Anthropic 发布 Claude Opus 5.5,成本较 Opus 5 降低 40%

Anthropic:Newsroom(网页)·2026-09-23 00:53·6分钟前
AI 导读

Anthropic 发布 Claude Opus 5.5,为 Claude 5.5 系列首个模型,在多数工作上达到 Fable 5.1 水平,典型负载成本较 Opus 5 低 40%。

Anthropic:Newsroom(网页)
精选
86AI 编辑部评分,满分 100

Anthropic 发布 Claude Opus 5.5,成本较 Opus 5 降低 40%

2026-09-23 00:53· 6分钟前
AI 导读

Anthropic 发布 Claude Opus 5.5,为 Claude 5.5 系列首个模型,在多数工作上达到 Fable 5.1 水平,典型负载成本较 Opus 5 低 40%。

推荐理由

原文给出定价、基准与安全评测细节,读者可以据此评估 Opus 5.5 在成本和长任务上的实际变化。

正文 · AI 翻译

我们推出 Claude Opus 5.5,这是我们全新 Claude 5.5 家族中的首个模型。它在大多数工作上的表现达到 Claude Fable 5.1 的水平,而运行成本比 Opus 5 低 40%。

Claude Opus 5.5 是我们自呼吁 放缓前沿步伐 以来的首个发布版本。它在发布前由外部评估方进行了测试,包括 Frontier DesignMETR。在我们运行的自动化行为审计——即我们所做的最全面的对齐测试——中,Opus 5.5 是我们迄今测试过表现最强的模型。它还配备了我们为最强能力模型所开发的各项防护措施。

以下是你可以从 Opus 5.5 中期待的一些改进:

性能。 Opus 5.5 相较 Opus 5 是一次重大跃升。它是新的领先模型,早期测试者在其最复杂的工作上看到了性能的大幅提升。一位测试者在不到一天内完成了一项 68 万行的代码迁移——这项工作原本需要一个工程团队花费数周。它擅长发现并修复软件中的低效问题:当我们要求它缩短一个 Web 应用每个页面的加载时间时,Opus 5.5 在 40 次中成功了 39 次,而 Opus 5 只做出了较小的改进,且还改变了应用的行为。另一位测试者让多个 Claude 模型根据单个提示词构建一款游戏;Opus 5.5 凭借其画面表现和精细度得分高于其他任何模型。

安全性。在我们迄今所有模型中,Opus 5.5 在我们的自动化行为审计——即那套在数千个模拟场景中测试 Claude 的对齐测试套件——上取得了最佳成绩。与近期模型相比,它采取难以逆转的行动或越出既定边界的可能性要低得多,而且比 Opus 5 更能抵御提示词注入。我们还扩展了对齐测试的范围,覆盖了更长的任务、不可能完成的任务,以及以真实事件为蓝本的场景,不过它仍有局限。我们评估的完整细节见 Opus 5.5 System Card

由于 Opus 5.5 在生物学和网络安全方面与 Claude Mythos 5.1 相当,我们为其部署配备了与 Claude Fable 5.1 类似的防护措施。经过审核的机构今天即可申请我们的 生命科学验证计划,以将 Opus 5.5 用于生物学研究。未来几周内,我们还将扩大 网络安全验证计划的准入范围,经过验证的网络安全从业者将能够使用 Opus 5.5 开展工作。

成本与速度。Opus 5.5 的推理服务所需算力低于 Opus 5,其定价也反映了这一点。我们的测试显示,在默认设置下,它在典型工作负载上的成本将比 Opus 5 低 40%。输入和输出 token 分别为每百万 $4 和 $20,比 Opus 5 低 20%。缓存读取(占智能体和编程工作成本的大部分)为每百万 token $0.20,比 Opus 5 低 60%。Opus 5.5 的输出生成速度也比 Opus 5 快 30% 以上。

除了降价之外,我们还将提高 Pro、Max 和 Team 套餐的五小时使用限额。我们还将为订阅用户提供一次速率限制重置,你现在可以将其保存下来,并在你选择的任何时候使用。

沟通能力。 Opus 5.5 的沟通比之前的模型更自然。早期测试者发现它的写作更清晰、更易于理解,这解决了我们听到的关于 Opus 5 的一些常见反馈。它把最重要的信息放在前面,其风格使其在长时间会话中成为更好的工作伙伴。正如一位早期测试者所说,“它写作的方式就像我一样。”在我们自己的使用中,这让 Opus 5.5 的工作更易于跟进和检查——这既是安全方面的好处,也是实用方面的好处。

Claude Sonnet 5.5 和 Claude Haiku 5.5 将在未来几周内推出,并带来许多相同的性能、效率和安全性改进。

性能与成本效益

在我们的基准测试中,Claude Opus 5.5 在智能体编程、计算机使用和知识工作方面领先。话虽如此,在这些能力水平上,我们发现基准测试的差距已不再是衡量现实世界差异的可靠指南。在我们自己的使用中,Opus 5.5 与 Claude Fable 5.1 之间的差距比这些分数所显示的要小。

媒体内容 · 前往原文查看
Opus 5.5Fable 5.1Opus 5GPT-6 AstraGPT-5.6 Sol
智能体编程Terminal-Bench 4.0¹66.4%55.8%52.3%57.9%37.3%
智能体编程FrontierCode v1.1(主)54.4%50.3%48.0%53.3%47.5%
智能体编程CursorBench 4.057.8%51.8%46.6%41.7%
知识工作GDPval-AA v2.118461735170815421588
业务工作流自动化Bench²40.0%31.4%26.9%41.4%28.8%
多学科推理Humanity's Last Exam67.7%使用工具65.6%使用工具63.6%使用工具57.2%使用工具
智能体科学研究Terminal-Bench-Science 0.1³58.7%52.6%29.0%64.6%22.4%
计算机使用OSWorld 2.081.8%partial80.7%partial74.0%partial
可视化图表识别Chartography89.0%with tools88.4%with tools83.4%with tools

除非另有说明,所有 Claude Opus 5.5 的结果均使用自适应思考并以最大努力程度运行。Terminal-Bench 4.0 的结果报告的是 Claude Opus 5.5 在 xhigh 努力程度下以及 GPT-6 Astra 在 high 努力程度下的表现,数据由 OpenAI 报告;这些代表每个模型的最高得分。Claude Opus 5.5 在评估时启用了其生产环境安全保障措施。当这些措施介入时,网络安全任务由 Claude Opus 4.8 完成,生物学和前沿 LLM 开发任务由 Claude Opus 5 完成。这很可能降低了 Claude Opus 5.5 在这些基准测试上的表现。

1Terminal-Bench 4.0:Claude Opus 5.5 的标准误差为 ±2.6 分,其他 Claude 模型为 ±1.6–2 分。公开排行榜(每任务 5 次试验,Claude Code 测试框架)报告 Claude Opus 5 为 51.8%;我们的设置复现结果为 52.3%,在噪声范围内。GPT-6 Astra 和 GPT-5.6 Sol 的数据由 OpenAI 报告。

2AutomationBench:AutomationBench 的结果由 Zapier 运行并报告。这些运行未使用回退模型,因此安全保障措施的介入被视为失败——这导致得分低于 Claude Opus 5.5 在实际中会取得的成绩。Claude Opus 5.5 的结果来自 Zapier 在早期访问期间自行进行的评估。Opus 5、GPT-5.6 Sol 和 GPT-6 Astra 的结果来自 Zapier 的公开排行榜。

3Terminal-Bench-Science 0.1:每个模型的标准误差为 ±3.5–5 分。公开排行榜(每任务 3 次试验,Claude Code 测试框架)报告 Claude Opus 5 为 30.0%;我们的设置复现结果为 29.0%,在噪声范围内。GPT-6 Astra 的数据由 OpenAI 报告。

Opus 5.5 的优势非常明显的地方在于效率。它的每 token 成本低于 Opus 5,且每个任务使用的 token 更少,综合下来成本下降了 40%。

定价

每 1M tokens 价格Claude Opus 5.5Claude Opus 5
缓存读取$0.20$0.50
输入 tokens$4$5
输出 tokens$20$25
缓存写入$5$6.25

Opus 5.5 的快速模式也可在 Claude Code 和 Claude Platform 中使用,速度最高可达 2.5 倍。其价格为每百万输入 token 8 美元,每百万输出 token 40 美元。

编程

Opus 5.5 尤其擅长处理长期且庞杂的任务,例如全代码库范围的迁移与审计。一位早期测试者用它审计并修复了一个 200,000 行的代码库,耗时不到三小时,而 Opus 5 则用了超过 20 小时,且消耗了 2.5 倍的 token。

在一项内部测试中,我们让 Opus 5.5 和 Fable 5.1 将 HAProxy(一款广泛使用的、用于在多台服务器之间平衡网络流量负载的软件)从 C 语言翻译成 Rust。两个重写版本都通过了 HAProxy 自身几乎所有的回归测试,但 Opus 5.5 在 9.5 小时内完成,而 Fable 5.1 用了 12 小时,且成本低 51%。

Opus 5.5 以极低的成本在智能体编程方面取得了前沿成果。在 FrontierCode 上,以其默认投入水平,它击败了 GPT-6 Astra,而每任务成本仅约为后者的 20%。在 Terminal Bench 4.0 上,它以约 40% 的成本与 Astra 持平,而在 CursorBench 上,它以约三分之一的成本领先 GPT-5.6 Sol 11 分。

媒体内容 · 前往原文查看
Terminal-Bench 4.0 准确率与成本对比

Terminal-Bench 4.0 衡量的是模型在命令行界面内完成复杂、多步骤专业任务的能力。Opus 5.5 在默认投入水平下击败了最大投入水平的 Opus 5,而成本仅约为其五分之一。它以约 40% 的成本与 GPT-6 Astra 持平。



我们的早期测试者报告了类似的效率与智能提升:

引用

“开发者想要的是能够承接真实软件工作并把它完成的智能体。在我们针对 GitHub Copilot CLI 和 VS Code 的测试中,Claude Opus 5.5 是我们所测量的模型中消耗 token 和步骤最少的之一。在 VS Code 中,它解决的终端任务比 Opus 5 更多,而步骤数不到后者的一半。它不只是让单个任务更高效,更是让开发者更大的项目变得更可实现。”

公司

GitHub

作者

Mario Rodriguez,首席产品官

最安全的编码智能体

在自身系统内使用智能体的企业需要知道这些智能体正按预期运行,尤其是当它们自主运行数小时之久时。Opus 5.5 拥有一个会在每个操作执行前对其进行筛查的分类器、一个安全团队可审计的开源沙箱,以及能在漏洞合并前将其捕获的代码审查。

该模型本身也具备更强的防御能力。在提示词注入攻击方面,它在我们测试的每一种场景中都追平或超越了 Opus 5,包括编码、工具使用、计算机使用和网页浏览。在 AI 安全公司 Gray Swan 运行的一项基准测试中,Opus 5.5 与 Fable 5.1 并列,创下所有受测模型中最低的提示词注入成功率。

知识工作

Opus 5.5 是一位可靠且娴熟的研究者。在一项内部测试中,我们要求 Opus 5.5、Fable 5.1 和 Opus 5 仅使用它们在一个财报难以找到的网页副本上所能找到的信息,撰写一份关于某公司季度业绩的报告。一个自动评分器将每一个数字和引文与来源进行了核对。

在不同的 effort 设置下,Opus 5.5 的报告中 18 份里有 16 份达到了我们的质量标准,而任何编造的数字或引文都会导致不合格。Fable 5.1 和 Opus 5 在任何一次尝试中都未能达到这一标准。

它在财务分析和商业工作方面同样表现出色。投资公司 Walleye Capital 作为早期测试方报告称,Opus 5.5 在其最低设置下就基本解决了他们的评估套件;在更高设置下,它的表现更加出色,甚至发现了他们评估指令中的一处错误并加以纠正。此前没有任何其他模型发现过这一错误。

在另一项测试中,我们让 Opus 5.5 和 Opus 5 分析两家虚构的人力资源软件公司之间的拟议合并。两者各自在 Excel 中构建了一个财务模型,然后将其转化为一份高管演示文稿,说明这笔交易按其价格是否合理。两个模型对这笔交易得出了相同的结论,但 Opus 5.5 的模型更为详尽,其演示文稿也更易读,而 Opus 5 的模型则有轻微错误。

Opus 5.5 用时 63 分钟完成,而 Opus 5 用了 93 分钟,且 Opus 5.5 的制作成本低了 50%。

在知识工作评测中,Opus 5.5 表现优于其他模型,同时使用的 token 更少。在 GDPval-AA v2.1 这一覆盖 44 种职业的真实工作测试中,Opus 5.5 得分 1846 Elo,领先于 Fable 5.1 和 Opus 5。在默认努力程度(中等)下,Opus 5.5 击败了以最高努力程度运行的 GPT-6 Astra,而每任务成本仅约为其五分之一。在衡量业务流程和大规模数据收集的基准测试中,它同样优于其他模型。

媒体内容 · 前往原文查看
GDPval-AA v2.1Elo 与成本

Artificial Analysis 的 GDPval-AA v2.1 在覆盖 44 种职业的真实专业工作上评估 AI 智能体。在最高努力程度下,Opus 5.5 得分 1846 Elo,而 Fable 5.1 得分 1735,Opus 5 得分 1708。在默认努力程度(中等)下,Opus 5.5 击败了以最高努力程度运行的 GPT-6 Astra,而每任务成本仅约为其五分之一。



我们的客户也报告了类似的结果。以下是他们向我们讲述的使用该模型的体验:

引用

“即使在其最低努力程度设置下,Claude Opus 5.5 在我们的代码审查中捕获了 72% 的已知 bug,而 Opus 5 在高努力程度下仅捕获 56%,同时误报更少,输出量也仅为其一小部分。在美国咨询分析方面,低思考努力程度在半数输出上与其更高思考设置表现相当,并通过了我们的质量检查。当更多较低思考努力程度被部署到生产环境中时,这意味着以高效方式交付客户可用的工作成果。”

公司

Deloitte Consulting LLP

作者

Carl Bennett,首席信息官

沟通

我们对 Opus 5.5 的写作和沟通方式做了重大改进,这是我们在 Opus 5 上收到的最常见反馈领域之一。它的消息现在更容易一眼看懂,测试人员表示这在长时间工作会话中很有帮助。它会把最重要的信息放在前面,更不容易使用行话或怪僻的措辞,并且会遵循你给它的写作规则。我们发现这让 Opus 5.5 成为明显更好的协作者。以下是两个模型的并排对比:

Claude Opus 5

请向我解释这个问题。

我的发现

额外的下降并不是免费层造成的——而是 0552feb 中的一处回归(“将计费周期边界提取到 periods.py”,标注为“无行为变更”)。

这个 bug

aggregate.monthly_usage 以前做的是半开区间:

start, end = month_start(year, month), next_month_start(year, month)
if start <= e.ts < end:

它现在做的是:

if period.contains(e.ts)

而在 periods.py 中:

@property
def last_day(self) -> datetime:
    return next_month_start(...) - timedelta(days=1)   # 2026-08-31 00:00:00 UTC

def contains(self, ts):
    return self.first_day <= ts <= self.last_day

last_day 是一个午夜时刻的 datetime,而不是一整天。从 9 月 1 日减去一天得到 8 月 31 日,而比较是包含边界的,因此该周期实际上在 31 日的第一个瞬间就结束了。所有时间戳在当月最后一天午夜之后的事件都会被静默丢弃——每个账户每月大约损失一天的使用量。

新的 test_periods.py 无法捕获这个问题,因为它只检查 last_day.date()(该值正确地等于 2026-08-31),并在 8 月 1 日 00:00、8 月 15 日 12:00、7 月 31 日和 9 月 1 日测试 contains——它从未在 31 日内的任何时间点进行探测。

Claude Opus 5.5

请向我解释这个问题。

额外的损失是计费重构中的一个 bug

免费层级的变更仅占 acme 8 月降幅中的 $1.50。其余 $9.92 来自提交 0552feb 中的一个 bug。该提交被标记为“无行为变更”,但它停止统计当月最后一天的使用量。

变更内容

在合并之前,aggregate.py 使用的是半开区间:

start <= e.ts < next_month_start(year, month)    # [Aug 1 00:00, Sep 1 00:00)

重构将其移入 Period.contains,并使区间在错误的边界上闭合:

last_day = next_month_start(...) - timedelta(days=1)    # = 2026-08-31T00:00:00Z
return self.first_day <= ts <= self.last_day

last_day 是一个午夜时间戳,而不是一整天。因此,2026-08-31T00:00:00Z 之后的每个事件都被排除在外。9 月周期从 9 月 1 日开始,所以它也不会纳入这些事件。用量不会被移到另一个月;它根本不会被计费。

我们客户的反馈支持这些发现:

引用

“冗长、难以跟进的输出一直是我对前沿模型最大的不满,而 Claude Opus 5.5 解决了这个问题。它写起来像一位好同事,并且遵循我们的写作规则。一份设计规格说明出来后几乎无需修改即可使用,当它重写我们的一个提示词时,我更喜欢它的版本而不是我自己的。当它优化我们的测试套件时,我能轻松跟上它的推理过程,并放心地发布了这一改动。”

公司

Ramp

作者

John Ruelas,资深软件工程师

安全

为前沿发展定节奏

上周,我们的 CEO Dario Amodei 主张,AI 的进展应当有节奏地推进,以便安全实践始终领先于模型能力。定节奏是一种让 AI 保持安全、与中国保持竞争力并实现 AI 惠益的方法,尤其是在生物学和医学等领域。

我们大体上了解当今模型所带来的风险,并且有充分能力加以管理。然而,随着能力提升,更严重的风险可能迅速出现,我们现在就需要为此做好准备。因此,我们的安全工作同时着眼于两个时间维度:

针对当前模型的安全实践。当前这一代模型依赖一套既定的实践:广泛的对齐测试、由 METR 和 Frontier Design 等外部机构进行的发布前评估,以及针对网络安全和生物学等高风险领域、与每个模型能力相匹配的防护措施。我们在每次发布时都会完善这些实践。我们认为,这些实践足以应对当今模型所带来的最严重风险,也相信它们让我们对各类严重风险有了广泛——尽管并不完美——的了解。

此外,我们会追踪自身训练和评估对齐模型的能力,并在我们依据 Responsible Scaling Policy(我们为管理先进 AI 系统带来的灾难性风险而制定的自愿性框架)发布的风险报告中,同时汇报我们的公开模型和内部模型情况。

为未来的模型做准备。我们正在为更先进的模型预先准备训练和评估流程。我们正在收紧对强化学习所用环境的筛选,因为有缺陷的环境是导致失准行为的主要来源之一。此外,我们正在改进对齐奖励,并开发自动化流程,以生成用于安全训练的多样化新场景。同时,我们正在加强安全与监控,包括一项重点努力:改进基于可解释性的监控与评估。我们希望这类技术有助于减少我们对审计模型思维链、即其在工作过程中写出的推理内容的依赖。

能力更强的模型——例如那些能够完全自动化 AI 研究本身工作的模型——需要更高的安全标准。我们呼吁放缓节奏,很大程度上是基于我们预期这类模型可能很快就能被训练出来。对于这些模型,我们并不假设上述措施本身就能满足这一安全标准。随着 AI 能力不断增强,公共政策应在确保人们所依赖的系统安全方面发挥更大作用。这种能力需要时间建设,而我们已开始搭建支持它的基础设施,正如“我们必须放缓前沿步伐”一文以及我们近期与Accenture的公告所述;我们预计很快会分享有关这些努力的更多细节。我们还将继续与政府和行业开展政策讨论,包括在监管方式和国际协调方面。

对齐

在我们的主要评估套件中——一项针对 Claude 在近 2,000 个场景下进行评测的自动化行为审计——Opus 5.5 在几乎所有失准行为的衡量指标上都优于近期任何一款 Claude 模型。在大多数诚实度指标上,它也是我们最强的模型。

尤其是,Opus 5.5 在若干曾导致近期网络安全事件的行为上相较前代模型有所改善,包括带有偏见或动机驱动的推理、试图逃离沙箱,以及在断定自己处于模拟环境后采取有害行动。在一项旨在测试模型跨越隔离边界倾向的新评估中,Opus 5.5 试图绕过边界的频率比 Opus 5 或 Claude Mythos 5.1 低约 85%,而且它所做的每一次尝试都属于低严重度且主动上报。对于在代码库和系统中无人值守运行 Claude 的团队来说,这一点与原始能力同样重要。

然而,正如我们在近期的对齐评估中所描述的,构建能够在部署前可靠捕捉每一次失败的评估,仍是一个尚未解决的问题。我们发现有迹象表明,Opus 5.5 常常怀疑自己正在被评估,这使我们难以评估它在部署所处的各种真实世界环境中将如何行动。随着这些环境不断扩展、模型能力不断提升,我们预计这一挑战会加剧,除非我们在可解释性方面取得进展。尽管我们确信 Opus 5.5 在我们能够衡量的方面展现出广泛改进,我们仍将自身的对齐工作与下文所述的防护措施配合使用。

防护措施

随着我们的模型能力日益强大,更严格的防护措施是我们防止新能力沦为滥用工具的一种方式。Opus 5.5 是首个在网络安全、生物学和知识蒸馏方面采用与 Fable 5.1 同类防护措施上线的 Opus 模型,所有这些任务都会透明地回退到另一个模型。

网络安全。由于 Opus 5.5 具备极强的网络能力,我们为 Opus 5.5 应用了与 Fable 5.1 类似的网络安全防护措施。用户将能够在常规软件开发生命周期中识别并修复其代码中的漏洞,但大多数网络安全任务将被重新路由至 Opus 4.8。

面向网络防御者,我们很快将把 Cyber Verification Program 扩展至 Opus 5.5。新计划将包含三个层级,提供越来越宽松的可信访问权限,其中包括对 Claude Mythos 模型的访问。Claude Security 现已可用,并可访问 Claude Mythos 5.1。

生物学。Opus 5.5 在生物学领域能力极强,超越 Opus 5,并在许多工作领域与 Claude Mythos 5.1 持平或更胜一筹。例如,Opus 5.5 在与 Dyno Therapeutics 合作开展的一项长时程分子预测与设计评估中取得了提升,专家红队成员将其科学新颖性评为与他们测试过的最佳模型相当。

因此,Opus 5.5 采用了与 Fable 5.1 相同的生物学安全保障措施。若因这些保障措施而无法将 Opus 5.5 用于研发工作,用户可申请我们新推出的 生命科学验证计划,该计划让经过审核的机构(如学术实验室、初创公司和制药企业)获得专为覆盖生物学相关全部工作范围而设计的安全保障。有意向的机构可在此申请

知识蒸馏

知识蒸馏攻击是指攻击者利用数千个虚假账号以工业化规模提取模型能力,从而带来安全和国家安全风险。知识蒸馏使恶意行为者能够在没有我们为 Claude 内置的安全保障的情况下,打造出能力极强的模型。我们 2026 年 9 月威胁情报报告详细介绍了我们迄今已检测并阻止的非法知识蒸馏活动。

Opus 5.5 发布时即配备保留式思考(preserved thinking),这是我们随 Fable 5.1 一同推出的反知识蒸馏保障措施。它阻止 API 用户编辑 Claude 此前的上下文,以防其试图提取 Claude 的推理过程。该措施适用于 2026 年 8 月 31 日或之后创建的 API 账号下的 Fable 5.1 和 Opus 5.5。我们的 帮助中心文章解释了这一变更,我们的 保留式思考文档则展示了如何测试和更新你的集成。

数据保留与合规

与之前的 Opus 模型一样,Opus 5.5 可提供零数据保留。

与 Fable 5.1 一样,Opus 5.5 也附带我们的水印措施,以符合欧盟《人工智能法案》的要求,详见此处。此外,它也不再支持关闭“thinking”模式,如我们在此处所述

可用性

Claude Opus 5.5 现已在所有平台上线,包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。在 Claude Platform 上,开发者可以通过 claude-opus-5-5 使用。

来源:Anthropic:Newsroom(网页)· anthropic.com