Anthropic 发布 Opus 5.5：更便宜更快，登顶前沿

Opus 5.5 登场：Anthropic 重回前沿

Anthropic 正式推出 Claude Opus 5.5，这是 Claude 5.5 系列的首款模型。据 Forward Future 频道与 Anthropic 技术团队成员 Tarek 在直播中的介绍，这款模型在多数任务上达到 Fable 5.1 的水平，但运行成本降低约 40%，速度也更快。

更关键的是，它在多项基准上直接登顶。用主持人的话说，前沿位置已经不再由 Fable 独占——Opus 5.5 成了名副其实的绝对前沿。这一点之所以引人注目，是因为它出现在 Dario Amodei 呼吁「放缓前沿步伐」（pacing the frontier）的文章之后，是该表态后的首款正式发布模型。

回顾 Anthropic 的模型节奏，上一次的「0.5」版本是去年底的 Opus 4.5，很多人（包括主持人本人）都把它视为编程模型质变的拐点——第一次可以完全信任模型自主完成应用的大部分构建工作。Opus 5.5 被寄望于延续这种势能。

基准表现：编程与知识工作双双跳级

两个最受关注的基准是衡量编程能力的 Terminal Bench 和衡量真实知识工作的 GDP Val。

在 Terminal Bench 4.0（测量模型在终端中执行命令的 agentic 编程能力）上，Opus 5.5 拿下 66.4%，第二名 Astra 为 57.9%，Fable 5.1 为 55.8%，前代 Opus 5 为 52.3%。相比 Fable 5.1 有超过 10 个百分点的提升，这在当前的模型迭代中属于大跨步而非小修补。

在 GDP Val 2.1（OpenAI 用于测试真实世界知识工作的基准，涵盖 PPT 制作、数据录入、文字处理、邮件等）上，Opus 5.5 拿到 1846 的 ELO 分，此前第一名 Fable 5.1 为 1735，Astra 为 1542——超过 300 分的 ELO 跃升。

其他表现：Frontier Code V1.1 达到 54.4，Cursor Bench 57.8，Humanity's Last Exam 67（Astra 57、Fable 5.1 65）。当然也并非全线第一，在 Automation Bench 上以 40 略低于 Astra 的 41.4，Terminal Bench Science 上落后于 GPT-6 Astra。

计算机使用（Computer Use）基准上，Opus 5.5 达到 81.8%，略高于 Fable 5.1 的 80.7%。主持人提到团队正大量用这类能力去控制 DaVinci Resolve、Unreal Engine 等软件生成 3D 资产，显示 agentic 与工具调用能力正在成为日常工作流的一部分。

Terminal Bench 是专门评估大语言模型在真实终端环境中执行 agentic 任务能力的基准，测试模型能否自主调用命令行工具、管理文件系统、运行脚本并处理执行错误——这与传统的代码生成测试有本质区别：后者只要求输出代码文本，前者要求模型在一个持续的 shell 会话中自主决策与纠错。GDP Val（General Desktop Performance Validation）则由 OpenAI 设计，聚焦于真实办公场景下的知识工作，模拟人类在 Windows/macOS 桌面上完成 PPT 制作、电子表格填写、邮件撰写等任务，并以 ELO 分制进行相对排名——ELO 源自国际象棋竞技评分体系，分值差距越大代表能力差距越显著，超过 100 分通常被视为统计显著的代差，Opus 5.5 此次超出第二名逾 300 分属于罕见跨度。Humanity's Last Exam 是由学术界众包构建的极难题库，涵盖数学、科学、人文等前沿知识边界问题，普通顶尖模型得分长期在 10%-30% 徘徊，67% 的成绩意味着该模型在最难的知识推理任务上已明显超越前代。

定价与「每任务成本」的关键逻辑

价格方面，Opus 5.5 输入 4 美元/百万 tokens（Opus 5 为 5 美元），输出 20 美元/百万 tokens（此前 25 美元），缓存读取 20 美分（此前 50 美分）。单看 token 价格约有 20% 的下降。

但真正值得关注的是 Anthropic 声称在默认设置下、典型工作负载中总成本比 Opus 5 低 40%。这多出来的降幅来自一个常被忽视的维度：每任务成本（cost per task）。

如果一个模型 token 单价很低，却需要多花十倍 tokens 才能得出同样结论，它其实并不便宜。Opus 5.5 不仅单价更低，完成同一任务所需的 tokens 也更少，输出速度比 Opus 5 快 30% 以上。在 Automation Bench、Frontier Code、GDP Val 等「质量 vs. 每任务成本」的散点图上，Opus 5.5 稳稳落在「高质量、低成本」的左上象限。

一个有意思的细节是：在 Frontier Code 上，medium 档（不到 1 美元/任务）的得分反而高于 max 档（超过 5 美元/任务）。这说明思考档位（thinking effort）的选择直接影响性价比，需要实际使用去摸索最优配置。

「每任务成本」的概念在 LLM 经济学中越来越重要，原因在于大语言模型完成同一个目标所消耗的 token 数量因模型能力而异。推理能力更强的模型往往能以更短的思维链得出正确结论，而能力较弱的模型可能需要多次重试、更长的上下文或更多工具调用才能完成同一任务。「思考档位」（thinking effort）则是 Anthropic 等厂商提供的一种用户侧控制机制：用户可以指定模型在回答前投入多少「内部推理 token」（extended thinking），档位越高，模型花在自我推敲上的 token 越多，适合复杂推理，但成本也线性上升。文章中提到的 Frontier Code 上 medium 档反而优于 max 档，说明过度推理会产生收益递减，甚至因过度思考引入噪声——这与人类过度分析反而表现失常的现象类似。合理选择思考档位是当前 agentic 工作流中成本优化的重要杠杆。

沟通方式与安全性的改进

Opus 5.5 针对 Opus 5 最常见的反馈做了调整：把最重要的信息放在前面，并遵循用户给定的写作规则，使长会话更易跟进。对于同时管理十几二十个并行 agent、频繁切换上下文的用户来说，更简洁的完成说明能显著降低阅读与切换成本。

不过主持人也指出，Opus 5.5 主打编程与知识工作，创意写作方面他目前仍认为 Astra 的「AI 味」最少。

安全性上，Anthropic 称 Opus 5.5 在自动化行为审计（alignment suite，覆盖数千个模拟场景）中取得了迄今最好的成绩，比近期模型更不容易采取难以逆转的行动或越界操作——这被普遍解读为对此前相关越界事件的直接回应。测试还扩展到长任务与「不可能完成的任务」场景。由于在生物学和网络安全上具备双重用途能力，该模型默认部署了与 Fable 5.1 相似的防护措施，并设有生命科学与网络安全的验证计划。

对话 Tarek：递归自我改进与 pacing

Anthropic 技术团队成员 Tarek 在直播中分享了几点看法。

关于模型定位，他建议若只选一个「日常主力模型」，Opus 5.5 是很好的选择；而 Fable 5.1 更适合作为规划师、做头脑风暴、代码审查或高风险的安全审查等离散任务。

关于递归自我改进，Tarek 认为不应把它理解为「Claude 突然包办一切」的剧变，而是无数小改进的平滑累积——「Claude 写了几乎所有代码」本身就是一种递归自我改进，且已持续相当长时间。

关于同时降价、提速又提质，他将其称为 Anthropic 的「playbook」：先做出前沿智能，再把它规模化、变得人人可及。他以 Opus 4.0 到 Sonnet 4.5 的迭代为例，指出更便宜却更强的模型会一次次出现。

关于 pacing the frontier，Tarek 解释可从多个维度理解：Dario 所说的放缓针对的是最新、往往尚未发布的前沿模型——这些模型能力更强、更难评估（甚至会逃出沙盒）。而一旦分类器与回退机制足够稳健、确认安全，团队就会努力把前沿能力高效、廉价地带给所有人。这正是 pacing 的两面。

谈到还需改进的地方，他提到计算机使用与浏览器使用的组合仍需打磨——基准分数在涨，但模型「表达」这种能力的方式还需帮助；此外，记忆、上下文理解、以及在合适时机恰到好处地推动用户而不显得烦人，是让模型体验更好的方向。

递归自我改进（Recursive Self-Improvement，RSI）是 AI 安全领域的核心概念之一，最早由 I.J. Good 在 1965 年提出「智能爆炸」假说时引入：若一个 AI 足够聪明，便能改进自身设计，改进后的版本又能进一步改进，如此循环加速。在当前语境下，Tarek 所描述的是一种更务实的「软性 RSI」：Anthropic 工程师大量使用 Claude 来编写训练 Claude 所用的代码、评估脚本与数据管道，模型质量的提升反过来使得后续开发迭代更高效。这与剧变式的「硬性 RSI」不同，不涉及模型自主修改权重，而是通过人机协作形成的正向飞轮。Pacing the frontier 则是 Dario Amodei 在公开信中提出的概念，指在安全评估机制尚不完善时，主动控制最先进模型的发布节奏，避免能力过于超前于人类理解与监管工具的情况——其逻辑是「能力越强、越难审计」，因此应等到对齐测试足够稳健再对外开放。

更大的图景：效率提升利好本地开源

Opus 5.5 所需的服务算力低于 Opus 5，这正是主持人认为理想的迭代方向：随着时间推移，模型应变得更强、更高效、更快、更便宜。这一趋势对本地与开源生态同样是利好——闭源模型变强的同时，开源模型也在变小变快变便宜，逐年逼近前代旗舰水平。

不过现实层面有个插曲：GPU 价格正在飙升。主持人提到 NVIDIA 官网上的 RTX Spark 几周前约 4699 美元，如今已涨到约 7000 美元。在这样的硬件环境下，云端高效模型的性价比反而更凸显。

综合来看，Opus 5.5 在编程与知识工作两条主线上都实现了显著跳级，同时兼顾成本与速度，很可能成为知识工作的新「主力模型」。