Claude Opus 5.5 登陆 Perplexity Computer：性能与成本双优

Claude Opus 5.5 成为 Perplexity Computer 标准档位

Perplexity 宣布，Claude Opus 5.5 现已作为 Perplexity Computer 的 Standard effort level（标准努力档位） 上线。这意味着用户在使用 Perplexity Computer 处理任务时，将默认调用这一新版本的 Claude 模型作为主力推理引擎。

对于依赖 AI Agent 完成复杂任务的用户而言，模型的选择往往决定了任务完成的质量与成本上限。将 Opus 5.5 设为标准档位，反映出 Perplexity 对该模型在实际生产环境中综合表现的认可。

Claude Opus 5.5 登陆 Perplexity Computer

WANDR 基准测试：性能小幅领先，成本大幅下降

根据 Perplexity 公布的 WANDR 基准测试数据，Claude Opus 5.5 取得了 0.610 的得分，单任务成本为 $4.13。

与此前的 Claude Fable 5.1 相比，Opus 5.5 在得分上略有领先，但真正的亮点在于成本控制——单任务成本降低了 67.6%。这组数据揭示了一个对实际部署极具意义的趋势：新版本不仅没有牺牲能力，反而在保持甚至提升性能的同时，将运行开销压缩到了原来的三分之一左右。

为什么成本降幅比性能提升更值得关注

在当前的 AI Agent 落地场景中，任务往往需要多步推理、工具调用和长上下文处理，单次任务的 token 消耗可能非常可观。当模型被大规模用于自动化工作流时，单任务成本从 $12 级别降到 $4 级别，意味着同样的预算可以支撑近三倍的任务量。

这也是 Perplexity 敢于将其设为「标准档位」而非「高级档位」的底层逻辑：性能达标、成本可控，才能成为默认选项面向广泛用户。

AI Agent的成本结构与普通对话模型有显著不同。在单轮问答中，token消耗相对有限；但在Agent任务中，模型通常需要维持跨步骤的长上下文（包含任务历史、工具返回值和中间推理链），并在每个决策节点生成较长的思维链输出。以Anthropic的扩展思考（Extended Thinking）特性为例，模型会在输出最终答案前生成大量内部推理token，这部分消耗在复杂任务中可能占总成本的50%以上。因此，单任务成本从$12降至$4，背后可能涉及推理效率提升、token压缩策略优化，或模型架构层面的蒸馏改进，而非单纯降价——这对评估模型实际能力的变化同样具有参考意义。

WANDR 基准的意义

WANDR 是 Perplexity 用于评估 Agent 类任务表现的内部基准。与传统的问答或代码基准不同，这类基准更侧重于衡量模型在真实、多步骤任务链条中的实际完成能力，包括规划、执行与结果准确性。

0.610 的绝对分数说明当前的 Agent 任务仍有相当的提升空间，但在同类模型的横向对比中，Opus 5.5 展现出了更优的「性价比曲线」。对于希望在成本与质量之间取得平衡的团队来说，这是一个具有参考价值的信号。

WANDR（Web Agent Navigation and Decision Reasoning）类基准的设计逻辑与传统静态基准有本质区别。传统基准（如MMLU、HumanEval）通常测试模型的单次问答或代码生成能力，而Agent基准则模拟真实世界的操作序列：模型需要自主分解目标、调用浏览器或工具API、处理中间步骤的反馈，并最终完成端到端的任务验证。这类测试的难点在于错误会沿步骤链条累积——某一步骤的误判可能导致整个任务失败，因此0.610的得分并不意味着模型在60%的任务上"完全成功"，实际的部分完成率与任务复杂度分布密切相关。正因如此，不同厂商的内部Agent基准之间横向对比意义有限，同一基准内的纵向迭代对比才是更可靠的参照维度。

对用户与行业的影响

对普通 Perplexity Computer 用户而言，这次更新意味着无需额外配置即可享受到更强、更省的模型能力。对整个行业而言，Opus 5.5 的「降本不降质」再次印证了大模型迭代的一个明确方向：单纯堆叠参数追求分数的时代正在过去，如何在保持能力的前提下压缩推理成本，正成为模型厂商竞争的关键战场。

需要说明的是，本文数据来源于 Perplexity 官方在社交平台发布的信息，WANDR 属于其内部基准，跨厂商的横向可比性有限，具体表现仍需在实际使用中验证。

小结

Claude Opus 5.5 作为标准档位登陆 Perplexity Computer，以 0.610 的 WANDR 得分和 $4.13 的单任务成本，实现了对前代 Claude Fable 5.1 的性能小幅超越和成本大幅优化。这既是模型能力迭代的体现，也反映出 AI Agent 落地过程中，成本效率正在成为核心考量。