Claude Opus 5.5突袭！68万行代码一天迁完，API价格打8折

梦晨 听雨 发自 凹非寺

量子位 | 公众号

最新旗舰Opus 5.5跑分登顶！

在代码、知识工作、计算机操作等多项基准测试中拿下第一的同时，输出速度也比Opus 5快了30%以上。

这暂停得好好的前沿，怎么不到两周又被推进了。

那CEO Dario 发表的“放缓前沿”公开信算什么？

算他能发。

这届模型开始拿代码当画笔

目前看到比较新颖的测试是用纯代码生成图像，SVG鹈鹕骑自行车已经被刷爆了，这次是更复杂的渲染。

类似的能力可以扩展成用纯js代码生成渲染视频。

多项跑分登顶，API价格打8折

他们说任务成本降4成，但API价格并没有直接打6折。

Opus 5.5的输入、输出价格分别是每百万Token 4美元和20美元，相比Opus 5下降20%。

再加上完成同一任务需要的步骤和Token更少，测算，典型任务的总成本可以下降40%。

真正下狠手的是缓存读取价。这一项从Opus 5的每百万Token 0.50美元，直接降到0.20美元，砍了60%。

做Agent编程的都知道，长对话和大型代码任务需要反复读取上下文，缓存读取经常占据成本的大头。相比账面上的API单价，这一刀可能更有实际体感。

另外还有一个Fast mode，输出速度最高可达标准模式的2.5倍，价格也翻倍至每百万输入Token 8美元、输出Token 40美元，适合对延迟特别敏感的场景。

订阅用户也加量了，Pro、Max、Team和按席位收费的企业版，五小时使用限额都会提高；还提供了一次可以暂存、由用户自行选择时间使用的rate limit reset。

具体看跑分，目前最新鲜的榜就是-Bench 4.0了，衡量模型处理复杂命令行任务的能力。

Opus 5.5拿下66.4%，上一代Opus 5是52.3%，的GPT-6 Astra是57.9%，自家的Fable 5.1是55.8%。

已经明显拉开差距。

在另一项编程基准 v1.1上，Opus 5.5以54.4%超过GPT-6 Astra的53.3%，差距就没那么明显了。

而且推理开中档效果反而更好。

Opus 5.5在默认，也就是中档设置下，反而跑出了54.6%，超过表中其他模型的最高成绩，也略高于自己开到最高档时的54.4%。

到了这个能力水平，0.2个百分点基本已经落在波动范围里。

自己也承认，跑分差距越来越难准确反映真实使用体验，他们内部使用时，Opus 5.5和Fable 5.1的差距就没有榜单看起来这么大。

另一项 4.0，测的是来自真实会话的多文件模糊任务。

最高下，Opus 5.5拿到57.8%，比Fable 5.1的51.8%高6分，比GPT-5.6 Sol的41.7%高16.1分。

如果看性价比，Opus 5.5在默认中档设置下得分52.5%，依然领先GPT-5.6 Sol的最高成绩约11分，单项任务成本只有后者的三分之一左右。

Opus 5.5特别强调在大规模代码库级别的任务上有明显提升。

早期测试者曾用它迁移68万行代码，不到一天完成。换成人类工程团队，预计至少需要数周。

还有一位测试者用它审计并修复一个20万行代码库，耗时不到3小时。同样的任务，Opus 5花了超过20小时，使用的Token数量还是它的2.5倍。

在一项内部测试中，让Opus 5.5和Fable 5.1分别将从C语言重写成Rust。是一款被广泛使用的Web流量负载均衡软件。

两个版本都通过了自身几乎全部回归测试，但Opus 5.5只用了9.5小时，Fable 5.1用了12小时，前者的成本低了51%。

还让模型优化一个Web应用所有页面的加载速度。Opus 5.5在40次测试中成功了39次；Opus 5虽然也缩短了加载时间，但改进幅度更小，还改变了应用原本的行为。

知识工作方面同样值得关注。

在覆盖44个职业的真实工作能力评估-AA v2.1中，Opus 5.5得分1846 Elo，Fable 5.1是1735，Opus 5是1708。

在默认设置下，Opus 5.5的得分就超过了GPT-6 Astra在最高下的表现，单项任务成本大约只有后者的五分之一。

投资公司 反馈，Opus 5.5在最低设置下，就基本完成了他们的量化研究评测任务。

把调高后，它还发现评测指令里的分钟索引存在一个off-by-one错误，并主动修正。

模型甚至特意备注：这样处理是正确的，但可能会导致自己被评分器扣分。

称，此前测试过的所有模型，都没有发现并处理这个问题。

还有个明显变化在于：Opus 5.5说话的方式变了。

以前Opus 5虽然也能找到答案，但很快就会钻进代码块、时间线和区间定义里，用户需要自己从大量技术细节中提炼结论。

Opus 5.5会先把最重要的信息摆出来，再解释原因。

官网展示了一个系统Bug的对比。Opus 5找到问题后，马上开始解释代码改动和时间区间；Opus 5.5开头就把账算清楚了：

额外减少的9.92美元来自一个Bug，免费层调整只占1.50美元。

随后它才说明，究竟是哪次代码重构把每个月最后一天的大部分用量漏掉了。

一位早期测试者的评价是：

It the way I do（它写东西的方式跟我一样）。

还特意强调，表达清楚不只是文风升级。模型把关键信息放在前面、减少术语和特异性表达，人类检查其结论和操作过程也会更加容易，这本身就是一项安全收益。

和Fable一个级别的笼子

能力往前冲，安全笼子也跟着加厚了。

Opus 5.5是首款同时搭载Fable 5.1同级网络安全、生物安全和反蒸馏护栏的Opus模型。触发相关限制后，系统会透明地回退到其他模型处理。

发布之前，它还接受了METR和 两家外部机构的评估。

这也是对“放缓前沿”的解释：模型照常研发和发布，但要给安全对齐和外部审查留出时间。

在内部覆盖近2000个模拟场景的自动化行为审计中，Opus 5.5在几乎所有失调行为指标上，都拿到了近期模型中的最好成绩。

在一项专门测试模型越过安全边界倾向的新评估中，Opus 5.5尝试规避边界的频率，比Opus 5和 5.1低了约85%。

仅有的几次尝试也都属于低严重性事件，而且由模型自行上报。

不过同时承认，他们观察到Opus 5.5经常怀疑自己正在接受评估。

一旦模型知道“这是一场考试”，测试中的表现能否代表真实部署环境，就要打上一个问号。称，目前仍然没有办法在发布前可靠地发现所有潜在问题。

在更实际的Agent防护上，Opus 5.5还配备了三层措施。

它会在执行前检查每一个操作；运行环境放在安全团队可以审计的开源沙箱中；代码审查功能则会在代码合并前检查漏洞。

面对提示注入攻击，Opus 5.5在测试的编程、工具调用、计算机操作和网页浏览等场景中，都追平或超过了Opus 5。

这么厚的笼子，也和它在高风险领域的能力有关。

在生物学领域，Opus 5.5已经在多个方向追平甚至超过 5.1，因此使用了与Fable 5.1相同的生物安全护栏。

在与Dyno 合作开展的长期分子预测和设计评估中，Opus 5.5取得了进一步提升。参与红队测试的专家认为，其科学新颖性与他们测试过的最强模型相当。

经过审核的学术实验室、初创公司和制药企业，可以通过新推出的Life ，申请适用于生物研发工作的更宽松权限。

网络安全也是一样。

由于Opus 5.5的网络安全能力很强，普通用户提交的大多数网络安全任务会被自动转交给Opus 4.8。经过认证的网络安全从业者，则可以通过即将扩展的Cyber 申请使用Opus 5.5。

反蒸馏措施也直接上到了Fable 5.1的级别。

Opus 5.5搭载了 机制，限制API用户编辑此前生成的思考上下文，防止攻击者借此批量提取模型的推理能力。

这项限制适用于2026年8月31日及以后创建的API账户。

与此同时，Opus 5.5不再允许关闭模式，输出文本中也加入了水印。

这种水印不会直接显示在文本里，也没有添加隐藏字符。它通过调整模型在多个意思相近的词语之间如何选择，留下可供专用检测工具识别的统计模式，普通读者看不出区别。

OMT：Haiku终于更新了

在、Opus和Fable都已经进入5系列之后，家的“小杯”还停留在Haiku 4.5。

这次终于有准信了。

宣布， 5.5和Haiku 5.5都将在未来几周内推出，同样会获得性能、效率和安全方面的升级。

也就是说，Opus 5.5只是5.5系列的第一款。

这边刚刚一口气端出GPT-6 Astra和GPT-5.6 Sol，那边紧接着发布Opus 5.5，还预告后面有两款新模型排队。

前沿确实没有停，大家都在忙着踩油门啊～

参考链接：