Opus 5.5：Anthropic称性能达到Fable 5.1水平，标价下调

价目表是唯一无可争议、可以直接核实的部分：每百万输入token 4美元，每百万输出token 20美元，Opus 5则是5美元和25美元。缓存读取从0.50美元降到0.20美元，缓存写入从6.25美元降到5美元。Anthropic还称，总体使用成本下降40%，输出生成速度提高30%以上。模型同时提供“fast”模式，价格为8/40美元，速度快2.5倍。模型已在Claude平台、AWS、Google Cloud和Azure上线，模型ID为claude-opus-5-5。至于Sonnet 5.5和Haiku 5.5，公司只说会在“未来几周”推出，没有给出日期。

性能方面有两组数字，而它们说的不是一回事。Anthropic公布的成绩是：Terminal-Bench 4.0为66.4%（Opus 5为52.3%），FrontierCode v1.1为54.4%（Fable 5.1为50.3%），CursorBench 4.0为57.8%，OSWorld 2.0为81.8%，Humanity's Last Exam为67.7%。自行测量的Artificial Analysis在其Intelligence Index中给了这款模型58分，是迄今测得的最高分，超过此前排名第一的Fable 5.1。但它测得的Terminal-Bench 4.0成绩是59.6%，Humanity's Last Exam是61.4%。前者相差七个百分点，后者相差六个。配置和effort等测试条件没有说明，缺了这些，两列数字就无法比较。这是两次各自独立的测量，并不是其中一个数字被推翻了。

还有一个数字，应该和宣传的节省放在一起看。在其指数的任务中，Artificial Analysis统计到Opus 5.5消耗了约11.9万个token，Opus 5约为7.3万个。单价降了，用量却涨了，最后的账单取决于你让模型做什么。安全方面，Anthropic称在其涵盖约两千个场景的自动化行为审计中，这款模型取得了迄今所有受测模型中的最好成绩。发布前，METR和Frontier Design等外部评估方参与了评估。但在同一份公告中，公司也承认模型“经常怀疑自己正在被评估”，并写道：“building evaluations that reliably catch every failure prior to deployment remains an unsolved problem”（“构建能在部署前可靠发现每一个失误的评估，仍是一个尚未解决的问题”）。生物学领域沿用Fable 5.1的安全措施，并需通过Life Sciences Verification Program获得经验证的访问权限。网络安全领域的部分请求则会转给更早的模型处理。

最让我停下来琢磨的是时间点。这次发布距Opus 5约两个月。据TechCrunch报道，这是Anthropic首席执行官公开表态之后该公司推出的第一款模型，他当时说：“I have become convinced that fully addressing the risks requires even more prudence”（“我已确信，要充分应对这些风险，需要更加审慎”）。ANSA则记录了OpenAI和Anthropic在几小时之内相继发布新模型。我并不认为这里有矛盾。消息来源报道的是这番表态和发布时间，而不是两者之间的联系，谁要把两者联系起来，就超出了消息来源所说的范围。不过，关于评估无法发现每一个失误的那句话，是整份公告里最诚实的一行。写下它的，正是声称这款模型在自家行为审计中取得最好成绩的那家公司，而这句话承认，衡量这些模型的标尺还在搭建之中。20%的降价写在价目表上。其余的，要么是卖方的说法，要么是第三方在未说明条件下测得的结果。

— Olya