Anthropic 发布 Claude Opus 5.5：一天迁移 68 万行代码，单任务成本最低仅为 GPT-6 Astra 的 20%

infoq.cn 发布日期待确认

Anthropic 发布 Claude 5.5 系列首款模型 Opus 5.5，重点不再是扩大模型规模，而是提升编程、计算机操作与知识工作效率，同时压低真实任务成本。官方数据显示，部分编程基准下单项成本只有 GPT-6 Astra 的 20%；一名早期测试者用它一天内完成了 68 万行代码的迁移。

这次升级的三个方向

9 月 22 日，Anthropic 发布 Claude Opus 5.5，这也是 Claude 5.5 系列的第一款模型。按照 Anthropic 的产品划分，Opus 仍是三条主力线中能力最强、价格最高的一档；Sonnet 面向性能与成本相对均衡的场景，Haiku 则侧重速度和低成本。

与两个月前发布的 Opus 5 相比，Opus 5.5 没有继续强调单纯扩大模型规模，而是把重点放在三件事上：提升编程、计算机操作和知识工作能力；降低完成真实任务的总体成本；强化复杂任务中的行为约束。

Anthropic 称，Opus 5.5 在多数工作中的表现已达到 Claude Fable 5.1 的水平，典型任务的运行成本比 Opus 5 低约 40%。即将发布的 Sonnet 5.5 和 Haiku 5.5 也会采用类似的性能、效率和安全改进。

编程仍是重点：一天迁移 68 万行代码

Anthropic 公布的测试主要覆盖智能体编程、计算机使用和知识工作等场景。其中智能体编程指的是让模型自行规划并执行多步编码任务，而不只是补全一段代码。

Anthropic 表示，一名早期测试者使用 Opus 5.5 完成了一项涉及 68 万行代码的迁移任务，整个过程不到一天。Anthropic 估计，同样的工作如果由工程团队手动处理，可能需要数周时间。不过这一案例来自早期测试者，并非标准化基准，实际效果仍会受到代码质量、迁移目标、测试覆盖率和人工介入程度等因素影响。

在另一项测试中，Anthropic 要求模型降低一个 Web 应用所有页面的加载时间。Opus 5.5 在 40 次尝试中成功了 39 次。相比之下，Opus 5 虽然也能进行优化，但改进幅度较小，有时还会改变应用原有行为。

此外，测试者让多款 Claude 模型根据同一条提示词开发游戏，Opus 5.5 在图形表现和完成度方面获得了最高评价。

这些案例反映出，Anthropic 试图改善的不只是代码能否运行，还包括模型在长任务中的完整性、修改范围和最终交付质量。

Anthropic 表示，Opus 5.5 在智能体编码方面取得了前沿成果，成本仅为同类产品的几分之一。

在 FrontierCode 测试中，默认工作量下其每项任务的成本约为 GPT-6 Astra 的 20%。

在 Terminal Bench 4.0 测试中，其成本约为 Astra 的 40%，性能与 Astra 持平。

而在 CursorBench 测试中，其成本约为 GPT-5.6 Sol 的三分之一，性能却比 Sol 高出 11 分。

不过该公司也承认，当模型能力接近时，几个百分点的基准差距已经越来越难反映真实使用体验。在 Anthropic 内部使用中，Opus 5.5 与 Fable 5.1 之间的实际差距，比基准测试呈现的差距更小。

这是本次发布中一个值得注意的变化：Anthropic 一方面把 Opus 5.5 称为新的主力模型，另一方面主动弱化跑分的解释力，转而强调真实工作中的任务完成率、修改质量和长期协作体验。

知识工作：写财报报告，18 份中 16 份达标

知识工作方面，Opus 5.5 也展现出了较强实力。Anthropic 介绍了一项内部测试：团队要求 Opus 5.5、Fable 5.1 和 Opus 5 仅使用从网络上找到的信息，撰写一份关于某公司季度业绩的报告，而该财报的发布信息很难查找。一个自动评分系统会核对每个数据和引文的来源，任何虚构的数据或引文都会被判为不合格。

在不同的测试难度设置下，Opus 5.5 的 18 份报告中有 16 份达到了团队设定的质量标准；而 Fable 5.1 和 Opus 5 在任何一次测试中都未能达到该标准。

关键要点

• Opus 5.5 是 Claude 5.5 系列首款模型，仍定位为能力最强、价格最高的主力档，典型任务成本比 Opus 5 低约 40%。
• 官方基准显示，FrontierCode 上单项成本约为 GPT-6 Astra 的 20%，Terminal Bench 4.0 上成本约为 Astra 的 40% 且性能持平。
• 编程场景中，早期测试者一天内完成 68 万行代码迁移；Web 性能优化测试 40 次成功 39 次。
• Anthropic 主动弱化跑分差距，转而强调任务完成率、修改质量与长期协作体验。

财务与商业任务：更快、更完整、成本更低

Anthropic 表示，Opus 5.5 在财务分析和商业工作上同样表现突出。早期测试者之一、投资公司 Walleye Capital 反馈称，即便把 Opus 5.5 调到最低设置，它基本就能解决其评估套件中的问题；调高设置后表现更好，甚至发现并修正了评估说明里的一处错误，而此前没有任何其他模型能发现这个错误。

另一项测试中，研发团队让 Opus 5.5 和 Opus 5 分别分析两家虚构人力资源软件公司的拟议合并。两个模型都用 Excel 搭建财务模型，再转成高管演示文稿，判断这笔交易在当前价格下是否划算。结论一致，但 Opus 5.5 的模型更完善、文稿更易读；Opus 5 的文稿则存在一些小错误。时间与成本上，Opus 5.5 用 63 分钟完成，比 Opus 5 的 93 分钟更快，制作成本也低 50%。

知识工作评估：Elo 1846 分，且用更少的 Token

在知识工作评估中，Opus 5.5 不仅得分更高，消耗的 Token（模型读写文本的计费单位）也更少。GDPval-AA v2.1 是一项覆盖 44 个职业的真实工作测试，Opus 5.5 在其中拿到 1846 的 Elo 分数（一种按两两对比胜率换算的评分，越高代表在对比中越常胜），领先于 Fable 5.1 和 Opus 5。

在默认工作量（中等）下，Opus 5.5 的单项任务成本约为 GPT-6 Astra 的五分之一；而在最高工作量下，它的表现反而优于对方。此外，在衡量业务流程和大规模数据收集的基准测试中，Opus 5.5 也优于其他模型。

生物与网络安全：能力对齐，但开放有门槛

除了上述提升，Anthropic 评估认为 Opus 5.5 在生物学和网络安全方面的能力已与 Claude Mythos 5.1 相当。这两类能力双重用途明显，公司决定为 Opus 5.5 部署与 Fable 5.1 类似的安全措施。

限制主要针对高风险任务，例如从编译后的二进制程序中找出可利用漏洞，或提供可能帮助识别、开发生物武器的技术信息。普通的源代码审查、防御性漏洞分析和常规生命科学研究并非一概禁止，但部分高能力功能需要通过组织和人员验证。

符合条件的机构可以申请 Anthropic 的生命科学验证计划，用 Opus 5.5 开展生物学研究。公司还计划在未来几周扩大网络安全验证计划，让经过验证的安全从业者获得更完整的模型能力。

这意味着，Opus 5.5 的能力升级不会对所有用户完全开放。Anthropic 正尝试通过身份验证、用途审查和实时安全机制，在专业研究需求与滥用风险之间划出边界。

价格：Token 单价降 20%，典型任务成本降 40%

价格是 Opus 5.5 相比上一代最直观的变化。

API 输入价格为每百万 Token 4 美元，输出为每百万 Token 20 美元；Opus 5 对应价格分别是 5 美元和 25 美元，输入与输出单价均下降 20%。缓存读取价格从每百万 Token 0.5 美元降至 0.2 美元，降幅达到 60%。

需要说明的是，Anthropic 所说的“成本降低 40%”并不是指所有 Token 单价都下降 40%。实际是输入输出单价降 20%、缓存读取降 60%，再叠加模型用更少步骤和 Token 完成任务；按默认设置下的典型工作负载测算，总成本比 Opus 5 低约 40%。

这种计算方式对 Coding Agent 尤其重要。此类任务需要模型反复读取代码库、调用工具、运行测试并修改文件，缓存读取往往占较大比例，因此缓存降价带来的实际成本变化，可能高于表面的输入、输出 Token 降价。

速度提升与订阅额度

降价的同时，模型速度也有明显提升。Anthropic 称 Opus 5.5 生成输出的速度比 Opus 5 快 30% 以上，原因是服务推理所需的总体计算资源下降。公司还提高了 Pro、Max、Team 和按席位计费的 Enterprise 计划的五小时使用额度，并允许订阅用户保存一次额度重置机会，在需要时使用。

定位转向：不再只追最强，而是“够强且更便宜”

作为 Anthropic 在“放慢前沿”倡议之后发布的首款模型，Opus 的方向似乎发生了变化：不再只追求最强，而是追求“够强且更便宜”。

安全评估：越界更少，但仍非万无一失

Opus 5.5 是 Dario Amodei 提出“控制前沿能力推进节奏”（pacing the frontier）之后，Anthropic 发布的首款大模型。所谓控制推进节奏，重点是在让模型能力提升的同时，也让对齐、安全防护和第三方评估尽量同步，而不是暂停训练、停止进步。他主张，前沿模型公司应向外部评估机构持续开放模型和训练流程，并推动行业建立共同的安全标准。

发布前，Opus 5.5 接受了 Frontier Design、METR 等外部机构测试。在 Anthropic 内部的自动化行为审计中，它取得了公司历次受测模型中的最高成绩。这套审计覆盖数千个模拟情景，重点观察三类行为：模型是否会采取难以撤回的行动，是否会超出用户授予的权限，以及在遭遇提示词注入时是否会偏离原始任务。提示词注入指在正常输入中夹带指令，诱导模型执行原本没有要求的操作。Anthropic 称，Opus 5.5 比近期模型更少越过既定边界，对提示词注入的抵抗能力也强于 Opus 5。

测试范围还扩展到耗时更长的任务、理论上无法完成的任务，以及参照真实事故设计的场景。不过，Anthropic 同时承认，这些评估无法覆盖模型部署后的所有行为，Opus 5.5 仍然存在局限。

竞争单位从“每百万 Token”变成“每个任务”

发布时间点值得注意：Opus 5.5 距离 Opus 5 发布只过去了大约两个月。上一代 Opus 5 的定位是用相对较低的价格接近 Fable 系列的能力；到了 Opus 5.5，Anthropic 把性能、成本和运行效率放进了同一套说法。

从公布的信息看，更值得关注的信号是：当编码和智能体能力逐渐接近后，厂商开始比完成同一任务需要多少 Token、运行多长时间、调用多少次工具，以及能否避免改动应用原有行为，而不是只看某个基准测试又超过了谁。对开发者来说，这意味着选型时更该看单任务成本和工具调用的稳定性，而不是榜单分数。

价格方面，Opus 5.5 的输入、输出 Token 单价只下降了 20%，但 Anthropic 给出的典型任务成本降幅是 40%。原因在于评价单位正在变化：从“每百万 Token 多少钱”转向“完成一个真实任务需要多少钱”。

另有消息称，Sonnet 5.5 和 Haiku 5.5 也将在未来几周发布。届时，Opus 5.5 采用的效率和安全改进会进一步下放到中端与轻量级模型，Claude 5.5 系列的完整定位也会更加清晰。

参考链接：

https://www.anthropic.com/claude-opus-5-5

https://x.com/claudeai/status/2102435511222890900

查看原文