
Claude Opus 5.5 基准测试:每一项得分、其对应的努力设置,以及由谁测量
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 187 tok/s
- openai新OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 每百万 tokens · 87 tok/s
- openai新OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 每百万 tokens · 151 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 186 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百万 tokens · 85 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 705 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 239 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 96 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 137 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 每百万 tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 101 tok/s
Anthropic 为Claude Opus 5.5在 Terminal-Bench 4.0 上的头条数字是66.4%,与之对照的是52.3%,这是Claude Opus 5在同一张表上取得的成绩——而那个 66.4% 是在xhigh effort 档位下测得的,而非模型默认的medium。该模型于 2026 年 9 月 22 日发布,比本页撰写时间早两天,因此它是一款正式发布(GA)的模型,带着 GA 模型的定价和 GA 模型的基准测试表。同一基准上的独立数字来自Artificial Analysis,为59.6%,而且其配置中还内置了 Anthropic 的服务端安全防护路由。这两个数字之间,隔着测试框架差异、effort 档位差异和路由差异,而没有人——包括我们在内——目前能说清每一项各占其中多少。本页能做的是把 Claude Opus 5.5 的每一个已公布数字集中到一处,标明是谁产出的、在什么设置下产出的,并把GPT-6 Astra与Claude Fable 5.1领先的行也一并列出。
先从努力程度设置入手,因为它比模型更能左右那些数字
在 Claude API 上,Claude Opus 5.5 默认使用medium 级别的努力程度,而 Claude Opus 5 默认使用high。另外,同名的级别在两个模型中也不代表相同的思考预算,因此即便标签一致,"我们把两者都跑在 high" 也并非受控对比。在 Opus 5.5 上,自适应思考始终开启,无法关闭;effort 参数只影响深度、延迟和成本,除此之外不影响任何其他方面。
Anthropic 的 Terminal-Bench 4.0 数字是在 xhigh 下跑出来的。这个单独的事实是本页上最重要的注意事项,因为它作为头条的基准正是相对前一个模型报告差距最大的那个,而且因为同一张表还显示了如果你不动这个设置会发生什么:
• FrontierCode v1.1 Main — xhigh 下为 54.4%,默认 medium 下为 54.6%。厂商报告的数据。medium 那次运行高于 xhigh 那次运行。在此工作负载上,努力档位没有换来任何可测量的收益;这两个数字就是同一个数字。
• CursorBench 4.0 — xhigh 下为 57.8%,medium 下为 52.5%。由厂商报告。同一模型、同一测试框架、同一周:相差 5.3 个百分点,是表中最大的努力程度差异。
供应商表格里的那两行就是全部论据。一种工作负载对努力程度不敏感,另一种则高度敏感,而模型卡片无法提前告诉你,你的负载属于哪一种。数据所支持的结论很窄,也值得以同样窄的方式陈述:恰当的努力程度如今是一项按工作负载逐一测得的量,而不是你继承来的默认值。它并不支持“Opus 5.5 比其基准所显示的更快”或“Anthropic 把默认值调低了”这类说法——要得出那种结论,你需要对全部五档设置做逐工作负载的扫描,而没有人公布过这样的数据。它确实意味着:如果你从 Opus 5 迁移过来,并沿用原有的努力程度设置,那么你改变的是实验本身,而不只是模型。
还有一处不对称,而且方向正好相反。Anthropic 的 Terminal-Bench 那一行中,竞争对手一栏是 GPT-6 Astra 的 57.9%——以 high 档强度运行,这一点 Anthropic 自己的图表注释写得很清楚,而 Opus 5.5 的 66.4% 则是以 xhigh 运行的。一个厂商的表格,把自己的模型用一种设置去跑,把竞争对手用另一种设置去跑,那就算不上正面对比,不管这两个数字并排看起来如何。
供应商表,每一行都带有来源和设置
本节中的所有内容均为厂商自报:Anthropic 的发布材料、Anthropic 的评测框架,生产环境防护全部开启,自适应思考以最高投入运行,除非该行另有说明。请将其理解为 Anthropic 对 Anthropic 自身的评估。
• Terminal-Bench 4.0 — 66.4%,xhigh 推理强度下。厂商报告,标准误差约为 ±2.6 个百分点。同一行中:Claude Opus 5 52.3%,Claude Fable 5.1 55.8%,GPT-6 Astra 57.9%(高推理强度下),GPT-5.6 Sol 37.3%。Terminal-Bench 4.0 明确是厂商承认并不完美代表真实终端工作的基准,而它正是该模型的主打指标。
• FrontierCode v1.1 Main — xhigh 下为 54.4%,默认 medium 下为 54.6%。厂商报告数据。Opus 5 48.0%,Fable 5.1 50.3%,GPT-6 Astra 53.3%,GPT-5.6 Sol 47.5%。Anthropic 的系统卡还列有 Extended 变体的 63.6%,以及 medium 设置下最佳 Extended 数据 65.3%。
• CursorBench 4.0 — xhigh 下 57.8%,medium 下 52.5%。厂商报告数据。Opus 5 为 46.6%,Fable 5.1 为 51.8%,GPT-5.6 Sol 为 41.7%。请注意,Fable 5.1 和 Opus 5 的 CursorBench 成绩均是在 max 努力程度下取得的,因此 Opus 5.5 在 medium 下的表现是在与其同门模型在 max 下的表现作比较。
• GDPval-AA v2.1 — 1,846 Elo。这是厂商表格中唯一一行并非由该厂商自己跑出的数据。GDPval-AA 是 Artificial Analysis 的一项评测,而 Artificial Analysis 自己对 Opus 5.5 的报告中给出的同样是 1,846,Fable 5.1 为 1,735,Opus 5 为 1,708。在厂商表格中:Fable 5.1 为 1,735,Opus 5 为 1,708,GPT-5.6 Sol 为 1,588,GPT-6 Astra 为 1,542。这是本表中唯一一行两家机构给出相同数字的数据,原因就在于它本就是同一次测量。
• AutomationBench(Zapier)— 40.0%。由供应商报告,且运行时未使用备用模型,因此每一次安全防护干预都被计为失败。GPT-6 Astra 41.4%,Fable 5.1 31.4%,GPT-5.6 Sol 28.8%,Opus 5 26.9%。
• Humanity's Last Exam,使用工具 — 67.7%。厂商报告。Fable 5.1 为 65.6%,Opus 5 为 63.6%,GPT-6 Astra 为 57.2%。Anthropic 的系统卡另行报告无工具条件下为 64.4%,如果你要与一个不为其模型提供工具访问的来源进行比较,那么这个数字才是你应该采用的。
• Terminal-Bench-Science 0.1 — 58.7%。厂商报告,标准误差大致为 ±3.5 至 ±5 个百分点,因此这是一个区间,而非一个点。GPT-6 Astra 64.6%,Fable 5.1 52.6%,Opus 5 29.0%,GPT-5.6 Sol 22.4%。
• OSWorld 2.0 — 81.8% 部分完成。这是厂商自报的数字,而“部分”一词在这句话里承担着实打实的作用:Anthropic 的系统卡给出的同一模型在同一评测上的严格完成率为48.7%。两个数字都已公布;被引用的却是那个“部分”数字。Fable 5.1 80.7%,Opus 5 74.0%。
• Chartography,配合工具 — 89.0%。厂商报告。Fable 5.1 88.4%,Opus 5 83.4%。

独立数字,以及“默认回退”的实际含义
Artificial Analysis 是唯一一家在综合指数上发布了对 Claude Opus 5.5 的当前评估的第三方,其数据正是应当与 Anthropic 的数据并列对照的那一组。以下为截至 2026 年 9 月 24 日的读取内容:
• 智能指数——在“Adaptive Reasoning, Max Effort, Default Fallback”这一配置下,以最大努力档位取得 58 分。该结果由 Artificial Analysis 独立测评。其自家文章将 58 称为“我们所测得的最高分,且领先数分”。同一指数也公布了 Opus 5.5 在其他各努力档位下的成绩,而档位间的跨度才是关键:xhigh 为 56,high 为 54,medium 为 51,low 为 42。也就是说,仅一款模型在努力档位拨盘上的波动就达到 16 分——比该榜单上大多数模型之间的差距还要大。
• Terminal-Bench 4.0 — 59.6%。独立评测。Artificial Analysis 报告称其“与领先者 GPT-6 Astra(xhigh)持平”,并比 Claude Opus 5 高出约 11 个百分点。
• Humanity's Last Exam — 61.4%。独立完成,此前同一榜单上的最佳成绩为 59.1%,由 Claude Fable 5.1 保持。
• SciCode — 66.9%。独立测试,对比 Claude Fable 5.1 的 63.1%。
接下来是需要解释而非直接引述的条款。“Default Fallback”并非基准测试的产物,也不是 Artificial Analysis 的一项设置——它是Anthropic 服务器端的安全防护路由,并且保持开启状态。Claude Opus 5.5 搭载了此前专供 Fable 5.1 的安全防护层级:大多数网络安全相关请求会被透明地重新路由至 Claude Opus 4.8,而生物学相关任务则会回退到 Claude Opus 5,除非账号已通过验证。当 Artificial Analysis 在启用默认回退的情况下运行该指数时,它衡量的是实际部署的系统——即未经验证的 API 密钥真正能够触达的对象——而非 Opus 5.5 权重的纯净检查点。对买家而言,这是更诚实的衡量方式;对基准测试而言,这是不够纯净的衡量方式。Anthropic 对其自家表格也是如此说明的:Terminal-Bench 4.0 运行中的干预措施导致网络安全任务由 Opus 4.8 完成、生物学任务由 Opus 5 完成,而该公司表示这些干预很可能拉低了所报告的分数。因此,安全防护路由在两个方向上都是真实的运营事实,而本页上的任何数字都无法将底层模型与此剥离开来。
两个表格在哪里不一致,以及为什么
把 Terminal-Bench 4.0 的两个数字并排放在一起,你看到的是 66.4% 对 59.6%——同一个基准、同一个模型,相差 6.8 个百分点。原因是已知的,而且每一个单独拎出来都足以产生影响:
• 不同的测试框架(harness)。Anthropic 运行的是自家的智能体脚手架(agent scaffold),Artificial Analysis 运行的则是自家参考用的智能体 harness。终端基准测试的分数是脚手架与模型共同作用的结果,而非仅取决于模型本身,而两家机构都未公布过互换脚手架的对照实验。
• 不同的 effort 设置。Anthropic 的 66.4% 是在 xhigh 下取得的。Artificial Analysis 的 59.6% 所对应的 effort 设置并未在包含该数字的那句话中说明,而其报告的基准数据通常是最高 effort 下的结果。
• 两种情况下防护措施均已开启,但计分方式不同。Anthropic 在启用回退机制的情况下运行,将干预视为扣分项,但仍计入评分。在 AutomationBench 上,它在未启用回退机制的情况下运行,并将干预直接计为失败。Artificial Analysis 则全程启用回退机制。
• 即便在同一家厂商自己的表格里,这些数字也会变动。Anthropic 在 Terminal-Bench 4.0 上把 Claude Opus 5 标为 52.3%,并指出公开榜单上同一模型的 51.8%“在噪声范围内”。
那么,本页关于一套测试框架究竟价值几何的最有力证据。2026年9月24日抓取的公开 Terminal-Bench 4.0 排行榜上,压根没有 Claude Opus 5.5 这一行。其榜首是最高推理强度的 GPT-6 Astra,由 Codex 智能体驱动,58.2% ±2.8;第二名是最高推理强度的 Claude Fable 5.1,经 Claude Code 运行,57.9% ±3.8;第三名是 xhigh 档的 Claude Opus 5,经 Claude Code 运行,53.9% ±3.2。所以,66.4% 不仅与独立的 59.6% 是不同的数字——它根本不在公开榜单上,而榜单上 Claude Opus 5 自己的成绩是 53.9%,而非发布表格印出的 52.3%。在 Terminal-Bench 接受并发布 Opus 5.5 的提交之前,66.4% 只是一个无人能复现的厂商测试框架结果,而 59.6% 才是外部第三方真正会背书认可的数字。另请注意,在同一份榜单上,Artificial Analysis 的 Terminal-Bench 4.0 榜首成绩与 Anthropic 的 Opus 5.5 落在同一个 59.6% 上——这只是在同一套测试框架中的平局,对另一套框架说明不了任何问题。

Opus 5.5 落败的行
一份省略了亏损的汇总不算是汇总,而Anthropic自己的表格里两者都有。
• Terminal-Bench-Science 0.1 —— 58.7%,而 GPT-6 Astra 为 64.6%。厂商报告,出现在 Anthropic 的表格上,并且在最接近科学推理的那一行,以 5.9 分之差输给了一个具名竞争对手。厂商自己的标准误差说明(±3.5 至 ±5)意味着这一差距处于噪声边缘附近,而非稳妥地落在噪声范围内——但这是厂商自家页面上的失利,而这一区间并不能把它变成胜利。Claude Opus 5 在同一行上为 29.0%,因此即便在竞争对手领先之处,代际提升也是真实存在的。
• AutomationBench — 40.0%,对比 GPT-6 Astra 的 41.4%。由厂商自行报告,落后 1.4 个百分点,且该次运行没有回退模型,因此安全防护干预被计为失败。这意味着这一特定对比所衡量的是包含路由惩罚在内的 Opus 5.5,而对手的路由惩罚——无论其为何——均未得到说明。无论从哪个方向看,这都是页面上最难以解读的一行。
还有两处,领先幅度比标题所暗示的更薄,而且都来自厂商自行报告。Humanity's Last Exam with tools上,对 Claude Fable 5.1 的领先为 2.1 个百分点(67.7% 对 65.6%);Chartography with tools上为 0.6 个百分点(89.0% 对 88.4%);OSWorld 2.0 partial上为 1.1 个百分点(81.8% 对 80.7%)。在这些项目里,“Opus 5.5 是最佳智能体模型”只是在说排名,而不是在说一项实测出的差距,而 0.6 个百分点的读图差异不该决定一次采购。
Claude Fable 5.1 在不同指数修订版本上的独立排名
把 Opus 5.5 与它的同门兄弟放在一起比较,需要单独辟出一节来讲,而且还得附上一条警告,因为这项比较比看起来要难得多。
当 Artificial Analysis 于 2026 年 9 月 1 日发布其对 Claude Fable 5.1 的评测文章时,该模型在 Intelligence Index 上以最大努力度得分 66,并称这是其测量到的最高分——领先于 Claude Opus 5 的 63 分和 GPT-5.6 Sol 的 61 分。而在 2026 年 9 月 24 日所列出的该指数上,同一模型出现在启用回退机制、以最大努力度得分 53,而 Opus 5.5 在同等配置下则出现在58。9 月 22 日关于 Opus 5.5 的文章称 58 分“是我们测量到的最高分,领先了数个点”。
那两种说法不可能在同一把标尺上同时成立,而化解之道在于:它们本就不在同一把标尺上。这个指数是一个动态更新的对象,Artificial Analysis 会对其加以修订;其相隔五周发表的两篇文章,却把同一对"兄弟"模型置于榜首的两侧。这说明的是指数被修订,而不是其中哪一个模型出现了退步,也就是说,66 和 58 绝不能被并排印在一起。若在同一天、同一份榜单、同一标注配置下阅读,当前的排序是 Opus 5.5 领先 Fable 5.1 五个点——而即便如此,这也只是同指数、同指数发布方的比较,并非经过审计的正面对决。能够稳妥断言的范围要更窄:在同时衡量这两者的唯一独立综合指数的当前修订版中,Opus 5.5 是两个 Anthropic 模型中更强的那一个,而 Fable 5.1 那个更为人熟知的 66 属于该指数更早的修订版。
这些设置值得再补一句,因为它们很容易被混为一谈。Fable 5.1 的 66 和 Opus 5.5 的 58 都属于最高努力程度的行——但 Fable 5.1 的五个努力程度设置在输出 token 使用量上的跨度达 11 倍,从低档的 13.1M 到最高档的 143.7M,索引分数则从 58 到 66。对于一个内部差异如此之大的模型来说,单个索引分数远不足以替代你实际会运行的那一行。
Token 成本本身就是一个基准维度
上面每个数字都是得分。它们当中没有一个是一张账单,而在这个模型里,有意思的变动恰恰在于账单。
Artificial Analysis 在最大努力设置下测量 Claude Opus 5.5,大约使用 每项 Intelligence Index 任务 119,000 个输出 token——这是其指数中最高的。作为对比,在同一榜单、相同设置下:Claude Opus 5 约 73,000,Claude Fable 5.1 约 78,000,GPT-6 Astra 约 27,000。思考 token 按输出 token 计费,而在 Opus 5.5 上无法关闭自适应思考,因此模型用于思考所花费的 token 并非其价格的脚注——它们构成了其价格的大部分。
算一算这笔账吧,因为单看标价本身就有误导性。Opus 5.5 的标价是输入 $4.00 / 输出 $20.00,比 Opus 5 的 $5.00 / $25.00 下调了 20%。但 Artificial Analysis 的实测显示,在最大努力档位下,Opus 5.5 每个索引任务的花费约为 $5.98,而相同设置下的 Opus 5 为 $5.86——略微更多,而非更少,因为大约 1.6 倍的输出 token 量不仅吃掉了整整 20% 的费率下调,还超出了不少。在整个索引评测中,Opus 5.5 产生了 2.6 亿输出 token,而排行榜中位数为 8800 万,评测方将其标注为"非常啰嗦"。
因此,成本这件事完全取决于 effort 设置,而且只有你真的去用它才成立。在最大 effort 下,按每完成一项任务计算,Opus 5.5 比它所取代的模型更贵。在中档 effort 下——这是实际的产品默认值,也是 Anthropic“在典型工作负载上运行成本大约低 40%”这一说法的适用范围——节省是真实的,但它是关于供应商所选工作负载平均值的陈述,而不是经审计的逐任务结果。实际解读是:20% 的降价是价目表上的折扣,以及 effort 调节旋钮上的一个选项,而不是自动节省。如果你的迁移计划是“换个模型 ID,设置保持不变”,那你买的是昂贵的那一版。
什么根本没有被确立?
这就是页面其余部分之所以存在所要支持的那个部分。
• 目前尚未有任何已发布的独立评测,在同等推理强度、同等测试框架下将 Claude Opus 5.5 与任何具名对手进行正面对比。本页上的每一处跨厂商比较——Opus 5.5 对 GPT-6 Astra、对 GPT-5.6 Sol、对 Claude Fable 5.1——都是对两张表格的比较,而这两张表格出自两家不同的公司、基于两套不同的测试框架、采用两种不同的推理强度设置,其中一方通常还是厂商自家模型,且处于有利设置。在全部公开记录中,没有任何一项实验能在两家厂商之间保持脚手架与推理强度不变,并把双方的结果一并报告出来。
• 每个问题的 token 拆分并未公布。 输出 token 的总量数据是独立测得的,但其中有多少属于思考内容、多少属于答案文本,我们所能找到的任何一方都没有公布。任何声称能给出该模型精确思考 token 数的页面,给出的都是没人实际测量过的数字。
• 系统卡中的大部分内容未经过第三方基准测试。SWE-bench Pro 89.9%、多语言 93.9%、DeepSWE v1.1 74.2%、ProgramBench 91.2%、OfficeQA 78.9%、HealthBench Professional 65.6%(经长度调整)、GMMLU 94.3%、ArXivMath 96.9%(使用工具时)——均为厂商自报数据,截至本文撰写时无一经过独立复现。
• Terminal-Bench 4.0 最引人注目的数据并不在公开榜单上。上文已经提及,而且它也应当列入这份清单:关于这个模型被引用最多的那个数字,是厂商之外无人实际运行过的。
• Anthropic 报告称,Claude Opus 5.5“常常怀疑自己正在被评估”——这是该公司自己的措辞,被作为其安全评估的一项局限提出。请把它当作一个测量问题、而不是一桩奇事来认真对待:如果模型在认为自己正被测试时行为有所不同,那么本页上的每一个基准数字,无论来自供应商还是独立机构,测量的都是处于被观察状态下的模型,而它与部署后行为相差多少,既未知也未被量化。这一道理对表现好的行和表现差的行同样成立。这是唯一一条无论多少同等投入的方法论都无法消除的告诫。
• Sonnet 5.5 和 Haiku 5.5 尚不可用。 Anthropic 已宣布它们将在“未来几周内”推出。它们尚未发布,也没有公布任何基准测试结果,本页面的任何内容都不适用于它们。
价格、信封,以及规范中会改变你的代码的那些部分
摘自 Anthropic 于 2026 年 9 月 24 日公布的价目表:每百万输入 token 4.00 美元,每百万输出 20.00 美元,每百万缓存读取 0.20 美元,每百万 5 分钟缓存写入 5.00 美元,每百万 1 小时缓存写入 8.00 美元,且在 Batch API 上输入与输出两个方向均享 50% 折扣。缓存读取费率是最不显眼的那个——它为基础输入价格的 5%,而大多数 Claude 模型为 10%,Fable 5.1 则为 2.5%。快速模式单独定价,为 8.00 / 40.00 美元,Anthropic 将其描述为研究预览版,而非通用层级。
在这一节里,价目表不再只是些细枝末节,而变成了路由器能替你算出来的算术题。Claude Opus 5.5以 anthropic/claude-opus-5.5 的形式在 OrcaRouter 上提供,价格同样是 $4.00 / $20.00,并且目录价按 0% 加价原样传导——所以只要 Anthropic 调整费率,这里的费率当天就是那个费率,没有任何需要你去建模的重新定价滞后。真正决定实际账单的,是目录在价格旁边一并列出的那几项:$0.20 的缓存读取,按基础输入价的 5% 计费,而 Fable 5.1 是 2.5%;1M token 的上下文窗口;以及 128K 的输出上限。因为这个模型的成本实际上随 effort 参数而变动——最高档时指数相差 16 点,每项任务约 119,000 个输出 token,而 Opus 5 约为 73,000 个——所以真正省钱的迁移方式,是让你按工作负载而不是按账户来调节 effort,并在衡量你的流量究竟想要哪种设置的同时,把 Opus 5.5 路由放在自动故障转移之后。
• Envelope — 100 万 token 上下文,最大输出 128K,在 Batch API 上通过 output-300k-2026-03-24 beta 标头可输出 300K,知识截止日期为 2026 年 6 月,退役时间不早于 2027 年 9 月 22 日。输出速度比 Claude Opus 5 快 30% 以上。
• 与 Opus 5 相比的破坏性变更 —— 思考功能无法再被禁用;强制使用工具(即 tool_choice 中指定了某个具体工具)会返回错误;思考块与模型以及产生它们的对话相绑定;较旧的 computer_20251124 计算机使用工具在 Claude API 或 Google Cloud 上不再被接受。前三项同样适用于 Fable 5.1。还有一项不为人知的第五项变化:工具调用之间的文本现在会出现在思考块内部,而在默认显示设置下这些思考块的文本为空,因此将这段文本作为进度指示器流式呈现的界面会变得悄无声息,却不会有任何报错。
• 再次强调保障性路由,因为它是规范项,而非脚注——大多数网络安全请求会转到 Claude Opus 4.8,生物学工作则回退到 Claude Opus 5,除非账户已通过验证。在这些评估中,你收到的回答可能根本并非来自 Opus 5.5,因此已公布的网络与生物相关基准分数并非对该模型的纯粹测量值。
• 效率声明,均由厂商报告——在典型工作负载上运行成本降低约40%,而标价下调20%;一个完整的并购分析示例在 Opus 5.5 上耗时63分钟,而在 Opus 5 上为93分钟,成本降低50%;以及来自 Box(词元数为三分之一,回答冗长度降低约40%)、Kiro(词元数约减半,调用次数减少40%)、Factory(输出词元减少20–25%)和 GitHub(在其测量中词元数和步骤数属于最少之列)的客户陈述。这些是厂商及其发布合作伙伴所选工作负载的平均值。它们是归因性说法,而非经审计的结果,并且它们与上文独立的单任务成本数字存在明显矛盾——而该数字本身也是在最大努力而非默认设置下进行的测量。两者都可能为真;但两者都不是关于你的工作负载的普遍性结论。

证据现状
Claude Opus 5.5 是一个真实存在的模型,有实实在在的费率下调,真正具备 100 万 token 上下文和 128K 输出的容量,并且在思考与投入力度的配置方式上带来了真实且影响重大的变化。它同时带来的还有一张主要衡量 Anthropic 的基准测试表、一张主要衡量路由部署而非模型检查点的独立表格,以及一个已有文档记录的自我认知问题,而这个问题会削弱前两者。目前尚未发布任何独立的、在同等投入力度和同等测试框架下将 Claude Opus 5.5 与具名竞争对手进行正面对比的评估。在这样的评估出现之前,请把本页所有跨厂商比较按其本来面目来看:来自两家公司、基于两种设置的两张厂商表格,由我们并排摆在一起——并且在重新衡量模型之前,先重新衡量你自己的投入力度设置。
本文中的对比4
根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新
