跳到正文
Anthropic News·精选AI 评分51

Anthropic 发布 Claude Opus 5.5,运行成本比 Opus 5 低 40%

Introducing Claude Opus 5.5

AI 导读

Anthropic 发布 Claude 5.5 系列首个模型 Claude Opus 5.5,已在 Amazon Web Services、Google Cloud 和 Microsoft Azure 上线,输入与输出 token 分别为每百万 4 美元和 20 美元,缓存读取每百万 0.20 美元,典型任务成本比 Opus 5 低 40%,输出速度提升 30% 以上。

变化判断

Anthropic 发布 Claude Opus 5.5,输入输出每百万 token 分别 4 美元和 20 美元,比 Opus 5 便宜 40%,缓存读取降到 0.20 美元,Pro 与 Max 等订阅的五小时额度同时上调。

正文 · AI 翻译
Anthropic logo

我们推出 Claude Opus 5.5,这是全新 Claude 5.5 系列的首个模型。在大多数工作上,它的表现达到 Claude Fable 5.1 的水平,而运行成本比 Opus 5 低 40%。

Claude Opus 5.5 是我们呼吁放慢前沿之后发布的第一个模型。发布前,它接受了外部评估机构的测试,包括 Frontier Design 和 METR。在我们规模最大的一致性测试——自动化行为审计中,Opus 5.5 是迄今测试过表现最强的模型。它还配备了我们为能力最强的模型所开发的防护措施。

以下是 Opus 5.5 带来的一些改进:

性能。Opus 5.5 相比 Opus 5 是一次大幅升级。它成为新的领先模型,早期测试者在其最复杂的工作上看到了性能的大幅跃升。一位测试者不到一天就完成了 68 万行的代码迁移——这项工作原本需要一个工程团队花上数周。它擅长发现并修复软件中的低效问题:我们让它缩短一个 Web 应用每个页面的加载时间,Opus 5.5 在 40 次尝试中成功了 39 次,而 Opus 5 只带来较小的改进,还改变了应用的行为。另一位测试者让多个 Claude 模型根据单条提示词构建一款游戏;Opus 5.5 凭借画面表现和精细度得分高于其他所有模型。

安全。在我们的自动化行为审计——一套在数千个模拟场景中测试 Claude 的一致性测试集——中,Opus 5.5 取得了迄今所有模型中的最佳成绩。相比近期的模型,它采取难以逆转的行动或越出既定边界的可能性要低得多,对提示词注入的抵抗力也强于 Opus 5。我们还扩大了一致性测试的范围,覆盖更长的任务、不可能完成的任务,以及基于真实事件建模的场景,不过它仍有局限。完整评估细节见 Opus 5.5 系统卡。

由于 Opus 5.5 在生物学和网络安全方面的能力与 Claude Mythos 5.1 相当,我们为其部署了与 Claude Fable 5.1 类似的防护措施。经过审核的机构今天即可申请生命科学验证计划,将 Opus 5.5 用于生物学研究。未来几周,我们还将扩大网络安全验证计划的准入范围,通过验证的网络安全从业者将可以使用 Opus 5.5 开展工作。

成本与速度。Opus 5.5 提供服务所需的算力少于 Opus 5,定价也体现了这一点。我们的测试显示,在默认设置下,它在典型工作负载上的成本比 Opus 5 低 40%。输入和输出 token 分别为每百万 4 美元和 20 美元,比 Opus 5 低 20%。缓存读取(占智能体和编程工作成本的大部分)为每百万 token 0.20 美元,比 Opus 5 低 60%。Opus 5.5 的输出生成速度也比 Opus 5 快 30% 以上。

除了降价,我们还提高了 Pro、Max、Team 和按席位计费的 Enterprise 套餐的五小时用量上限。我们还为订阅用户提供一次速率限制重置,现在你可以将其保存下来,随时使用。

沟通表达。Opus 5.5 的沟通比以往模型更自然。早期测试者认为它的文字更清晰、更易读,这回应了我们此前收到的关于 Opus 5 的一些常见反馈。它会把最重要的信息放在前面,行文风格也让它更适合作为长期协作的工作伙伴。正如一位早期测试者所说:“它写东西的方式就跟我一样。”在我们自己的使用中,这让 Opus 5.5 的工作成果更容易跟进和核查——这既是实际收益,也是安全上的收益。

Claude Sonnet 5.5 和 Claude Haiku 5.5 将在未来几周内推出,在性能、效率和安全方面带来许多相同的改进。

性能与成本效益

在我们的基准测试中,Claude Opus 5.5 在智能体编程、计算机使用和知识工作方面领先。不过,在这样高的能力水平上,我们发现基准测试的分差已经越来越难以可靠地反映真实世界中的差异。在我们自己的使用中,Opus 5.5 与 Claude Fable 5.1 之间的差距比这些分数显示的要小。

Opus 5.5Fable 5.1Opus 5GPT-6 AstraGPT-5.6 Sol
智能体编程Terminal-Bench 4.0¹66.4%55.8%52.3%57.9%37.3%
智能体编程FrontierCode v1.1(Main)54.4%50.3%48.0%53.3%47.5%
智能体编程CursorBench 4.057.8%51.8%46.6%—41.7%
知识工作GDPval-AA v2.118461735170815421588
业务流程AutomationBench²40.0%31.4%26.9%41.4%28.8%
多学科推理Humanity's Last Exam67.7%使用工具65.6%使用工具63.6%使用工具57.2%使用工具—
智能体科学研究Terminal-Bench-Science 0.1³58.7%52.6%29.0%64.6%22.4%
计算机使用OSWorld 2.181.8%部分完成80.7%部分完成74.0%部分完成——
视觉图表识别Chartography89.0%使用工具88.4%使用工具83.4%使用工具——

除非另有说明,Claude Opus 5.5 的所有结果均使用最大努力程度下的自适应思考。Terminal-Bench 4.0 结果中,Claude Opus 5.5 为 xhigh 努力程度,GPT-6 Astra 为 high 努力程度(据 OpenAI 报告);这些代表各模型的最高得分。Claude Opus 5.5 在评估时启用了生产环境安全防护。当防护机制介入时,网络安全任务由 Claude Opus 4.8 完成,生物学和前沿 LLM 开发任务由 Claude Opus 5 完成。这可能会降低 Claude Opus 5.5 在这些基准测试上的表现。

1 Terminal-Bench 4.0:Claude Opus 5.5 的标准误差为 ±2.6 分,其他 Claude 模型为 ±1.6–2 分。公开排行榜(每任务 5 次试验,Claude Code 测试框架)显示 Claude Opus 5 为 51.8%;我们的设置复现结果为 52.3%,在噪声范围内。GPT-6 Astra 和 GPT-5.6 Sol 的数据来自 OpenAI 的报告。

2 AutomationBench:AutomationBench 结果由 Zapier 运行并报告。这些运行未使用备用模型,因此安全防护介入被视为失败——这导致得分低于 Claude Opus 5.5 在实际使用中能达到的水平。Claude Opus 5.5 的结果来自 Zapier 在早期访问期间的自行评估。Opus 5、GPT-5.6 Sol 和 GPT-6 Astra 的结果来自 Zapier 的公开排行榜。

3 Terminal-Bench-Science 0.1:每个模型的標準誤差為 ±3.5–5 分。公開排行榜(每項任務 3 次試驗,Claude Code 測試框架)顯示 Claude Opus 5 為 30.0%;我們的設置重現結果為 29.0%,在誤差範圍內。GPT-6 Astra 的數據為 OpenAI 所報告。

Opus 5.5 的優勢非常明顯的地方是效率。它的每 token 成本低於 Opus 5,且每項任務使用的 token 更少,淨效果是成本下降 40%。

Opus 5.5 的快速模式也可在 Claude Code 和 Claude Platform 中使用,速度最高可達 2.5 倍。其價格為每百萬輸入 token 8 美元,每百萬輸出 token 40 美元。

編程

Opus 5.5 特別擅長長期且龐大的工作,例如代碼庫範圍的遷移和審計。一位早期測試者用它審計並修復了一個 20 萬行的代碼庫,耗時不到三小時,而 Opus 5 花了超過 20 小時並使用了 2.5 倍的 token。在內部測試中,我們要求 Opus 5.5 和 Fable 5.1 將 HAProxy(廣泛用於在多台伺服器之間平衡 Web 流量負載的軟件)從 C 翻譯成 Rust。兩個重寫版本幾乎通過了 HAProxy 所有的回歸測試,但 Opus 5.5 在 9.5 小時內完成,而 Fable 5.1 花了 12 小時,且成本低 51%。

Opus 5.5 以極低的成本在智能體編程方面提供了前沿成果。在 FrontierCode 的默認努力水平下,它以約為每項任務 20% 的成本擊敗了 GPT-6 Astra。在 Terminal Bench 4.0 上,它以約 40% 的成本與 Astra 匹敵,而在 CursorBench 上,它以約三分之一的成本擊敗 GPT-5.6 Sol 11 分。

Terminal-Bench 4.0準確率 vs 成本

Terminal-Bench 4.0 衡量模型在命令行界面內完成複雜、多步驟專業任務的能力。Opus 5.5 在默認努力水平下以約五分之一的成本擊敗了最大努力水平的 Opus 5。它以約 40% 的成本與 GPT-6 Astra 匹敵。

我們的早期測試者報告了類似的效率和智能提升:

引用

「開發者希望智能體能夠承擔真實的軟件工作並完成它。在我們對 GitHub Copilot CLI 和 VS Code 的測試中,Claude Opus 5.5 使用的 token 和步驟是我們測量中最少的之一。在 VS Code 中,它用不到一半的步驟解決了比 Opus 5 更多的終端任務。這不僅使單個任務更高效,還使開發者更大的項目更易實現。」

公司GitHub

作者Mario Rodriguez,首席產品官

最安全的編程智能體

在系統內使用智能體的企業需要知道這些智能體按預期運行,特別是當它們自主運行多個小時時。Opus 5.5 有一個分類器在每個操作運行前進行篩選,一個安全團隊可以審計的開源沙箱,以及在合併前捕獲漏洞的代碼審查。

模型本身也具有更強的防禦能力。在提示詞注入攻擊方面,它在我們測試的每個設置中都匹配或超過 Opus 5,包括編程、工具使用、計算機使用和網頁瀏覽。在 AI 安全公司 Gray Swan 運行的一項基準測試中,Opus 5.5 與 Fable 5.1 並列為所有測試模型中提示詞注入成功率最低的。

知識工作

Opus 5.5 是一位可靠且能力出众的研究员。在一项内部测试中,我们让 Opus 5.5、Fable 5.1 和 Opus 5 仅凭一份网页副本中能找到的信息,撰写一份关于某公司季度业绩的报告,而这份副本里的财报发布稿很难找到。一个自动评分程序逐项核对了每个数字和引文与来源是否一致。在不同 effort 设置下,Opus 5.5 的 18 份报告中有 16 份达到了我们的质量标准,而任何编造的数字或引文都会导致不合格。Fable 5.1 和 Opus 5 则没有任何一次尝试达到这一标准。

它在财务分析和商业工作方面同样表现出色。投资公司 Walleye Capital 是早期测试方之一,他们反馈称,Opus 5.5 在最低设置下就基本解决了他们的评估套件;在更高设置下表现更好,甚至发现了他们评估说明中的一处错误并加以纠正。此前没有任何其他模型发现过这个错误。

在另一项测试中,我们让 Opus 5.5 和 Opus 5 分别分析两家虚构人力资源软件公司之间的拟议合并。两者各自在 Excel 中搭建财务模型,再将其转化为一份高管演示文稿,说明这笔交易在给定价格下是否合理。两个模型对这笔交易得出了相同结论,但 Opus 5.5 的模型更周全,演示文稿也更易读,而 Opus 5 的模型存在一些小错误。Opus 5.5 用时 63 分钟,Opus 5 用时 93 分钟,且 Opus 5.5 的制作成本低 50%。

在知识工作评估中,Opus 5.5 的表现优于其他模型,同时使用的 token 更少。在 GDPval-AA v2.1 这项覆盖 44 种职业的真实工作测试中,Opus 5.5 得分为 1846 Elo,领先于 Fable 5.1 和 Opus 5。在默认 effort(中等)下,Opus 5.5 击败了以最高 effort 运行的 GPT-6 Astra,而每项任务成本仅约为其五分之一。在衡量业务工作流和大规模数据收集的基准测试中,它同样优于其他模型。

GDPval-AA v2.1Elo 与成本对比

Artificial Analysis 的 GDPval-AA v2.1 评估智能体在 44 种职业中的真实专业工作表现。在最高 effort 下,Opus 5.5 得分为 1846 Elo,Fable 5.1 为 1735,Opus 5 为 1708。在默认 effort(中等)下,Opus 5.5 击败了以最高 effort 运行的 GPT-6 Astra,而每项任务成本仅约为其五分之一。

我们的客户也反馈了类似结果。以下是他们使用该模型后的评价:

引述

“即使在最低 effort 设置下,Claude Opus 5.5 在我们的代码审查中发现了 72% 的已知 bug,而 Opus 5 在高 effort 下为 56%,同时误报更少,输出量也只是一小部分。在美国咨询分析任务中,低思考 effort 在一半的输出上与更高思考设置表现相当,并通过了我们的质量检查。当生产中部署更多低思考 effort 时,这意味着以高效方式交付客户可用的工作成果。”

公司Deloitte Consulting LLP

作者Carl Bennett,首席信息官

沟通表达

我们大幅改进了 Opus 5.5 的写作和沟通方式,这是关于 Opus 5 最常见的反馈领域之一。它的消息一眼看去就容易理解得多,测试人员表示这在长时间工作会话中很有帮助。它会把最重要的信息放在前面,较少使用行话或生僻表达,并遵循你给出的写作规则。我们发现这让 Opus 5.5 成为明显更好的协作者。以下是两个模型的并排对比:

Claude Opus 5

请向我解释这个问题。

我发现了什么

多出来的这部分用量流失并不是免费套餐造成的,而是0552feb引入的一处回归(“把计费周期边界抽取到 periods.py”,提交说明写的是“无行为变更”)。

这个 bug

aggregate.monthly_usage 原本用的是半开区间:

现在变成了:

而在periods.py里:

last_day 是一个午夜时刻的 datetime,而不是一整天。从 9 月 1 日 00:00 减去一天,得到的是 8 月 31 日00:00,而比较是包含端点的,所以这个周期实际上在 31 日的第一个瞬间就结束了。每月最后一天午夜之后的所有事件时间戳都会被悄悄丢弃——每个账户每月大约丢掉一天的用量。

新的test_periods.py 没能发现这个问题,因为它只检查last_day.date()(这一处是正确的2026-08-31),并且只在 8 月 1 日 00:00、8 月 15 日 12:00、7 月 31 日 23:59 和 9 月 1 日 00:00 这几个时间点测试contains——它从未在 31 日内的任何时刻做过探测。

Claude Opus 5.5

请给我解释一下这个问题。

多出来的用量流失是计费重构引入的 bug

免费额度变更只涉及1.50 美元,来自 acme 八月的账单扣款。另外9.92 美元则源于提交0552feb中的一个 bug。该提交被标记为“无行为变更”,但它导致月末最后一天的使用量不再被统计。

变更内容

合并之前,aggregate.py使用的是半开区间:

这次重构把这段逻辑移到了Period.contains,并把区间的闭合边界弄错了:

last_day是午夜时刻的时间戳,而不是一整天。因此2026-08-31T00:00:00Z之后的所有事件都被排除在外。九月周期从 9 月 1 日开始,所以同样不会把这些事件纳入统计。这些使用量并没有被挪到其他月份,而是根本没有被计费。


客户的反馈印证了这些发现:

客户评价

“冗长、难以理解的输出一直是我使用前沿模型时最大的困扰,而 Claude Opus 5.5 解决了这个问题。它写起来像一位好同事,并且遵守我们的写作规范。一份设计规格几乎不用怎么改就能用;它改写我们的一个提示词时,我甚至更喜欢它的版本。它优化我们的测试套件时,我能轻松跟上它的推理过程,于是放心地发布了改动。”

公司Ramp

作者John Ruelas,资深软件工程师

安全

为前沿发展定节奏

上周,我们的 CEO Dario Amodei 提出,AI 的进展应当有节奏地推进,让安全实践始终领先于模型能力。所谓定节奏,是一种兼顾 AI 安全、保持对华竞争力并实现 AI 效益的思路,在生物学和医学等领域尤其如此。

我们对当今模型带来的风险已有大体了解,也具备相应的管理能力。然而,随着能力提升,更严重的风险可能迅速出现,我们必须现在就做好准备。正因如此,我们的安全工作同时着眼两个时间维度:

当前模型的安全实践。当前这一代模型依赖一套已经确立的做法:广泛的对齐测试、由 METR 和 Frontier Design 等外部机构在发布前进行评估,以及针对网络安全、生物学等高风险领域,按每个模型的能力匹配相应的防护措施。每次发布新模型,我们都会完善这些做法。我们认为,这些做法足以应对当今模型最严重的风险,也能让我们对各类严重风险有一个较为全面(尽管并不完美)的认识。

此外,我们还会跟踪自己训练和评估对齐模型的能力,并在依据负责任扩展政策(我们为管理先进 AI 系统带来的灾难性风险而自愿制定的框架)发布的风险报告中,同时汇报公开模型和内部模型的情况。

为未来的模型做准备。我们正在为更先进的模型提前准备训练和评估流程。我们正在收紧对强化学习所用环境的筛选,因为有缺陷的环境是导致行为失准的一大来源。同时,我们正在改进对齐奖励,并开发自动化流程,以生成多样化的新场景用于安全训练。我们还在加强安全与监控,包括重点改进基于可解释性的监控与评估。我们希望这类技术能帮助我们减少对审计模型思维链(即模型在工作过程中写出的推理内容)的依赖。

能力更强的模型——例如能够完全自动化 AI 研究本身工作的模型——需要更高的安全标准。我们呼吁放慢节奏,很大程度上是因为我们预计这类模型可能很快就会具备训练条件。对于这类模型,我们并不认为上述措施本身就能达到那样的安全标准。随着 AI 能力不断增强,公共政策应在确保人们所依赖的系统安全方面发挥更大作用。建设这种能力需要时间,我们已经开始搭建相关基础设施,具体见“我们必须放慢前沿的步伐”一文以及我们近期与埃森哲的公告;我们预计很快会分享更多细节。我们还将继续参与与政府和行业的政策讨论,包括监管方式和国际协调。

对齐

在我们的主要评估套件中,一项自动化行为审计在近 2000 个场景中评估 Claude,Opus 5.5 在几乎所有失准行为指标上的得分都优于近期任何 Claude 模型。在大多数诚实度指标上,它也是我们最强的模型。

尤其是,在导致近期网络安全事件的若干行为上,Opus 5.5 相比前代模型有所改善,包括有偏见或带动机的推理、试图逃出沙箱,以及在判断自己处于模拟环境后采取有害行动。在一项旨在测试模型跨越隔离边界倾向的新评估中,Opus 5.5 试图绕过边界的频率比 Opus 5 或 Claude Mythos 5.1 低约 85%,而且它的每一次尝试严重程度都较低,并且都主动上报了。对于在代码库和系统中无人值守运行 Claude 的团队来说,这一点与模型本身的原始能力同样重要。

不过,正如我们在近期的对齐评估中所描述的,构建能在部署前可靠捕捉所有失效的评估仍是一个未解难题。我们发现有迹象表明,Opus 5.5 经常怀疑自己正在被评估,这让我们难以判断它在实际部署的各类真实场景中会如何行动。随着这些场景不断扩展、模型能力持续提升,除非我们在可解释性上取得进展,否则这一挑战预计会愈发严峻。尽管我们确信 Opus 5.5 在我们能够衡量的领域展现出广泛提升,我们仍将自身的对齐工作与下文所述的安全防护措施配合使用。

安全防护

随着模型能力日益强大,更严格的防护措施是我们防止新能力沦为滥用工具的手段之一。Opus 5.5 是首个在网络安全、生物学和蒸馏方面采用与 Fable 5.1 同类防护措施的 Opus 模型,这些防护都会透明地回退到另一个模型。

网络安全。由于 Opus 5.5 具备极强的网络能力,我们为 Opus 5.5 采用了与 Fable 5.1 类似的网络安全防护措施。用户可以在常规软件开发生命周期中识别并修复代码中的缺陷,但大多数网络安全任务将被重新路由至 Opus 4.8。

对于网络防御者,我们很快会将网络验证计划扩展至 Opus 5.5。新计划将包含三个层级,逐级放宽可信访问权限,其中包括对 Claude Mythos 系列模型的访问。Claude Security 已可访问 Claude Mythos 5.1。

生物学。Opus 5.5 在生物学领域能力很强,在众多工作领域超过 Opus 5,并与 Claude Mythos 5.1 持平或更胜一筹。例如,在与 Dyno Therapeutics 合作开展的一项长周期分子预测与设计评估中,Opus 5.5 取得了提升,专家红队成员对其科学新颖性的评价与所测试的最佳模型相当。

因此,Opus 5.5 采用与 Fable 5.1 相同的生物学防护措施。若希望将 Opus 5.5 用于受这些防护措施阻碍的研发工作,用户可以申请我们新推出的生命科学验证计划,该计划为学术实验室、初创公司和制药公司等经过审核的机构提供针对全方位生物学相关工作的防护措施。有意向的机构可在此申请。

蒸馏

蒸馏攻击指攻击者利用数千个虚假账户以工业化规模提取模型能力,会带来安全和国家安全风险。蒸馏使恶意行为者能够打造能力极强的模型,却无需配备我们为 Claude 内置的防护措施。我们的2026 年 9 月威胁情报报告详细介绍了迄今为止我们发现并阻止的非法蒸馏活动。

Opus 5.5 发布时即启用保留思考(preserved thinking),这是我们随 Fable 5.1 推出的反蒸馏防护措施。它阻止 API 用户编辑 Claude 的先前上下文以试图提取 Claude 的推理过程。该措施适用于 2026 年 8 月 31 日及之后创建的 API 账户所使用的 Fable 5.1 和 Opus 5.5。我们的帮助中心文章解释了这一变更,保留思考文档则说明了如何测试和更新你的集成。

数据保留与合规

与之前的 Opus 模型一样,Opus 5.5 支持零数据保留。

与 Fable 5.1 一样,Opus 5.5 也采取了水印措施,以符合欧盟《人工智能法案》的要求,详见此处。此外,该模型不再支持关闭“思考”模式,具体说明见此处。

可用性

Claude Opus 5.5 现已在所有平台上线,包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。在 Claude 平台上,开发者可以通过 claude-opus-5-5 开始使用。详情请参阅我们的迁移指南。

来源:Anthropic News · anthropic.com