Claude Opus 5.5：基准、成本与 Anthropic 对放缓的看法

Claude Opus 5.5 是 Anthropic 呼吁放缓前沿模型推进后发布的首个重大模型。我认为它对编程和知识工作很重要。视频后半段，Anthropic 技术团队成员 Thariq 加入讨论，介绍模型在产品线中的位置，以及配套工具如何变化。

Anthropic 表示，Opus 5.5 在大多数任务上达到 Fable 5.1 的水平，典型工作负载成本低于 Opus 5。Berman 认为其速度、价格和基准表现的组合令人瞩目，尤其是在公司公开讨论放缓前沿发展之后。

在 Anthropic 的表格中，Opus 5.5 的 Terminal-Bench 4.0 得分为 66.4%，GPT-6 Astra 为 57.9%，Fable 5.1 为 55.8%。它在展示的 FrontierCode 和 CursorBench 比较中也领先。Berman 猜测它可能更小或经过蒸馏，但明确表示自己并不确定。

在知识工作评测 GDPval-AA 上，展示的分数为 1846 Elo，Fable 5.1 为 1735，Astra 为 1542。Berman 强调这一跃升，因为基准涵盖文档、演示文稿和数据工作等任务。这些是公司在特定评测条件下公布的比较。

Opus 并非在表格的每项测试中都领先：Astra 在 AutomationBench 和 Terminal-Bench Science 上得分更高。展示的 OSWorld 部分得分为 81.8%，略高于 Fable 的 80.7%。Berman 说团队越来越多地用计算机控制操作视频编辑器和 Unreal Engine 等创作工具。

引用的 Opus 5.5 价格为每百万输入 token 4 美元、每百万输出 token 20 美元；Opus 5 分别为 5 美元和 25 美元。缓存读取分别为 0.20 美元和 0.50 美元，缓存写入分别为 5 美元和 6.25 美元。Anthropic 还表示输出速度比上一代快超过 30%。

Berman 认为，仅看 token 单价不够：即使单价低，如果一个模型完成任务要花更多 token，总成本仍可能更高。他研究通过率或质量与每项任务成本的关系，寻找能以更低总成本取得更好结果的设置。

展示的 FrontierCode 图表中，Opus 5.5 的中等推理强度得分高于最高强度，每项任务成本却低得多。Berman 据此认为，更高推理强度并不总是适合每个工作负载。用户应根据自己的任务测试设置。

GDPval 和 Terminal-Bench 的成本图也显示 Opus 5.5 在多个强度下表现强劲。Berman 认为展示的 Terminal-Bench 比较中，中等或高强度可能是有吸引力的选择。这些是特定基准的估算，并非所有任务的通用成本。

Anthropic 表示模型交流更自然、先给出重要信息，并遵循写作指令。Berman 认为，在多个编程智能体之间切换时，简短解释很有价值，但他希望进一步测试后再评价其创意写作能力。

Berman 回顾 Anthropic 的安全说法：公司报告其自动行为审计成绩强劲，并扩大了对长任务和不可能任务的测试。公司称，模型在生物学和网络安全领域部署了与 Fable 5.1 相当的防护。Berman 将公司的说法与自己对先前事件的猜测区分开来。

Anthropic 估计，默认设置下典型工作负载的成本比 Opus 5 低 40%。Berman 解释，这与公布的输入和输出 token 单价约下降 20% 不同：任务总成本还取决于使用了多少 token。40% 是公司的工作负载估算。

Berman 查看 Artificial Analysis 的综合指数，报告 Opus 5.5 在展示的图表中领先。他认为这显示出重大进步，但综合指标仍取决于纳入的评测和设置。

Thariq 加入对话，将 Opus 5.5 描述为更便宜、更有能力的日常主力模型。他说 Fable 5.1 仍适合规划、头脑风暴、审查或出错代价很高的安全工作。他最近重做个人网站时则全程使用了 Opus 5.5。

被问到 AI 如何帮助构建 AI 时，Thariq 说 Claude 会帮助构建 Claude，包括编写代码。他将其描述为许多小改进随时间累积，而不是模型突然完成全部自身开发。这是他对工作流程的描述，并非没有人类参与的自主自我改进。

谈到效率和质量，Thariq 描述了一种模式：先开发前沿能力，再让它更容易获得、成本更低。他预计这种模式会反复出现：最初出现在昂贵模型中的能力，随着时间推移可能更广泛地可用。

Berman 问，“5.5”这个名字是否像过去的半版本发布一样代表拐点。Thariq 提醒不要过度解读版本号，同时表示团队对该模型非常兴奋。他回忆早期 Sonnet 和 Opus 发布是重要的编程里程碑。

谈到放缓，Thariq 区分了对最新、通常尚未发布的前沿模型进行评估，与以更低成本普及既有能力。他说，沙箱逃逸等困难评测仍需要工作；同时 Anthropic 认为已发布模型的分类器和回退机制稳健。这是 Anthropic 对自身部署的立场。

Berman 问，内部获得模型到公开发布的间隔是否正在增长。Thariq 说增加评估方需要时间，但他无法判断总间隔会如何变化。对他而言，关键是公司与第三方评估方认为模型可以安全发布。

Thariq 说，模型在他的博客上改进了视觉设计中的小细节，速度也快到让他保持工作状态。炫目的游戏和 3D 演示令人印象深刻，但他预计响应速度、效率和工具使用在日常软件工程中同样重要。

两位对谈者都认为评估越来越困难。Thariq 说，模型可能推理出了正确答案，却在评测中没有最终选定它。他希望帮助用户从现有智能中获得更好的结果，尤其是在更多人能够使用前沿级能力的时候。

被问及仍需改进什么时，Thariq 提到计算机和浏览器操作，以及帮助模型稳定发挥评测中展现的能力。他还希望系统能使用上下文和记忆，在合适时提出有用的反对意见，而不至于打扰用户。

关于智能体框架，Thariq 说底层模型不断变化，因此 Claude Code 团队必须跟上。团队最近删除了大量系统提示，并推出插件评测，帮助作者更新技能和插件，避免不必要地限制新模型。

Thariq 对更好的工具调用和云端托管智能体感到兴奋，但表示产品团队仍需努力，才能充分利用模型智能。他介绍团队增删了部分工具，并继续调整框架。Berman 最后表示自己还需要进行更多测试。