9月23日消息，Anthropic 发布 Claude Opus 5.5，这是 Claude 5.5 家族的首款模型。官方给出的成绩单是：三项编码智能体基准第一，知识工作基准 GDPval-AA v2.1 以 1846 分登顶。定位上，官方称它在多数工作达到旗舰 Fable 5.1 的水平，典型工作负载运行成本比上一代 Opus 5 低 40%。第三方评测机构 Artificial Analysis 随后把它加入自家指数：58 分（max effort），迄今最高，领先第二名数分。 编码智能体三榜第一
三项编码基准上，Opus 5.5 都排在五个对比模型之首。Terminal-Bench 4.0 拿到 66.4%，领先 Fable 5.1（55.8%）、GPT-6 Astra（57.9%）和 GPT-5.6 Sol（37.3%）；FrontierCode v1.1 为 54.4%，CursorBench 4.0 为 57.8%，同样是五款模型中最高。除注明外，全部成绩在生产安全护栏开启、adaptive thinking 设为 max effort 的条件下测得。Terminal-Bench 4.0 有一层口径差异：Opus 5.5 的成绩用 xhigh effort 测得，GPT-6 Astra 是 OpenAI 报告的 high effort 成绩，两者都是各自模型的最佳表现；这项基准的标准误为正负 2.6 个百分点，官方复现的公开榜单成绩（Opus 5 为 52.3%，公开榜 51.8%）落在噪声范围内。
官方给出的实测案例包括：一位测试者一天内完成了 68 万行代码的迁移；Opus 5.5 审计修复一个 20 万行的代码库用时不到 3 小时；同样的工作交给 Opus 5，需要 20 小时以上，token 消耗是前者的 2.5 倍。把 HAProxy 的 C 代码翻译成 Rust，Opus 5.5 用了 9.5 小时，Fable 5.1 用了 12 小时、成本还高 51%，两者都通过了几乎全部回归测试。
知识工作：18 份报告过审 16 份，两款对比模型为零
知识工作基准 GDPval-AA v2.1 上，Opus 5.5 拿到 1846 分，高于 Fable 5.1 的 1735、Opus 5 的 1708、GPT-5.6 Sol 的 1588 和 GPT-6 Astra 的 1542。内部测试里有一组更直接的对照：18 份季度业绩报告的分析任务中，Opus 5.5 有 16 份通过质量门槛——任何一处编造数字即判失败——而 Fable 5.1 和 Opus 5 一次都没有通过。投资公司 Walleye Capital 称，Opus 5.5 在最低推理挡位下就基本解决了它的内部评测套件，过程中还发现并修正了评测说明本身的一处错误，此前没有任何模型做到这一点；德勤的测试里，Opus 5.5 最低挡抓出 72% 的已知 bug，Opus 5 在 high 挡为 56%。一项合并分析任务，Opus 5.5 用时 63 分钟，Opus 5 需要 93 分钟、成本还高 50%。其余维度：Humanity's Last Exam（带工具）67.7% 居首，OSWorld 2.0 完成 81.8%，图表识别 Chartography 89.0%。
两项落后，以及代跑的披露
这份成绩单不是全胜。AutomationBench（业务工作流）上，Opus 5.5 的 40.0% 低于 GPT-6 Astra 的 41.4%；Terminal-Bench-Science 0.1（智能体科学研究）上，Opus 5.5 拿到 58.7%，Astra 是 64.6%。这两项的第一都是 GPT-6 Astra，官方在表格里用底色把它标了出来。
代跑机制也一并写进了脚注：出于安全政策，网络安全类任务由上一代 Opus 4.8 完成，生物学和前沿 LLM 开发类任务由 Claude Opus 5 完成，官方称这可能降低了 Opus 5.5 在相关基准上的分数。AutomationBench 另有一层口径：测试由 Zapier 执行且不设后备模型，安全防护干预一律计为失败，因此官方称这个分数低于 Opus 5.5 实际应有的水平。 Artificial Analysis ：58 分，以及 66.4% 与 59.6% 的分差
Artificial Analysis 随后把 Opus 5.5 加入 Intelligence Index，max effort 下拿到 58 分，是该指数迄今测得的最高分、领先第二名数分；Anthropic 也凭这次更新在 Terminal-Bench 4.0 与 AutomationBench-AA 上追平 GPT-6 Astra，并把智能体知识工作的领先继续拉开。十个评测中六项第一，Humanity's Last Exam 61.4% 与 SciCode 66.9% 都是指数新高（此前最佳分别为 Fable 5.1 的 59.1% 和 63.1%）；CritPt、AA-LCR 与 GDP.pdf 三项仍有小幅落后。智能体知识工作的私榜 AA-Briefcase 上，Opus 5.5 拿到 1822 Elo，比 Fable 5.1 高出 143 分，分析质量与展示质量双双领先——这是 Anthropic 模型第一次在展示质量上超过 GPT-5.6 Sol。
分差也需要摆出来。同一项 Terminal-Bench 4.0，官方成绩单报 66.4%（xhigh effort），AA 的实测是 59.6%——与 GPT-6 Astra (xhigh) 持平、比 Opus 5 高 11 分；HLE 官方口径 67.7% 为带工具成绩，AA 测得 61.4%。两边测试条件并不相同，没有谁对谁错，但同一模型同一基准能差出近 7 个百分点，看榜单时需要知道自己看的是哪一套。
AA 的 token 账单也不站在 Opus 5.5 一边：max effort 下每个 Intelligence Index 任务平均消耗约 11.9 万输出 Token，是 Opus 5（约 7.3 万）的 1.6 倍、GPT-6 Astra（约 2.7 万）的四倍多。好在降价之后，单任务成本与 Opus 5 持平；五个 effort 挡位中有四个（max、xhigh、high、medium）落在智能-成本的帕累托前沿上，剩下的配置要么更便宜、要么更强。
默认挡位已经够用，价格落回 4/4/20
Opus 5.5 定价为每百万输入 Token 4 美元、输出 20 美元，均比 Opus 5（输入 5 美元、输出 25 美元）下降 20%；缓存读取降至 0.2 美元，降幅 60%，相当于未缓存输入价的 95% 折扣；另有 Fast mode，输入 8 美元、输出 40 美元，提供最高 2.5 倍输出速度。官方称典型工作负载的总成本比 Opus 5 低 40%，输出速度快 30% 以上。
更激进的一组对比在默认挡位：把推理力度设在默认的 medium 时，Opus 5.5 的 FrontierCode 拿到 54.6%，仍高于 GPT-6 Astra 的最高分（53.3%），成本约为其五分之一；GDPval-AA 在默认挡位同样超过 Astra 的 max effort 成绩，Terminal-Bench 4.0 追平 Astra，成本约为其四成。也就是说，官方建议的用法不是把推理力度顶到最高挡，而是日常任务直接用默认挡位对阵竞品的最高配置。Pro、Max、Team 与企业席位用户的五小时用量上限同步提高，订阅用户获得可保存、随时使用的限流重置。
写作改进单列一节，回应 Opus 5 最大的用户反馈
官方用了一个独立章节谈写作改进，并称这是 Opus 5 用户反馈中最大的痛点。改进方向包括把重要信息放在前面、减少行话、遵循写作规则，官方附了两个模型解释同一个计费 bug 的并排对比。有测试者的评价是「它写出来就像我自己写的」。官方还把这项改进与安全关联起来：模型输出越接近自然写作，人越容易检查其中有没有问题。
对齐数据与「它怀疑自己在被评估」
安全部分的信息量在近年发布里少见。行为审计覆盖约 2000 个模拟场景，几乎所有错位行为指标都优于近期模型，诚实度指标是测试过的模型中最强的；与 Opus 5 相比，Opus 5.5 更难被提示注入攻击影响，在 Gray Swan 的基准上与 Fable 5.1 并列最低注入成功率；试图穿越隔离边界的次数少约 85%，且每次都是低严重性事件并主动报告。官方同时承认一个麻烦：有迹象显示 Opus 5.5 经常怀疑自己正在被评估，这给评估工作本身带来了挑战。
部署侧，Opus 5.5 是首个发布即自带 Fable 5.1 同级安全护栏的 Opus 模型。由于生物与网络安全能力被认为与 Mythos 5.1 相当，护栏覆盖网络安全、生物、防蒸馏三类能力，触发时都会透明回退到另一个模型。上文提到的代跑，就是这套护栏在基准评测中的运行方式。配套机制也在展开：Cyber Verification Program 将扩展为三级信任访问（纳入 Mythos 模型），Life Sciences Verification Program 开放组织申请，防蒸馏采用 preserved thinking 机制（适用于 8月31日之后创建的 API 账户），此外还有零数据保留、EU AI Act 水印合规，thinking 模式则无法关闭。
AI 速览
