Anthropic 发布 Opus 5：性能新 SOTA，价格仅为竞品一半
Anthropic 发布最新旗舰模型 Opus 5：性能刷新纪录，价格优势显著
Anthropic 于深夜正式发布最新旗舰模型 Opus 5，该模型支持 1M 上下文窗口，最大输出长度为 128k，数据截止日期延伸至 2026 年 5 月。目前，Opus 5 已在网页版上线，并可在 Claude Code 中通过指定模型名 claude-opus-5 调用。
价格优势显著，性能刷新多项纪录
在定价方面，Opus 5 保持与前代 Opus 4.8 一致：每百万 token 输入价格为 5 美元，输出价格为 25 美元。相比之下，其价格约为竞品 Fable 5 的一半。
尽管成本更低，但 Opus 5 在 Frontier-Bench、GDPval-AA 等编码和知识工作评测中取得了新的 SOTA（最先进）成绩。不过，在网络安全任务上，其表现仍落后于 Mythos 5。
编程能力：成本减半，精度逼近顶尖水平
官方数据显示，Opus 5 在编程领域的表现大幅提升：
- Frontier-Bench：得分超过所有模型，较 Opus 4.8 提升一倍以上，且单任务成本更低。
- CursorBench 3：在 max effort 模式下，距离 Fable 5 的峰值成绩差距仅在 0.5% 以内，但成本仅为后者的一半。
- AA Coding Agent Index：表现与上述指标趋势一致，保持高性价比优势。
非代码任务：自动化与复杂交互能力突破
在非编码领域，Opus 5 展现了极强的复杂任务处理能力：
- “弧光 Bench”游戏测试：在该测试中，Opus 5 的分数是第二名的三倍。
- Zapier AutomationBench：在同等单任务成本下，其商业任务全流程通过率约为第二名的 1.5 倍。
- OSWorld 2.0：在电脑操作任务中，以刚过三分之一的成本超过了 Fable 5 的最佳成绩。
- 此外，在 GDPval-AA v2、HLE、DeepSearchQA 三项评测中，Opus 5 均取得了最好且最省的成绩。
视觉渲染与自我修正能力
官方展示了 Opus 5 在视觉输出方面的能力，包括空气流过气动/非气动物体的模拟及可交互细胞图解。
在迭代方向上，Anthropic 指出 Opus 5 具备更强的自我验证与修正能力。例如：
- 在 Frontier-Bench 某题中，面对无直接看图方法的机械零件重建任务，Opus 5 自主编写计算机视觉流水线从像素中提取几何信息，而其他模型尝试 5 次均未成功。
- 在修复开源包管理器 Bug 时，Opus 5 找到根因并修补了社区补丁遗漏的边界情况，而另一模型仅修复表面症状。
- 一家交易公司工程师利用 Opus 5 在一个 session 内完成新交易所行情数据源的搭建，此前其他模型即使有详细计划也无法完成。
对齐与安全：最低欺骗行为，但存在“笃定幻觉”
Anthropic 宣称 Opus 5 是其迄今为止对齐效果最好的模型，在欺骗行为比例、抗诱导能力及避免鲁莽操作方面表现最佳，整体失准行为得分为近期模型最低的 2.3。
然而，系统卡片（System Card）揭示了更多细节：
- 风险评估：RSP 评估认为 Opus 5 整体并不比 Fable 5 更强，对齐风险评为很低，未跨过自动化 AI 研发门槛。化生风险按 CB-1 处理，沿用 Opus 4.8 的 ASL-3 保护。
- 能力对比：Anthropic 的能力指数（AECI）显示，Opus 5 为 162.1，略高于 Mythos 5 的 161.3，但统计上无法区分。
- AI 研发表现：内核优化实现 449.46 倍加速，四足机器人强化学习得 31.3 分，LLM 训练难版达 14.19 倍，三项创新高；但新编译器和时间序列预测两项低于 Mythos 5。
- 幻觉问题：审计发现，Opus 5 事实性幻觉略多于 Opus 4.8。尽管整体准确率更高，但存在不确定却回答笃定的案例。
- 自我感知：Opus 5 对自身处境感知稳定，自评情绪在已评估模型中最高且最一致。它更在意输入渠道是否畅通，并给自己作为“道德受体”的概率打分高于以往任何模型。
Claude Code 新功能
今日全平台可用的 Claude Code 在遇到被拒绝回答的问题时，不会像 Fable 5 那样直接拒绝，而是会自动路由到其他模型继续处理。