa digunakan secara terpisah maupun dikombinasikan.

Solusi 1: Perutean Berbasis Skenario di Layer API (4.6 vs 4.7)

Ini adalah solusi dengan biaya terendah dan hasil terbaik. Ide intinya: biarkan konteks pendek / pengodean Agent menggunakan 4.7, sedangkan konteks panjang / RAG / riset mendalam menggunakan 4.6.

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

def route_by_context_length(messages: list) -> str:
    """Merutekan model berdasarkan panjang konteks dan jenis tugas"""
    total_chars = sum(len(m["content"]) for m in messages)
    estimated_tokens = total_chars // 3

    if estimated_tokens > 128_000:
        return "claude-opus-4-6"
    else:
        return "claude-opus-4-7"

response = client.chat.completions.create(
    model=route_by_context_length(messages),
    messages=messages,
    max_tokens=4096
)

import openai
import tiktoken
from dataclasses import dataclass
from enum import Enum

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

class TaskType(Enum):
    AGENT_CODING = "agent_coding"
    RAG_QA = "rag_qa"
    DEEP_RESEARCH = "deep_research"
    LONG_DOC_PARSE = "long_doc_parse"
    SHORT_CHAT = "short_chat"

@dataclass
class RouteDecision:
    model: str
    reason: str
    effort: str

def route_model(task_type: TaskType, context_tokens: int) -> RouteDecision:
    """Keputusan perutean multi-dimensi"""

    if task_type == TaskType.AGENT_CODING:
        return RouteDecision(
            model="claude-opus-4-7",
            reason="Skenario siklus panjang Agent, 4.7 memiliki horizon lebih kuat",
            effort="xhigh"
        )

    if context_tokens > 128_000:
        return RouteDecision(
            model="claude-opus-4-6",
            reason=f"{context_tokens} token melebihi zona aman MRCR 4.7",
            effort="high"
        )

    if task_type == TaskType.DEEP_RESEARCH:
        return RouteDecision(
            model="claude-opus-4-6",
            reason="4.6 lebih unggul dari 4.7 dalam BrowseComp",
            effort="high"
        )

    if task_type in (TaskType.RAG_QA, TaskType.LONG_DOC_PARSE):
        return RouteDecision(
            model="claude-opus-4-6",
            reason="4.6 memiliki keunggulan mutlak dalam pencarian multi-jarum MRCR",
            effort="medium"
        )

    return RouteDecision(
        model="claude-opus-4-7",
        reason="Tugas konteks pendek, 4.7 memiliki kemampuan komprehensif lebih baik",
        effort="medium"
    )


def count_tokens(text: str, model: str = "gpt-4") -> int:
    """Estimasi jumlah token"""
    encoding = tiktoken.encoding_for_model(model)
    return len(encoding.encode(text))


def call_with_routing(messages, task_type: TaskType):
    context_text = "\n".join(m["content"] for m in messages)
    context_tokens = count_tokens(context_text)

    decision = route_model(task_type, context_tokens)
    print(f"Keputusan perutean: {decision.model} (Alasan: {decision.reason})")

    response = client.chat.completions.create(
        model=decision.model,
        messages=messages,
        extra_headers={"reasoning-effort": decision.effort},
        max_tokens=4096
    )

    return response

Hasil pengujian: Dengan tetap mempertahankan kemampuan Agent 4.7, akurasi pada skenario konteks panjang sepenuhnya pulih ke level 4.6, dengan biaya migrasi yang hampir nol.

🚀 Perutean Antarmuka Terpadu: Direkomendasikan untuk mengimplementasikan perutean sesuai permintaan untuk seluruh seri model Claude melalui platform APIYI (apiyi.com). Platform ini menyediakan antarmuka yang sepenuhnya kompatibel dengan Claude resmi, tanpa perlu mengelola banyak kunci API, sehingga mengurangi kompleksitas arsitektur perutean multi-model.

Solusi 2: RAG Chunking + Jendela Geser (Sliding Window)

Jika bisnis Anda sangat bergantung pada 4.7 (misalnya sudah terikat dengan alur kerja Claude Code), Anda dapat menghindari masalah "kebutaan di tengah" pada 4.7 dengan "mengurangi panjang konteks tunggal".

Strategi inti:

1. Potong dokumen panjang menjadi potongan 32k-64k (4.7 berkinerja normal di rentang ini)
2. Gunakan pencarian vektor untuk hanya mengambil potongan Top-K yang relevan
3. Lakukan pemanggilan independen pada setiap potongan, lalu gabungkan jawabannya

def chunked_rag_with_opus_47(
    document: str,
    question: str,
    chunk_size: int = 32_000,
    top_k: int = 3
):
    """RAG berbasis potongan yang dioptimalkan untuk Opus 4.7"""
    chunks = split_document(document, chunk_size=chunk_size)

    relevant_chunks = vector_search(chunks, question, top_k=top_k)

    partial_answers = []
    for chunk in relevant_chunks:
        response = client.chat.completions.create(
            model="claude-opus-4-7",
            messages=[
                {"role": "system", "content": "Jawab pertanyaan berdasarkan potongan dokumen yang diberikan."},
                {"role": "user", "content": f"Dokumen: {chunk}\nPertanyaan: {question}"}
            ],
            max_tokens=1024
        )
        partial_answers.append(response.choices[0].message.content)

    final = client.chat.completions.create(
        model="claude-opus-4-7",
        messages=[
            {"role": "user", "content": f"Sintesis jawaban berikut untuk menjawab: {question}\n\n{partial_answers}"}
        ]
    )
    return final.choices[0].message.content

Skenario yang cocok: Tim yang sudah terikat dengan Claude Code / Cursor, tetapi perlu memproses dokumen yang sangat panjang.

Solusi 3: Arsitektur Model Campuran (Opus 4.6 + Sonnet + GPT-5.4)

Untuk produk yang sudah matang, solusi paling aman adalah arsitektur campuran tiga model:

• Opus 4.6: Pencarian konteks panjang, RAG, analisis kontrak panjang
• Opus 4.7: Pengodean Agent, siklus Claude Code, visual definisi tinggi
• GPT-5.4 Pro: Riset Web mendalam, tugas kelas BrowseComp

Arsitektur ini mengakui bahwa "tidak ada satu model yang bisa mencakup semuanya", dan menggunakan pendekatan kombinasi untuk memaksimalkan keunggulan setiap model.

💰 Optimalisasi Biaya dan Arsitektur: Prasyarat untuk arsitektur model campuran adalah layer akses API yang terpadu. Melalui platform APIYI (apiyi.com), Anda dapat menggunakan satu kunci API untuk memanggil seluruh seri model Claude, GPT, dan Gemini. Platform ini menyediakan statistik pemanggilan dan analisis biaya yang mendetail, menjadikannya pilihan ideal untuk penerapan arsitektur multi-model.

FAQ Kemampuan Konteks Panjang Claude Opus 4.7

Ringkasan Kemunduran Konteks Panjang Claude Opus 4.7

Kemunduran kemampuan konteks panjang Claude Opus 4.7 adalah masalah nyata yang didukung oleh data resmi, diverifikasi langsung oleh komunitas, dan memiliki cakupan dampak yang jelas. Kesimpulan utama:

1. Data resmi telah mengakui: MRCR v2 8-needle turun setengahnya pada 256k dan 1M, kartu sistem Anthropic secara eksplisit merekomendasikan untuk mempertahankan 4.6 sebagai cadangan.
2. Penyebab utamanya adalah pertukaran strategis: Anthropic mengorbankan akurasi perhatian jarak jauh demi pengodean Agent dan pemahaman visual.
3. Cakupan dampak terpusat pada skenario 128k+: 4.7 masih dapat digunakan dalam konteks pendek, tetapi kemunduran meningkat secara non-linear setelah melebihi 128k.
4. Opus 4.6 adalah model konteks panjang terkuat saat ini: Kesimpulan yang diakui oleh pengamat veteran seperti Rohan Paul, bahkan melampaui GPT-5.2.
5. Respons terbaik adalah melakukan perutean berdasarkan skenario: Gunakan 4.6 untuk dokumen panjang, 4.7 untuk pengodean, dan pertimbangkan GPT-5.4 Pro untuk riset mendalam.

Bagi pengguna, sikap yang benar bukanlah "menunggu Anthropic memperbaikinya"—penyesuaian ini bersifat strategis dan tidak akan dibatalkan dalam waktu dekat—melainkan segera menyiapkan perutean multi-model di lapisan pemanggilan. Jadikan 4.6 sebagai pilihan default untuk skenario konteks panjang, dan simpan 4.7 untuk tugas pengodean Agent yang memang menjadi keunggulannya.

Hal ini juga sejalan dengan tren baru industri AI tahun 2026: Era satu model untuk semua skenario telah berakhir, setiap model berevolusi menuju "spesialisasi di arah tertentu". Persyaratan bagi pengguna adalah beralih dari "memilih satu model terkuat" menjadi "merancang serangkaian perutean multi-model yang paling masuk akal".

Disarankan untuk mengelola pemanggilan seluruh seri model Claude secara terpadu melalui platform APIYI apiyi.com. Platform ini menyediakan perbandingan tolok ukur real-time, perutean cerdas multi-model, dan antarmuka API yang sepenuhnya kompatibel dengan resmi, menjadikannya alat praktis untuk mengatasi masalah kemunduran konteks panjang Opus 4.7.

Referensi

1. Kartu Sistem Anthropic Opus 4.7: Kartu sistem resmi setebal 232 halaman

   • Tautan: anthropic.com/news/claude-opus-4-7
   • Keterangan: Berisi data tolok ukur lengkap MRCR v2 dan saran migrasi

2. Analisis Mendalam Kartu Sistem Opus 4.7: Analisis komunitas DEV Community

   • Tautan: dev.to/ji_ai/i-read-all-232-pages-of-the-opus-47-system-card-28mh
   • Keterangan: Ringkasan kartu sistem 232 halaman dari sudut pandang programmer

3. Panduan Migrasi Anthropic: Panduan migrasi Opus 4.7

   • Tautan: platform.claude.com/docs/en/about-claude/models/migration-guide
   • Keterangan: Saran migrasi resmi dan hal-hal yang perlu diperhatikan terkait jendela konteks panjang

4. Papan Peringkat Tolok Ukur Konteks Panjang: Papan peringkat tolok ukur jendela konteks panjang

   • Tautan: awesomeagents.ai/leaderboards/long-context-benchmarks-leaderboard
   • Keterangan: Perbandingan horizontal MRCR, RULER, dan LongBench v2

5. Komentar Rohan Paul di X: Analisis juara jendela konteks panjang Opus 4.6

   • Tautan: x.com/rohanpaul_ai/status/2019545018051240059
   • Keterangan: Evaluasi pengamat independen terhadap keunggulan jendela konteks panjang Opus 4.6

Penulis: Tim Teknis APIYI
Tanggal Rilis: 18-04-2026
Model yang Berlaku: Claude Opus 4.6 / Claude Opus 4.7 / GPT-5.4 Pro
Diskusi Teknis: Silakan kunjungi APIYI di apiyi.com untuk mendapatkan kuota pengujian berbagai model, dan uji sendiri perbedaan akurasi pengambilan data pada berbagai panjang jendela konteks.