Claude Opus 5.5 发布

Opus 5.5 是 Claude 5.5 家族的第一款模型：多数工作接近 Claude Fable 5.1 的水平，运行成本比 Opus 5 低 40%。

一句话看懂

• 这是 Anthropic 提出“控制前沿节奏”（pacing the frontier）后的首个发布，发布前经过 METR、Frontier Design 等外部机构测试；
• 官方称它在自家最全面的对齐测试（自动化行为审计）里是目前表现最好的模型；
• Sonnet 5.5 和 Haiku 5.5 会在之后几周陆续推出。

性能

• 早期测试者用它在不到一天内完成 68 万行代码迁移（团队要干几周）；
• 让它给一个网页应用的所有页面提速，40 次里成功 39 次；Opus 5 的改进更小，还改变了应用行为；
• 另一位测试者让多个 Claude 模型用一条提示词做游戏，Opus 5.5 的画面和完成度得分最高。

成本与速度

• 输入 $4、输出 $20 /百万 token，比 Opus 5 低 20%；缓存读取 $0.20，比 Opus 5 低 60%（缓存读取占 Agent/编程花费的大头）；
• 官方测试：默认设置下，典型工作负载总花费比 Opus 5 低 40%；输出速度快 30% 以上；
• Pro、Max、Team 和按席位的 Enterprise 提高了 5 小时用量上限，订阅用户还获得一次可自选时间使用的限额重置；
• 快速模式（fast mode）在 Claude Code 和 Claude Platform 提供，最高 2.5 倍速度，$8/$40 每百万 token。

评测成绩（官方表格）

• Terminal-Bench 4.0：66.4%（Fable 5.1 55.8%、Opus 5 52.3%、GPT-6 Astra 57.9%、GPT-5.6 Sol 37.3%）；
• CursorBench 4.0：57.8%；GDPval-AA v2.1：1846 Elo；AutomationBench：40.0%（GPT-6 Astra 41.4%）；
• Terminal-Bench-Science 0.1：58.7%（GPT-6 Astra 64.6%）；OSWorld 2.1：81.8%；Chartography：89.0%；
• 官方也提醒：到了这个水平，评测分差越来越难反映真实差距，自家使用中 Opus 5.5 与 Fable 5.1 的差距比分数显示的更小；除特别注明外，Opus 5.5 成绩为 max 档、开启自适应思考。

编程

• 擅长整库迁移、审计这类又长又杂的活：一位测试者 3 小时内审计修复 20 万行代码库，Opus 5 用了 20 多小时、token 多 2.5 倍；
• 内部测试把 HAProxy 从 C 翻译成 Rust：Opus 5.5 用 9.5 小时（Fable 5.1 为 12 小时），成本低 51%，两者都通过了几乎全部回归测试；
• 默认档（medium）下 FrontierCode 54.6%，以约 1/5 的单题成本超过 GPT-6 Astra 最高分；CursorBench 52.5%，以约 1/3 成本领先 GPT-5.6 Sol 11 分。

安全的编程 Agent

• 每个动作执行前都有分类器筛查，提供可审计的开源沙箱，代码审查能在合并前发现漏洞；
• 提示词注入防御在编程、工具、电脑操作、网页浏览各场景都不弱于 Opus 5；Gray Swan 的测试中与 Fable 5.1 并列注入成功率最低。

知识工作

• 内部测试：在“很难找到财报原文”的网页副本里写季度业绩报告，18 份中 16 份通过严格核查（编造任何数字或引语即不合格），Fable 5.1 和 Opus 5 一次都没通过；
• 模拟并购分析：Excel 建模 + 高管汇报，Opus 5.5 用 63 分钟（Opus 5 为 93 分钟），成本低 50%，模型更完整、汇报更易读；
• GDPval-AA v2.1（44 种职业的真实工作）1846 Elo；默认档以约 1/5 成本超过 max 档的 GPT-6 Astra。

沟通与写作

• 回答把最重要的信息放在前面，少用术语，遵守你给的写作规则；
• 官方给了两组对比示例：一个计费 Bug 的排查说明、一段 Slack 讨论的三点摘要，Opus 5.5 的版本更短、更直接。

安全与防护

• 生物和网络安全能力接近 Claude Mythos 5.1，因此采用与 Fable 5.1 类似的防护：多数网络安全任务会转给 Opus 4.8 处理，日常找 Bug、修 Bug 不受影响；
• 生物研究可申请“生命科学验证计划”，安全从业者可申请“网络安全验证计划”；
• 默认开启“保留思考”（preserved thinking）防蒸馏机制；支持零数据保留；不再提供关闭思考的模式。

上线平台

• Claude 应用、Claude Platform（模型 ID claude-opus-5-5），以及 AWS、Google Cloud、Microsoft Azure；迁移细节见官方迁移指南。

早期客户反馈（官方页面引用，以下为中文概括）

• GitHub（Mario Rodriguez，首席产品官）：在 GitHub Copilot CLI 和 VS Code 测试中，Opus 5.5 的 token 和步数都是最少的一档；在 VS Code 里用不到一半的步数解决了比 Opus 5 更多的终端任务，让大项目更可行。
• Clio（Sean Heintz，资深软件开发）：把横跨 6 个仓库的大型工程任务交给它通宵无人值守，连续工作 18 小时以上，定义服务之间如何通信；比 Opus 5 更快达到里程碑、几乎不用返工，代码注释简短有用。
• Lovable（Fabian Hedin，CTO 兼联合创始人）：对 Lovable 用户意味着同样质量下更快完成构建：一次收集上下文、改动更少更完整、不会卡在反复重试，步数少 1/3 到一半，token 也明显更少。
• Quantium（Harley Barnes，AI 技术执行经理）：在 Chat、Cowork 和 Claude Code 全面测试：一个以前要 4 天、38 条提示词的复杂编程任务，变成 3 小时、11 条提示词，产出更接近可上线、返工更少。
• Spotify（Aleksandar Mitic，高级工程师）：内部评测中 token 效率明显提升，同样的任务完成得更便宜也更快。
• Optiver（Noyan Tokgozoglu，AI 工程全球负责人）：在真实工程和交易台任务上，Agent 编程质量与 Opus 5 持平，但轮数、时间和输出 token 约减半，成本降 40%–50%；某交易台支持测试创下最高分，分析任务在 8 个模型里排第一。
• Column（Mitch Fierro，工程）：更会分派子代理，也会用有创意的方式自查；在云账单里找到以前模型漏掉的省钱机会；代码审查时查阅第三方集成的外部文档，揪出几个提交前就建模错了的 Bug。
• Kiro（Deepak Singh，Agentic AI 副总裁）：在真实命令行任务的公开评测中，比 Opus 5 解决得更多，调用次数少约 40%、token 用量减半；Kiro 即将接入。
• 德勤咨询（Deloitte Consulting LLP）（Carl Bennett，CIO）：即使在最低 effort 档，也能在代码审查中抓到 72% 的已知 Bug（Opus 5 在 high 档为 56%），误报更少、输出更短；美国咨询分析任务中，低档用一半输出就达到高档水平并通过质检。
• Rogo（Strib Walker，产品负责人）：在最低 effort 档就在 BigFinance Bench 上超过 high 档的 Opus 5，输出 token 少约 60%；回答更短、结构更好，幻灯片信息更密、更符合行业标准。
• LexisNexis Legal & Professional（Min Chen，首席 AI 官）：初步评估中，能稳定找到高度相关的判例引用，善于处理成文法，并围绕核心法律框架和关键问题组织回答。
• Walleye Capital（Frank Corrao，中央股票量化研究工程负责人）：最低档已基本解决评测任务；更高档时还发现他们自己说明里的“分钟索引差一位”错误并加以纠正，还提醒这样做会被评分器扣分——它是对的，之前没有模型发现过。
• Hex（Izzy Miller，AI 工程师）：不会停在第一个看似合理的答案：DataBench 里“包裹是晚到了还是追踪慢”一题，Opus 5 看了签收记录就说追踪正常；Opus 5.5 发现包裹确实晚到、追踪也坏了。Hex 将在其 Agent 中采用。
• 汤森路透实验室（Thomson Reuters Labs）（Omar Bari，应用研究副总裁）：CoCounsel 结合多模型处理复杂法律工作；Opus 5.5 在专家评估和内部基准上表现更好，速度和 token 效率也有提升，更适合作为来回讨论、权衡证据的“参谋”。
• Hebbia（Aabhas Sharma，CTO）：在按专家评分标准打分的端到端金融工作流中，覆盖 86.6% 的要点（Opus 5 为 60.3%）；检索评测中引用召回率创新高，token 效率也更好。
• Viktor（Peter Albert，联合创始人）：Viktor 是住在 Slack 和 Teams 里的 AI 员工；同样 effort 下，每个任务步数和工具调用更少，成本接近减半，最难任务的正确数翻倍。
• Ramp（John Ruelas，资深软件工程师）：解决了“输出啰嗦难懂”的老问题：写起来像个好同事，遵守写作规范；设计文档几乎不用改；优化测试套件时推理清晰，可以放心上线。
• Stripe（Cristian Rivera，资深软件工程师）：在一次为期多天、40 个叠加 PR 的 rebase 中，一个 Opus 5.5 会话指挥另外十几个会话，把每个冲突讲清楚；留给人拍板的问题描述得很清楚，离开几小时回来几分钟就能答复；第二天下午 40 个 PR 全部通过 CI。
• Box（Yashodha Bhavnani，AI 产品副总裁）：评估中 token 用量只有 Opus 5 的 1/3，回答啰嗦程度降 40% 且不损准确性，对金融、公共部门等大规模内容 Agent 很重要。
• Chicago Trading Company（Austen Tomek，首席工程师）：通宵自主处理了湖仓服务层的一个 Bug：自己调查、设计并实现修复，早上已经通过测试；PR 和面向用户的文档几乎不用改。
• Factory（Zimu Li，技术人员）：第一个他们愿意默认用 medium 档的模型：效果与 high 档的 Opus 5 相当，输出 token 少 20%–25%；长而杂的排查最后总能给出清晰可执行的结论。