XNews

Claude Opus 5 发布及性能基准测试

Claude Opus 5 发布及性能基准测试

Anthropic 于 2026 年 7 月 25 日发布了 Claude Opus 5,其定价与 Opus 4.8 持平(输入每百万 token 5 美元,输出每百万 token 25 美元),同时以一半的成本达到了接近 Fable 5 的智能水平。该模型被定位为日常使用模型,现已成为 Claude Max 的默认模型和 Claude Pro 的最强选项。

Key insights

Opus 5 锁定价值:成本不变,性能接近 Fable 5

Anthropic 将 Opus 5 定位为一款高端且价格合理的日常使用模型,其输入/输出定价与 Opus 4.8 完全相同(每百万 token 5 美元/25 美元),同时在关键基准测试中提供了达到或略微超过 Fable 5 的智能水平。该模型专为频繁调用而设计,是 Claude Max 的默认模型和 Claude Pro 的顶级选择。这打破了旗舰能力通常定价更高的惯例,使接近前沿的性能在常规工作负载中变得经济实惠。

基准测试横扫:Opus 5 在编程、知识、新问题解决和计算机使用方面创下新 SOTA

Claude Opus 5 在多项基准测试中取得了新的最高分:Frontier-Bench v0.1(编程,以更低成本实现了 Opus 4.8 两倍的性能)、通用知识基准测试 GDPval-AA 和 Frontier-Bench、OSWorld 2.0(计算机使用,在同等成本下优于所有模型,并以三分之一成本击败 Fable 5),以及 ARC-AGI-3(得分是第二名模型的三倍)。在网络安全漏洞发现方面接近 Mythos 5,但漏洞利用编写仍远远落后。这些成果涵盖了软件工程、新颖推理和自主任务。

关注每任务成本而非每 Token 成本:跨场景的实际效率提升

Anthropic 强调每完成一个任务的成本,而非每 token 的成本。在 CursorBench 3.2 中,Opus 5 以一半的成本达到了接近 Fable 5 的峰值性能。在财务建模用例中,准确率提高了 9 个百分点,交互轮次和工具调用减少了三分之一,耗时减少了 60%。在交易场景中,Opus 5 生成的推理 token 约为 Opus 4.8 的七分之一,延迟降低了一半以上。这些效率飞跃降低了企业完成任务的总成本。

Opus 5 展现出更强的主动性和自我修正行为

该模型展示了自主解决问题的能力:在缺乏现成工具时自行构建(例如,从像素构建计算机视觉流水线),在开源包管理器错误中寻找根本原因而非表面修复,像前端开发者一样通过打开页面来自我验证输出,并对有缺陷的用户设计提出质疑、解释和折衷方案。此外,在金融、基因组学和法律领域的长期任务中,它保持了更高的一致性,减少了偏差。

快速模式和 API 安全回退提升生产可靠性

Anthropic 推出了快速模式,以 2 倍的价格提供 2.5 倍的速度,以及 API 自动回退机制:当安全分类器阻止 Opus 5 或 Fable 5 请求时,它可以自动降级到限制较少的模型,而不是直接失败。这些功能面向需要高响应性和不间断服务的企业 API 用户。

开源模型已迎头赶上,削弱了专有模型的差异化优势

一位用户的反思指出,在 Opus 5 发布之前,开源模型已经超越了 Opus 4.8,迫使 Opus 4 系列退役。该评论将 Opus、Fable 和其他专有模型视为开源大潮中的短暂浪花,表明即使是旗舰版本也可能无法维持长期的独特性。

Source posts