Claude Opus 5 发布：基准测试与定价

Anthropic 的基准测试主张在成本维度上异常具体，而不仅仅是原始能力。在 Frontier-Bench v0.1 上，Opus 5 的得分超过前代 Opus 4.8 一倍以上，同时每任务成本更低 ^[1]。独立基准测试网站 MarkTechPost 记录了该主张背后的精确数据：Opus 5 得分为 43.3%，Opus 4.8 为 18.7%，Fable 5 为 33.7% ^[2]。在 CursorBench 3.2 的最大努力模式下，Opus 5 以每任务成本一半的代价，得分与 Fable 5 的峰值仅相差不到 0.5 个百分点 ^[1]；在计算机操作基准 OSWorld 2.0 上，它以约三分之一的成本超越 Fable 5 的最佳成绩 ^[1]，MarkTechPost 的拆解显示其得分为 70.57% ^[2]。Artificial Analysis 自主的知识工作评估 AA-Briefcase 将 Opus 5 定位在 1,720 Elo 分数——领先 Fable 5 的 1,574 分 146 分，分析质量 Elo 分数高出近 300 分 ^[3]。在所有列出的基准测试中，模式一致：Opus 5 无需全面击败 Fable 5 即可成为更具吸引力的选择，它只需以极低的成本接近其水平即可，而其定价与所取代的 4.8 代模型完全相同。

Anthropic 表示，预计 Opus 5 的安全分类器触发频率比 Fable 5 低约 85% ^[1]，独立分析师 Zvi Mowshowitz 对系统卡的解读证实了这一转变的规模：FrontierBench 会话中，分类器干预从 42% 的试验下降至 5% ^[4]。同一系统卡分析报告称，提示注入攻击成功率从 5.5% 降至 2.0%，在启用扩展思维后，计算机操作攻击成功率从 7.14% 降至 0.54% ^[4]——Anthropic 将 Opus 5 定位为其迄今为止最对齐的模型，而不仅仅是“最不烦人”的模型。Anthropic 还推出了可选的“自动降级”功能，将被拦截的请求路由至较弱模型而非直接拒绝 ^[5]，这隐含承认了即使更严格的分类器仍会偶尔误判。社区对护栏变更的反应两极分化：许多人认为该模型更宽松，误拒更少，但也有声音强烈指出——尤其是从事合法安全和网络测试工作的用户——分类器仍会拦截无害请求，直到通过 Anthropic 自身的验证渠道才得以解决。85% 的平均降幅仍只是平均值，而非对任何看似对抗性提示的个体保证。

并非所有评测者都完全接受基准测试的叙事。代码审查供应商 CodeRabbit 进行了独立测试，发现其在可操作审查意见上的精确度确实有所提升（39.3% 对比前代的 35.2%），但也发现 Opus 5 漏掉了部分此前能捕捉到的已知问题，并生成了约四倍的低价值‘吹毛求疵’评论 ^[6]——这提醒我们，基准测试的提升与日常实用性并不总是一致。Every 在一周实际使用后的上手评测称该模型‘灵光闪现，实操却令人沮丧’^[7]，指出其与为早期 Claude 版本构建的现有技能和插件存在摩擦。更广泛的社区情绪也反映了这种分裂：一方面对成本调整后的基准提升充满热情，另一方面 Reddit 上也有讨论称赞 Opus 5 Low 在更宽松的护栏下击败了 Sonnet 5 High，同时抱怨发布时使用限额未重置——这都表明‘登顶排行榜’与‘对日常用户而言是明确升级’并非同一主张。

脱离基准测试，早期企业集成提供了第二个更接地气的数据点。Cognition 的 CEO Scott Wu 表示，Opus 5 在其 Devin 编码代理内部以一半成本达到了接近 Fable 水平的性能，尤其在调试和根因分析方面表现突出 ^[8]。Zapier 的 CEO Wade Foster 报告称，该模型在未消耗比此前同价 Claude 版本更多 token 的情况下，登顶了其内部 AutomationBench 排行榜 ^[9]。Box 集成 Opus 5 后测量到整体性能比 Opus 4.8 提升 8%，其中数据分析（11%）和尽职调查工作流（17%）的提升尤为显著 ^[10]。这些数字比任何单一基准测试都更重要，因为它们来自生产工作负载，而非精心策划的测试套件。它们也嵌入在一个更广泛的模式中：Opus 5 是 Anthropic 在不到两个月内发布的第四款 Claude 5 代模型 ^[11]，这种发布节奏更像在成本、速度和可靠性上的持续迭代，而非单一的重磅发布——这正是企业买家当前最关心的维度。