Claude Opus 4.5：发布基准、价格与工具使用

Anthropic 在其他前沿模型发布后不久推出了 Claude Opus 4.5。在这段 2025 年 11 月的视频中，我回顾该公司报告的基准、价格和开发者功能。视频还包含 Warp 的付费赞助。

Anthropic 的发布图表报告 Opus 4.5 在 SWE-bench Verified 上得分 80.9%，Sonnet 4.5 为 77.2%，图中还有其他模型的成绩。纵轴从约 70 而非零开始，使柱形看起来差距更大。与 Sonnet 的差距为 3.7 个百分点，结果只适用于所报告的 500 项任务设置，而非所有编码工作。

Berman 回顾了其他报告的智能体和计算机操作结果，包括 Terminal-Bench 2.0、τ²-bench 和 OSWorld。他还指出竞争模型得分更高的测试，如研究生水平推理、视觉或多语言任务。结果反映特定运行框架、配置和数据集；缺少竞争模型数字并不能确立它们的表现。

他比较自动售货机模拟排行榜和 ARC-AGI 分数，指出所展示的 Opus 结果并非每张图表都领先。这些是具有各自评分规则的历史快照，任何单一基准都不能衡量智能或工作表现的所有方面。

Anthropic 的发布价格为每百万输入 token 5 美元、每百万输出 token 25 美元。Berman 将其与当时 Gemini 3 Pro 的价格档位比较。实际账单取决于输入输出比例、缓存、提示长度和适用价格，因此不能用单一百分比概括差距。

Berman 表示 Anthropic 用一项困难的性能工程招聘测试考察 Opus 4.5，并称它优于所有被录用的候选人。Anthropic 后来更详细地说明，一个预发布模型在两小时限制下达到了最佳人类成绩；该人类使用 Claude 并给予引导，而且不受时间限制时人类可能取得更强的结果。这是特定任务的比较，并不能证明其总体工程能力更强。

视频包含 AI 编码产品 Warp 的付费推广。Berman 介绍它所称的基准排名、界面以及对并行智能体和工具的支持。这些是赞助片段中的宣传说法，并非视频中的独立评估。

Berman 描述 Anthropic 的 τ²-bench 示例：航空服务任务原本预期拒绝修改基础经济舱预订，而模型提出先升级舱位再修改航班。Anthropic 将其描述为合法的替代方案，基准却判为错误。Berman 质疑这是否真正最优；授权、成本和情景规则都很重要。

Anthropic 还推出了高级工具使用功能。Berman 解释，预先加载大量 MCP 工具定义可能在用户请求之前就占用上下文。工具搜索机制可在需要时检索相关定义，减少前期开销；这并不意味着模型真的拥有无限工具或无限上下文窗口。

他介绍三项功能：工具搜索、在代码执行环境中程序化调用工具，以及展示如何使用工具的示例。程序化调用可以让中间结果不进入模型上下文，而示例能澄清单靠模式定义可能无法表达的用法。

Anthropic 的示例估计，多个 MCP 服务器的工具定义可能占用数万 token。Berman 对比传统方式和按需发现，并报告图示设置中上下文占用大幅减少。实际节省量取决于工具、模式和请求。

Berman 接着讨论 Anthropic 的图表，它比较 SWE-bench 结果和输出 token 用量。他观察到，在该例中 Opus 4.5 比 Sonnet 4.5 使用更少输出 token 却取得更高得分。图表使用特定设置，而且输出 token 既不是完整成本，也不是衡量智能的通用指标。

最后，他引用 Dan Shipper 和 Ethan Mollick 的早期反应，他们称赞了编码和实际工作能力。这些是用户评价，并非经过控制的独立证据，不能证明该模型对所有应用都是最佳选择。