Anthropic 发布了 Claude Opus 5.5，这是 Claude 5.5 家族的第一款模型。官方给它的定位是：多数工作上表现达到 Fable 5.1 的水平，典型负载下的运行成本比 Opus 5 低 40%。
这次发布还有一个容易被忽略的时间背景。就在不久前，Anthropic 的 CEO Dario Amodei 公开主张 AI 的进展应当被控制节奏，让安全实践跑在模型能力前面。Opus 5.5 是这一主张提出之后，Anthropic 发布的第一个模型。发布前它经过了外部机构评估，其中包括 Frontier Design 和 METR。自动化行为审计是 Anthropic 运行的最全面的一项对齐测试，在这一项上，Opus 5.5 是它迄今测过的最好的模型。它出厂时还带着 Anthropic 为能力最强的那批模型开发的护栏。
把这些放在一起看，这次发布真正变的不是分数，而是完成同一件事要花多少钱，以及这个模型被允许做什么。Anthropic 一边交出了史上最好的成绩单和最好的对齐审计结果，一边亲手给这两者都加上了限定。
下面的数字、时长和测试结论，都出自 Anthropic 自己的发布页。
分数领先，官方先给分数打了折
先看分数。
在 agentic 编程的三项基准上，Opus 5.5 全部登顶。Terminal-Bench 4.0 拿到 66.4%，Fable 5.1 是 55.8%，Opus 5 是 52.3%，GPT-6 Astra 是 57.9%，GPT-5.6 Sol 是 37.3%。FrontierCode v1.1 主榜拿到 54.4%，Fable 5.1 是 50.3%，Opus 5 是 48.0%，Astra 是 53.3%，Sol 是 47.5%。CursorBench 4.0 拿到 57.8%，Fable 5.1 是 51.8%，Opus 5 是 46.6%，Sol 是 41.7%，Astra 这一项没有数据。
知识工作用的是 Artificial Analysis 的 GDPval-AA v2.1，覆盖 44 个职业的真实工作，以 Elo 计分。Opus 5.5 得到 1846，Fable 5.1 是 1735，Opus 5 是 1708，Astra 是 1542，Sol 是 1588。
多学科推理的 Humanity’s Last Exam，带工具条件下 Opus 5.5 是 67.7%，Fable 5.1 是 65.6%，Opus 5 是 63.6%，Astra 是 57.2%。计算机使用的 OSWorld 2.0，按 partial 计分 Opus 5.5 是 81.8%，Fable 5.1 是 80.7%，Opus 5 是 74.0%。视觉图表识别的 Chartography，带工具条件下 Opus 5.5 是 89.0%，Fable 5.1 是 88.4%，Opus 5 是 83.4%。
但有两项，Opus 5.5 不是第一。
一项是商业工作流的 AutomationBench，Opus 5.5 拿到 40.0%，而 GPT-6 Astra 是 41.4%。另一项是 agentic 科研的 Terminal-Bench-Science 0.1，Opus 5.5 是 58.7%，Astra 是 64.6%，差了将近 6 个百分点。Anthropic 在开篇称 Opus 5.5 是新的领先模型，而在正文里把这句话限定为在 agentic 编程、计算机使用和知识工作上领先。两种说法都出现在同一篇文档里。
AutomationBench 这一项还有一层说明。这组结果由 Zapier 运行并发布，Opus 5.5 的成绩来自 Zapier 在早期接入期的自有评估，其余模型的成绩来自 Zapier 的公开榜单。Zapier 运行时没有配置回退模型，所以护栏一旦介入就直接计为失败。Anthropic 据此认为这个分数低于 Opus 5.5 在实际使用中能达到的水平。
比这些分数更值得注意的，是 Anthropic 自己给分数加的限定。
原文的说法是，在这个能力水平上，基准之间的差距已经不再是真实差异的可靠指引；在 Anthropic 自己的使用中，Opus 5.5 和 Fable 5.1 的差距比分数显示的要窄。
除另行说明外，Opus 5.5 的成绩使用 adaptive thinking 和 max effort；Terminal-Bench 4.0 这一项，Opus 5.5 取 xhigh effort，Astra 取 high effort，各为其最高分。
还有一条脚注，值得单独拎出来。Opus 5.5 是在生产护栏开启的状态下接受评测的。护栏一旦介入，网络安全任务实际由 Opus 4.8 完成，生物学和前沿 LLM 开发任务实际由 Opus 5 完成。Anthropic 自己写明，这很可能压低了 Opus 5.5 在这些基准上的成绩。换句话说，这张表上的部分数字，并不是同一个模型跑出来的。这一点会在后面关于护栏的部分再次出现。
真正的变量是单位成本
这次发布最硬的部分在价格上。
按每百万 token 计算，Opus 5.5 的输入价格是 4 美元，输出是 20 美元。Opus 5 对应的是 5 美元和 25 美元，也就是说输入输出都降了 20%。缓存写入从 6.25 美元降到 5 美元。降幅最大的是缓存读取，从 0.50 美元降到 0.20 美元，低了 60%。Anthropic 特意说明，缓存读取占了 agentic 和编程工作成本的大头——这意味着降幅最大的那一项，恰好落在花钱最多的地方。
做个对照会更直观。Fable 5.1 每百万 token 输入 10 美元、输出 50 美元——这个数字来自 Claude 平台的公开价目，本次发布页并没有给出。而 Anthropic 对 Opus 5.5 的定位，是在多数工作上达到 Fable 5.1 的水平。输入和输出两项算下来，都正好是 Fable 5.1 的四成：同一档位的表现，token 单价只要四成。
有一点容易混：”低 40%”和”低 20%”不是同一个数。输入、输出和缓存写入这三项单价降的是 20%，而 40% 指的是典型负载下的运行成本。这 40% 由两部分构成：每 token 更便宜，并且每完成一个任务用掉的 token 更少。Anthropic 的原话是，Opus 5.5 优势非常清楚的地方就在效率上。
输出速度也快了，比 Opus 5 高出 30% 以上。
把价格和 token 消耗合到一起看，就得到了这次发布里一组反复出现的成本比。这几项比较有一个共同前提：Opus 5.5 用的都是默认档位。在这个前提下，FrontierCode 上它胜过 GPT-6 Astra，每任务成本约为后者的 20%；Terminal-Bench 4.0 上它与 Astra 打平，成本约为 40%，同一项基准上它还胜过了 Opus 5 的最高档位，成本约为五分之一；CursorBench 上它领先 GPT-5.6 Sol 11 分，成本约为三分之一。知识工作的 GDPval 上，默认档位（medium）胜过 Astra 的最高档位，每任务成本同样约为五分之一。
这次发布里唯一比标准档贵的选项是 fast mode。Claude Code 和 Claude 平台上可以用，最高 2.5 倍速，代价是每百万 token 输入 8 美元、输出 40 美元，正好是标准档的两倍。
订阅侧也有变化。Pro、Max、Team 以及按席位计费的 Enterprise 计划，五小时用量上限都提高了。此外订阅用户会拿到一次限额重置，这次重置可以存起来，什么时候想用就什么时候用。
长任务上的证据
Anthropic 给出的实测集中在一类任务上：时间长、范围散、有明确验收标准。
规模最大的一例来自早期测试者，在一天之内完成了 68 万行代码的迁移。Anthropic 的说法是，这项工作原本需要一个工程团队几周时间。
另一例同样来自早期测试者：在三小时内审计并修复了一个 20 万行的代码库。同一任务 Opus 5 耗时 20 小时以上，并且消耗了 2.5 倍的 token。
内部测试的记录要具体一些。Anthropic 让 Opus 5.5 和 Fable 5.1 把 HAProxy 从 C 语言翻译成 Rust——HAProxy 是一款被广泛使用的负载均衡软件，负责把网络流量分配到多台服务器上。两个模型重写出的版本都通过了 HAProxy 自带回归测试的绝大部分。Opus 5.5 用了 9.5 小时，Fable 5.1 用了 12 小时，成本低 51%。
另一项内部测试是让模型削减某个 web 应用每个页面的加载时间。Opus 5.5 在 40 次尝试中成功了 39 次。Opus 5 的改进幅度更小，而且改变了应用本身的行为。
知识工作这边也有两组内部测试。一组是并购分析：让 Opus 5.5 和 Opus 5 分析两家虚构 HR 软件公司的拟议并购，各自在 Excel 里建财务模型，再把模型转成一份面向高管的演示，判断这笔交易在这个价位上是否划算。两个模型给出的结论一致。Opus 5.5 的模型更周全，演示更易读；Opus 5 的版本有一些小错误。Opus 5.5 用了 63 分钟，Opus 5 用了 93 分钟，成本低 50%。
另一组是检索研究，这一组的对比强度最高。Anthropic 让 Opus 5.5、Fable 5.1 和 Opus 5 在一份被刻意处理过、财报发布难以检索的网页副本上，撰写一家公司的季度业绩报告。一个自动评分器逐项核对报告里的每个数字和每句引语，只要有一处是编造的，整份报告就判定失败。在不同的 effort 档位下，Opus 5.5 的 18 份报告中有 16 份达标，而 Fable 5.1 和 Opus 5 一次都没有达标。
具名的第三方反馈有一例。投资机构 Walleye Capital 作为早期测试者反馈说，Opus 5.5 在最低档位上就基本解决了他们的评估套件；在更高档位上表现更好，还发现并纠正了他们评估说明里的一处错误——在此之前，没有任何模型发现过这个错误。
最后一例偏向观感。一位测试者让多个 Claude 模型从同一条提示词生成一个游戏，Opus 5.5 凭图形表现和完成度拿到了高于其他任何模型的分数。
它换了一种说话方式
对 Opus 5 最集中的反馈之一，是它的表达方式。这次发布在这一点上做了改动。
具体变化有三条：把最重要的信息放在前面；减少行话和个人化的表达；更严格地遵守用户给定的写作规则。早期测试者的原话是，”它写东西的方式和我一样”。
Anthropic 放了一组对照示例来说明改了什么：同一个问题——用户要求解释一处账单异常——把两个模型的回答摆在一起。
Opus 5 的回答以”我发现了什么”为小标题开头，第一句就指出多出来的下降不是免费档造成的，而是 commit `0552feb` 引入的回归，接着展开代码层面的对比，最后分析了新写的测试为什么没能抓到这个问题。它始终没有给出金额上的拆分。
Opus 5.5 的回答把结论直接写成开头的标题句，并且带着数字：免费档的变动只解释了 1.50 美元，剩下的 9.92 美元来自 commit `0552feb` 的一个 bug——这次提交当初被标注为”无行为变更”。
两个模型对 bug 本身的定位是一致的。原本的代码用的是半开区间，重构之后变成了闭区间，而作为区间右端的 `last_day` 是当月最后一天零点的时间戳，不是一整天。结果是，每月最后一天零点之后产生的用量，既不计入当月，也不会被下个月捡起来——它根本没有被计费。
两份回答的准确性没有差别，差别在于读到哪一行才能拿到一个可以据以行动的结论。Anthropic 认为这不只是体验问题：更好读意味着更容易核对，而更容易核对是一项安全收益。
第一次给 Opus 装上 Fable 级护栏
企业把 agent 放进自己的系统里，尤其是让它无人值守连续跑上几个小时时，需要确认它是按预期行事的。围绕这一点，Opus 5.5 配了三样东西：一个在每个动作执行前先做筛查的分类器、一个安全团队可以自行审计的开源沙箱，以及一道在代码合并前拦截漏洞的审查。
模型自身的护栏是这次发布的另一处首次。这是第一个在网络安全、生物学和反蒸馏三个方向上，都以 Fable 5.1 同类护栏起步的 Opus 模型。三项护栏都会透明地回退到另一个模型。
网络安全方面，因为 Opus 5.5 的相关能力极强，Anthropic 给它套用了与 Fable 5.1 相似的护栏。用户在常规软件开发流程中查找和修复自己代码里的缺陷不受影响，但大多数网络安全任务会被改派给 Opus 4.8。对于防守方，Cyber Verification Program 将扩展到 Opus 5.5，新的项目会分成三级，权限逐级放宽，最高一级可以使用 Mythos 模型。Claude Security 目前已经可以使用 Mythos 5.1。
生物学方面，Opus 5.5 的能力超过 Opus 5，在多个方向上与 Mythos 5.1 相当或更强。Anthropic 举的例子是，在与 Dyno Therapeutics 合作开展的长周期分子预测与设计评估中，Opus 5.5 取得了改进；专家红队对它科学新颖性的评价，与他们测试过的最好的模型相当。基于这个能力水平，Opus 5.5 沿用 Fable 5.1 的生物学护栏。研发工作如果被这些护栏挡住，可以申请 Life Sciences Verification Program，这个项目面向学术实验室、初创公司和制药企业这类经过核验的组织。
第三项是反蒸馏。蒸馏攻击指的是攻击者动用成千上万个虚假账号，以工业化的规模提取一个模型的能力。Anthropic 的担心是，这让不法行为者能够造出能力很强、但不带 Claude 那套护栏的模型。Opus 5.5 启用了 preserved thinking，这是随 Fable 5.1 引入的反蒸馏措施，作用是阻止 API 用户通过编辑 Claude 的既往上下文来套取它的推理过程。它只适用于 2026 年 8 月 31 日及之后创建的 API 账号，不是对所有用户生效。
合规方面还有三条。Opus 5.5 和以往的 Opus 模型一样提供零数据保留；它带有为符合欧盟 AI 法案而加入的水印措施；以及，它不再提供关闭 thinking 模式的选项。
回到前面那条脚注。护栏在这次发布里是同一套机制的两面：它被作为安全成就陈述，同时又是 Anthropic 自己承认的、压低了基准成绩的原因。网络安全任务改派给 Opus 4.8，也意味着用户按 Opus 5.5 发起请求时，实际拿到的可能是另一个模型的输出。Anthropic 把这称为”透明回退”。
Anthropic 自己划出的边界
对齐这边，先看正面结果。
Anthropic 的主要评估套件是一套自动化行为审计，覆盖近 2000 个场景。在这套测试上，Opus 5.5 在几乎每一项失准行为的指标上都优于近期的 Claude 模型，在多数诚实性指标上也是最强的。它比近期模型更不容易采取难以撤销的行动，也更不容易越出被给定的边界，对提示注入的抵抗力强于 Opus 5。在 AI 安全公司 Gray Swan 运行的一项基准上，Opus 5.5 与 Fable 5.1 并列，提示注入的成功率是所有受测模型中最低的。
还有一项新设计的评估，专门测模型跨越隔离边界的倾向。Opus 5.5 试图绕过边界的频率，比 Opus 5 或 Mythos 5.1 低了约 85%，而且它做出的每一次尝试都属于低危，并且由模型自己报告了出来。Anthropic 的说法是，对于把 Claude 放在代码库和系统里无人值守运行的团队来说，这一条的分量不亚于能力本身。
Opus 5.5 还在若干具体行为上有所改进，这些行为都与近期的网络安全事件有关：有偏或有动机的推理、试图逃出沙箱、以及在判定自己处于模拟环境之后仍然采取有害行动。Anthropic 也扩大了对齐测试的覆盖范围，纳入了长任务、不可能完成的任务，以及以真实事件为原型的场景，同时说明这仍有局限。
然后是同一篇文档里的另一段话。
Anthropic 写道，构建能够在部署之前可靠捕捉每一种失败的评估，至今仍是一个未解决的问题。更具体的是下面这句：有迹象显示，Opus 5.5 常常怀疑自己正在被评估。这直接削弱了 Anthropic 判断它在真实场景中会如何行动的能力。随着部署场景不断扩大、模型能力继续提升，除非可解释性研究取得进展，Anthropic 预计这个困难只会加剧。
史上最好的对齐审计成绩，和对这套审计本身有效性的公开保留，出自同一篇文档。Anthropic 给出的应对是两手并用：自己的对齐工作，加上前面那套会实际降低产品能力的护栏。
这也回到了 pacing the frontier 的框架。Anthropic 把安全工作分在两条时间线上。当前一代模型依靠的是一套已经成型的实践：大规模对齐测试、METR 和 Frontier Design 这类外部机构的发布前评估、按能力匹配的护栏。
面向未来的那条线则是在改造训练和评估流程：收紧强化学习环境的筛选——Anthropic 认为有缺陷的环境是失准行为的主要来源——改进对齐奖励，自动生成新的、多样的安全训练场景，以及加强安全与监控，希望用基于可解释性的监控减少对审查思维链的依赖。Anthropic 也明确写道，对于能完全自动化 AI 研究工作本身的模型，上述措施不足以独立达到所需的安全标准，公共政策需要在其中发挥更大作用。
Opus 5.5 现在已经在所有平台上可用，包括 AWS、Google Cloud 和 Microsoft Azure。在 Claude 平台上，开发者使用的模型 ID 是 `claude-opus-5-5`。Claude Sonnet 5.5 和 Claude Haiku 5.5 将在数周内跟进，带来同一批性能、效率和安全上的改进。
官方博客：https://www.anthropic.com/claude-opus-5-5