Opus 5.5 与 GPT-6 Sol、Luna：一场发布日直播

Berman 在 2026 年 9 月的直播中首先介绍 Anthropic 发布 Claude Opus 5.5。他说自己和团队提前试用了模型，并计划采访 Thariq Shihipar、展示 Alex 和 Brian 的演示。

Anthropic 称 Opus 5.5 在许多任务上接近 Fable 5.1，典型工作成本低于 Opus 5。Berman 对此很兴奋，但发布声明和个人印象并不是独立保证。

Anthropic 展示的表格报告 Opus 5.5 在 Terminal-Bench 4.0 上得分 66.4%，在 FrontierCode 上得分 54.4%，并列出其他模型的结果。Berman 强调编程能力的提升；比较只适用于报告中的测试条件。

Berman 查看报告中的知识工作和推理成绩，包括 GDPval-AA 和 Humanity’s Last Exam。他指出模型并非在每项评测中都领先，例如展示的 AutomationBench 和科学测试。

他还查看计算机使用和图表识别成绩。某项基准中的小幅差异，并不等于真实应用中的统一排名。

发布时的表格列出 Opus 5.5 每百万输入 token 4 美元、输出 token 20 美元，而 Opus 5 分别为 5 美元和 25 美元。Berman 起初说错，随后修正了比较。

Anthropic 声称输出速度提高超过 30%，默认工作力度下典型任务成本比 Opus 5 低 40%。Berman 解释说，任务成本既取决于 token 单价，也取决于完成任务所消耗的数量。

展示的 AutomationBench 图比较不同工作力度下的质量和估计单次任务成本。Berman 偏好得分更高且成本更低的点，但实际权衡仍取决于工作负载。

在 FrontierCode 图中，分数并不随工作力度单调上升：展示的结果里，中等力度的得分可能高于最大力度，估计成本也更低。Berman 建议实际尝试设置，而不是假定更高力度总会获胜。

Berman 查看 GDPval-AA 和 Terminal-Bench 的成本曲线，认为它们有助于比较知识工作和编程。这些数字来自发布展示，应结合评测方法理解。

Anthropic 还称模型沟通更简洁。Berman 认为这对同时切换多个智能体很有价值，因为更短的进度报告可以减少人需要阅读的上下文。

主持人阅读公司的安全声明，并提到外部评估机构。他指出 Anthropic 将生物和网络安全用途列为需要额外安全措施与验证的领域；对于另一起事件的细节，他表示不确定。

当时在 Anthropic 从事 Claude Code 工作的技术人员 Thariq Shihipar 加入直播。他将 Opus 5.5 描述为可能适合日常使用的模型，而 Fable 5.1 适合规划或高风险的独立任务。

解决麦克风问题后，Shihipar 再次强调他的建议同时考虑能力和成本。他举出规划、代码审查和安全工作，说明用户可能在特定任务上选择更贵的模型。

被问到递归改进时，Shihipar 说 Claude 通过许多渐进式贡献帮助构建 Claude，其中包括编写代码。他提醒不要把这个过程想成模型突然自行完成一切。

Shihipar 描述了一种趋势：前沿能力随着时间推移变得更便宜、更容易获得。他将其作为公司的做法和预期，而不是对每款模型或每位客户的保证。

Berman 问 5.5 的命名是否意味着类似 Opus 4.5 的转折。Shihipar 表示不应过度解读编号，同时表达了对新发布的期待。

谈到 Anthropic 关于放缓前沿开发节奏的呼吁，Shihipar 区分了评估更新能力和广泛提供已评估能力。他说公司认为此次发布的分类器和回退机制足够稳健。

被问到评估周期是否越来越长时，他说增加评估方需要时间，但无法预测最终净影响。他表示重点是发布前让公司和外部评估者都具备信心。

Berman 询问外部评估者具体获得了什么访问权限。Shihipar 说自己不清楚此次发布的细节，并表示可以去核实，没有确认某种具体安排。

Shihipar 回忆用模型重新设计个人网站，并说响应速度、成本和视觉细节与原始能力同样重要。Berman 认为，模型越来越强后，简单演示越来越难区分它们。

被问到还有哪些需要改进时，Shihipar 提到计算机和浏览器使用、记忆，以及在不制造不必要打断的情况下适应用户。他将这些视为决定用户能否有效发挥模型能力的产品问题。

采访转向 Claude Code 运行框架。Shihipar 说团队删减了部分系统提示、调整工具，并为技能和插件引入评估，以免旧指令不必要地限制新模型。

他说工具调用有所改善，并看好托管云端智能体，同时承认产品团队仍需找到更好的方式发挥模型能力。这些是他在发布采访中的判断。

提前获得访问权限的 Alex 和 Brian 加入直播。团队先处理屏幕共享和直播延迟问题，再展示实例；这些可见演示并非受控评测。

Alex 说他让模型在 Unreal Engine 中制作一款受 Dark Souls 启发的游戏。他描述了一次约 28 小时的运行、多个世界和首领战，并说结果仍需打磨。

直播屏幕共享出现卡顿，而 Alex 说游戏在他自己的电脑上运行流畅。他无法提供可靠的 token 消耗数字，也不清楚某些实现问题的答案，因此演示能证明的内容有限。

他们切换到录制片段展示战斗，并讨论首领的行为。Alex 说自己无法独立完成这个项目；这是个人比较，而不是经过测量的开发时间研究。

Alex 还展示飞行模拟器、受 Mario Maker 启发的关卡编辑游戏和一款火箭游戏。他介绍了不同的提示次数和运行时间，团队也指出部分视觉效果仍不够自然。

Brian 展示了一段通过反复提示制作的动画，而不是一次视频生成请求。他说自己反复调整了阴影等细节；音频问题使直播无法完整展示。

Brian 介绍了一个解谜游戏工作流：多个候选方案通过淘汰赛形式比较，最终选出 Tidekeeper。团队开始试玩，但随后被另一项模型发布消息打断。

嘉宾离开后，Berman 查看第三方智能指数，再次表达对 Opus 5.5 的积极印象。指数汇总的是选定测试，排名不能证明它在每项任务上都更优秀。

观众报告说已在应用中看到 GPT-6 Sol 和 Luna，但 Berman 一开始找不到公告。他等待官方信息，后来表示自己曾提前试用，但当时不知道模型身份。

等待期间，他讨论其他智能体产品，并猜测 OpenAI 未来的硬件和个人助手计划。这些是直播中的预测或转述，不是已确认的产品承诺。

Berman 找到 OpenAI 公告，介绍 GPT-6 Sol 和 Luna 是与 Astra 并列、速度更快且成本更低的选择。他阅读公司的比较，并指出这些模型面向不同预算和任务。

直播展示的 2026 年 9 月 API 价格为：Sol 每百万输入 token 2 美元、输出 token 10 美元；Luna 分别为 0.10 美元和 0.50 美元。这是直播中的历史价格，不代表当前价格。

他阅读 OpenAI 的 AutomationBench 图，比较不同力度下的任务估计成本和分数。他说，在展示的设置中，Sol 比上一代 Sol 改进，而 Luna 成本低得多但分数也更低。

Berman 查看报告中的事实性和其他智能体基准，强调排名与成本会随工作力度变化。这些数字由公司报告，也并非每项比较都包含刚发布的 Opus 5.5。

在 DeepSWE 中，他强调 Luna 报告的 66.6% 成绩和每项任务约 0.22 美元的估计成本，并与更昂贵的设置比较。这一观察只针对报告的基准，不能保证任何用户代码仓库的结果。

他查看计算机使用结果，并指出展示的比较中 Luna 落后于 Astra。他阅读的是发布当天的可用性信息；之后访问条件和产品名称可能变化。

Berman 猜测两家公司同日推出较便宜的模型可能体现了对效率的重视，同时承认图表并不能证明模型架构或内部计划。

他请 Astra 生成图表，比较当天发布的模型，并用它讨论 API 价格和部分基准成绩。图表是直播中生成的二次整理，不是受控的正面对比评测。

Berman 将价格与分数差异解读为一种权衡：为了获得报告中的最强结果，可能要比选择较便宜的模型花费多得多。他强调正确选择取决于任务和可用额度。

最后他说自己计划进一步测试，如果 Opus 的额度充足，也许会增加使用。这场发布日讨论结合了公司声明、有限演示和个人偏好，独立比较仍有待之后完成。