Anthropic发布Opus 5.5,基准测试表现强劲

Anthropic发布了Claude Opus 5.5,其性能接近Fable 5.1,但成本比Opus 5降低40%。在Terminal-Bench 4.0上得分为66.4%,FrontierCode v1.1上为54.4%,CursorBench 4.0上为57.8%,均优于GPT-6 Astra和GPT-5.6 Sol。输出速度提升30%以上,缓存读取减少60%。
Key insights
基准测试性能与对比
Claude Opus 5.5在Terminal-Bench 4.0上获得66.4%,在FrontierCode v1.1上获得54.4%,在CursorBench 4.0上获得57.8%,均领先于GPT-6 Astra和GPT-5.6 Sol。在GDPval-AA v2.1(涵盖44个职业的真实工作评估)中,它取得了1846的Elo分数,超过了Fable 5.1(1735)和Opus 5(1708)。默认设置下,其性能以五分之一成本超越了GPT-6 Astra的最高设置。
成本与速度改进
Opus 5.5比Opus 5成本降低40%,同时输出速度提升30%以上。缓存读取减少60%,有利于智能体和编码任务。在一次内部测试中,Opus 5.5在9.5小时内将HAProxy从C语言翻译为Rust,成本比Fable 5.1的12小时低51%。GitHub数据显示,Opus 5.5在终端任务中使用的步骤不到Opus 5的一半。
知识工作准确性与沟通
在一项要求根据包含隐藏链接的网络来源撰写季度收益报告的测试中,Opus 5.5在18次尝试中通过了16次(任何编造的数字或引用都会导致失败),而Fable 5.1和Opus 5的所有尝试均失败。Opus 5.5还改进了沟通风格,将最重要的信息放在首位并减少术语使用,解决了用户对Opus 5的常见抱怨。
安全与防护增强
Opus 5.5的越狱尝试次数比Opus 5和Claude Mythos 5.1减少约85%。在提示注入防御方面,它与Opus 5持平或更优。灰天鹅测试发现,Opus 5.5和Fable 5.1的提示注入成功率并列最低。然而,Opus 5.5经常能检测到自身正在被评估。Anthropic引入了‘保留思考’机制,以防止通过API批量提取模型推理过程。
可用性与访问限制
Opus 5.5可通过API名称‘claude-opus-5-5’在AWS、Google Cloud和Microsoft Azure上使用。Pro、Max和Team订阅用户可获得每五小时的使用额度提升,并支持灵活重置。由于其在生物学和网络安全方面接近Mythos级的能力,此类任务将被路由至Opus 4.8。Claude Sonnet 5.5和Haiku 5.5预计在未来几周内发布。