智东西
编译 杨京丽
编辑 李水青

智东西9月23日消息，今天凌晨，Anthropic发布Claude Opus 5.5，这是Claude 5.5系列的首款模型。Anthropic称，新模型在多数任务上的表现与Claude Fable 5.1相当，默认设置下的典型任务成本较上一代Opus 5降低40%，输出速度提升超过30%。

在官方公布的9项测试中，Opus 5.5有7项成绩领先Fable 5.1、Opus 5、GPT-6 Astra和GPT-5.6 Sol。其中，Opus 5.5在三项编程测试中均取得最高分，但在业务流程和科研Agent测试中仍落后于GPT-6 Astra。

在第三方评测机构Artificial Analysis的Intelligence榜单上，Claude Opus 5.5以58分位列第一，领先Claude Fable 5.1和GPT-6 Astra的53分。

具体任务中，Anthropic披露，Opus 5.5用9.5小时完成了将负载均衡软件HAProxy从C语言改写为Rust的任务，成本比Fable 5.1低51%；在要求逐一核对数字和引语的财报研究测试中，其生成的18份报告有16份达标，Fable 5.1和Opus 5则均未通过。此外，一名早期测试者使用Opus 5.5，不到一天完成了涉及68万行代码的迁移。

价格方面，Opus 5.5每百万输入、输出Token分别收费4美元（约合人民币26.8元）和20美元（约合人民币134元），较Opus 5下调20%；缓存读取价格较Opus 5下降60%。与此同时，Anthropic提高了多个付费套餐的五小时使用额度，并向订阅用户提供一次可自行选择使用时间的额度重置机会。

Opus 5.5已上线Claude及亚马逊云科技、谷歌云、微软Azure等平台。不过，部分专业任务仍受安全机制限制，例如大多数网络安全任务会被转交Opus 4.8处理。Claude Sonnet 5.5和Claude Haiku 5.5计划在未来几周推出。

Claude Opus 5.5发布近2个小时后，OpenAI也推出了GPT-6 Sol和GPT-6 Luna，GPT-6“宇宙”加入新成员。

一、编程成绩超过Fable 5.1、GPT-6 Astra，输入输出价格下调20%

Anthropic公布了Opus 5.5与4款模型在9项测试中的成绩，对比对象包括Fable 5.1、Opus 5，以及OpenAI的GPT-6 Astra和GPT-5.6 Sol。9项测试中，Opus 5.5有7项得分最高。

智能体编程方面，Opus 5.5在Terminal-Bench 4.0、FrontierCode v1.1和CursorBench 4.0上分别得到66.4%、54.4%和57.8%，三项都是对比模型中最高。

在业务流程测试AutomationBench和科研Agent测试Terminal-Bench-Science 0.1中，其成绩低于GPT-6 Astra。

价格方面，Opus 5.5每百万输入Token收费4美元（约合人民币26.8元），每百万输出Token收费20美元（约合人民币134元），均较Opus 5下降20%。

Claude Code和Claude Platform还提供Opus 5.5快速模式，Anthropic称其速度最高可达普通模式的2.5倍。该模式每百万输入、输出Token分别收费8美元（约合人民币53.6元）和40美元（约合人民币268元）。

二、9.5小时完成代码改写，财报测试18份报告中16份达标

编程方面，Anthropic重点展示了代码迁移、代码库审查和性能优化等长时间任务。

Anthropic称，一名早期测试者使用Opus 5.5，在不到一天内完成了涉及68万行代码的迁移。另一名测试者对一个20万行代码库进行审查和修复，Opus 5.5用时不到3小时；Opus 5完成该任务则超过20小时，消耗的Token是前者的2.5倍。

在内部测试中，Anthropic要求Opus 5.5和Fable 5.1将负载均衡软件HAProxy从C语言改写为Rust。两者改写后的版本均通过了HAProxy自身几乎全部回归测试。Opus 5.5用时9.5小时，Fable 5.1用时12小时，前者成本低51%。

另一项网页性能优化测试要求模型降低一个Web应用所有页面的加载时间。Opus 5.5在40次测试中成功39次。Anthropic称，Opus 5的优化幅度较小，且改变了应用原有行为。

Anthropic还比较了不同推理强度下的任务成本。Anthropic称，在默认推理强度下，Opus 5.5在FrontierCode上的成绩超过GPT-6 Astra，单次任务成本约为后者的20%；在Terminal-Bench 4.0上达到相近成绩时，成本约为后者的40%。这些比例对应特定测试设置，不能直接等同于所有实际开发任务的费用差异。

知识工作方面，Opus 5.5在覆盖44种职业任务的GDPval-AA v2.1中取得1846分，高于Fable 5.1的1735分和Opus 5的1708分。

Anthropic还设计了一项财报研究测试：模型只能在一个财报公告较难找到的网页副本环境中检索资料，并据此撰写公司季度业绩报告。自动评分程序会逐一核对报告中的数字和引语，任何编造都会导致不达标。

在不同推理强度下，Opus 5.5生成的18份报告中有16份通过质量门槛，Fable 5.1和Opus 5则未有报告通过。

另一项测试中，Anthropic要求模型分析两家虚构人力资源软件公司的并购交易，先用Excel建立财务模型，再生成面向管理层的演示文稿。Opus 5.5与Opus 5得出了相同的交易判断，但前者用时63分钟，后者用时93分钟，前者成本低50%。Anthropic认为，Opus 5.5的财务模型更完整，演示文稿更易读，Opus 5的结果则存在少量错误。

三、回答更简洁，越界尝试降低85%

除了任务执行能力，Anthropic还调整了Opus 5.5的写作与沟通方式，包括优先呈现关键信息、减少术语和不常见表达，以及更好地遵循用户指定的写作规则。

在官方展示案例中，两个模型被要求解释同一个问题，某客户8月的账单金额为什么出现了额外的下降。Opus 5.5在第一句话中能够直接给出结论，“计费系统重构导致月末账单出现漏计”，再解释代码边界条件如何产生错误。从篇幅来看，Opus 5.5的回答也更简洁。

安全方面，Anthropic称，Opus 5.5发布前接受了METR、Frontier Design等外部机构评估。在覆盖近2000个模拟场景的自动化行为审计中，其在几乎所有受测的不对齐行为指标上优于近期Claude模型。

在一项测试模型是否试图突破隔离边界的新评估中，Opus 5.5尝试绕过边界的频率，较Opus 5或Claude Mythos 5.1降低约85%。按照官方描述，Opus 5.5出现的相关尝试均被评为低严重程度，且模型自行报告了这些行为。

提示词注入方面，Anthropic称，Opus 5.5在编程、工具调用、计算机操作和网页浏览等受测场景中的防御表现不弱于Opus 5。在AI安全公司Gray Swan开展的一项测试中，Opus 5.5与Fable 5.1并列取得受测模型中最低的提示词注入攻击成功率。

不过，Anthropic同时承认，部署前评估仍无法可靠发现所有失效情况。测试中，Opus 5.5经常疑似意识到自己正接受评估，这会增加判断其真实部署行为的难度。

针对后续模型，Anthropic计划加强强化学习训练环境筛选、调整对齐奖励、增加安全训练场景，并改进基于可解释性的监控和评估，减少对模型所写思维链的依赖。这些属于后续安全工作方向，并非已经验证有效的结果。

四、部分安全任务转交旧模型，订阅额度同步提高

Opus 5.5此次上线附带了与Fable 5.1类似的网络安全、生物学和反蒸馏防护机制。触发相关限制时，请求会转交其他模型处理。

网络安全方面，用户仍可在日常软件开发中查找和修复代码漏洞，但大多数网络安全任务会被转交Opus 4.8。Anthropic计划在未来几周扩大网络安全验证计划，将Opus 5.5纳入其中，并设置三个不同权限等级，部分等级可使用Claude Mythos模型。

生物研究方面，Anthropic称，Opus 5.5在多个任务上的能力达到或超过Claude Mythos 5.1，因此采用了与Fable 5.1相同的生物学防护措施。受相关限制影响的学术实验室、初创公司和药企，可申请生命科学验证计划，经审核后获得适用于更广泛生物研究工作的访问权限。

反蒸馏方面，Opus 5.5启用了“保留思考”（preserved thinking）机制，限制API用户通过修改Claude此前上下文来提取模型推理。该机制适用于2026年8月31日及之后创建的API账户，覆盖Fable 5.1和Opus 5.5。

数据处理方面，Opus 5.5继续提供零数据保留选项，并加入Anthropic所称用于满足欧盟《人工智能法案》要求的水印措施。同时，该模型不再提供关闭思考模式的选项。

Opus 5.5已上线Claude及亚马逊云科技、谷歌云、微软Azure等平台，开发者可通过模型标识claude-opus-5-5调用。

订阅方面，Anthropic提高了Pro、Max、Team及按席位计费的Enterprise套餐的五小时使用额度。订阅用户还将获得一次使用限额重置机会，可保留至需要时使用。

结语：长任务的效率与成本成为升级重点

Opus 5.5此次更新的主要变化，是在提高部分编程和知识工作测试成绩的同时，也着重降低了完成任务所需的时间和费用。对于需要持续运行的Agent，这些变化直接关系到实际使用成本。

不过，官方测试中的优势能否延续到真实业务中，还取决于任务复杂度、结果准确性，以及安全限制对任务执行的影响。

来源：Claude