Anthropic于2026年7月24日发布了Claude Opus 5。虽然从名称上看似乎只是一个简单的版本升级，但此次发布的重点在于，重心正从“只有最昂贵的顶级模型才强大”的时代，转向“可投入日常工作的高性能代理模型”。
Opus 5并非像Claude Fable 5那样旨在处理绝对顶级的长期自主任务。相反，它被定位为一款在编码、知识工作、文档处理、搜索、计算机使用和长期工具使用等实际任务中，以更低成本提供接近Fable 5性能的模型。Anthropic解释说，Opus 5比Claude Opus 4.8有了大幅改进，并以Fable 5一半的价格提供了前沿级别的智能。
本文将总结Opus 5发布中值得关注的要点。我们不仅会列出基准测试分数，还会探讨Opus 5为何对开发者和企业用户至关重要，它适合哪些任务，以及在解读数据时应保持何种程度的谨慎。
一句话总结
Claude Opus 5更接近于一个“日常使用的高性能代理模型”。如果说Fable 5是用于最复杂、最长期的自主任务的顶级模型，那么Opus 5则是为了以更实际的成本处理编码、知识工作、文档分析、长上下文任务和自动化任务而设计的模型。
有三项显著变化：
- 提供1M令牌上下文和128k最大输出令牌。
- 思考（thinking）功能默认启用，推理深度可通过effort设置进行调整。
- 价格与Opus 4.8相同，即每100万输入令牌5美元，每100万输出令牌25美元。
这种组合相当重要。当模型变得更强大而价格不变时，用户获得的不仅仅是“更智能的模型”，他们可以在相同的预算下执行更长的任务、使用更复杂的工具，并运行更多的自我验证循环。
Opus 5的市场定位
审视Anthropic当前的Claude产品线，模型的角色变得更加清晰。Claude Platform文档建议在开始复杂的代理编码和企业任务时使用Opus 5，如果需要最高可用性能，则选择Fable 5。
| 模型 | 定位 | API 模型 ID | 价格 |
| — | — | — | — |
| Claude Fable 5 | 最高长期自主任务性能 | claude-fable-5 | 输入 $10 / 输出 $50 |
| Claude Opus 5 | 复杂代理编码和企业任务 | claude-opus-5 | 输入 $5 / 输出 $25 |
| Claude Sonnet 5 | 速度与智能的平衡 | claude-sonnet-5 | 输入 $3 / 输出 $15 |
| Claude Haiku 4.5 | 快速处理和低成本 | claude-haiku-4-5 | 输入 $1 / 输出 $5 |
有趣的一点是，Opus 5并非“最昂贵的模型”。过去，为了获得最佳结果，人们总是不得不选择顶级模型。然而，Opus 5旨在以低于Fable 5的成本处理从业者日常遇到的复杂任务。
换句话说，Opus 5的意义与其说是“最高分模型问世”，不如说是“高性能模型的价位已经下降，使其可以成为日常工作的默认选择”。
基准测试表中应关注的要点
对比用户分享的基准测试表和Anthropic官方发布的对比表，Opus 5在多个领域显著超越了Opus 4.8。尤其引人注目的是代理终端编码、知识工作、ARC-AGI-3、OSWorld 2.0和AutomationBench等项目。
图：Claude Opus 5、Fable 5、Opus 4.8和GPT-5.6 Sol的主要基准测试比较。来源： Anthropic官方发布
解读表格时，最好关注“在哪些类型的任务中变得更强”，而不是简单地看“赢了多少项”。
首先，Opus 5在代理终端编码中取得了43.3%的成绩。在同一张表中，Fable 5为33.7%，Opus 4.8为21.1%，GPT-5.6 Sol为34.4%。基于终端的编码基准测试评估的不仅仅是简单的编码问题，而是使用工具、观察失败并重试的能力。在这个领域得分的提高意味着它更接近于一个“能够将任务推进到底的模型”，而不是一个“一次性给出正确答案的模型”。
其次，在知识工作方面，根据GDPval-AA v2标准，得分为1861。GDPval是一个旨在评估接近具有经济价值的实际工作的基准测试。比数字本身更重要的是，模型评估正逐渐摆脱数学问题和编码问题，扩展到报告、文档、业务判断和分析产出等领域。
第三，在ARC-AGI-3中，得分为30.2%。ARC Prize的独立结果页面也指出，截至2026年7月24日，Claude Opus 5在ARC-AGI-3中取得了30.2%的最高分数。ARC-AGI类评估更侧重于评估泛化和解决陌生问题的能力，而非仅仅是回忆训练数据中记忆的知识。
第四，在OSWorld 2.0中，得分为70.6%。OSWorld是对在真实桌面环境中执行长时间任务流的计算机使用代理的评估。随着代理未来在浏览器、终端、文档编辑器和内部工具之间切换工作，这类评估可能会变得更加重要。
然而，我们不能忘记这张表是基于供应商的发布材料。基准测试会因条件、测试工具、尝试次数、工具提供方式、推理投入（effort）和成本计算方式而异。因此，在实际应用中，与其关注“Opus 5在某个公开表格中表现出色”，不如单独验证“Opus 5在我们的业务失败类型中是否确实减少了失败”。
Opus 5最实际的变化：思考功能默认启用
Claude Platform文档中最重要的变化是思考（thinking）功能默认启用。在Opus 4.8中，除非明确设置 thinking: {“type”: “adaptive”}，否则它会在没有思考的情况下运行。在Opus 5中，相同的请求默认会在思考功能开启的状态下运行。
这一变化对开发者具有相当实际的影响。
client = anthropic.Anthropic()
with client.messages.stream(
model="claude-opus-5",
max_tokens=64000,
output_config={"effort": "max"},
messages=[
{
"role": "user",
"content": "Explain why the sum of two even numbers is always even.",
}
],
) as stream:
response = stream.get_final_message()
print(response)此示例中的核心是 output_config={“effort”: “max”}。Opus 5提供 low、 medium、 high、 xhigh 和 max 的努力（effort）级别，默认值为 high。对于复杂任务，可以提高effort以进行更深入的推理；对于简单任务，可以降低effort以减少成本和延迟。
但是，对 max_tokens 的解释也需要谨慎。根据文档， max_tokens 是思考过程和最终响应的总输出限制。如果将之前在Opus 4.8中不使用思考功能的工作负载直接迁移，Opus 5中思考功能会占用部分令牌预算，因此可能需要重新调整输出限制。
还有一个破坏性变更。在Opus 5中，要禁用思考功能，effort必须为 high 或更低。在 xhigh 或 max effort下设置 thinking: {“type”: “disabled”}将导致400错误。这是迁移时容易忽略的一个点。
1M上下文和128k输出的意义
Opus 5提供1M令牌上下文窗口作为默认值和最大值。根据同步Messages API，最大输出为128k令牌。这不仅仅是“可以输入大量长文档”那么简单。
在实际工作中，以下任务变得可能：
- 同时阅读大型代码库中的多个文件，以确定重构方向。
- 一次性比较冗长的政策文件、合同、安全标准和操作手册。
- 累积代理在任务执行过程中生成的日志、测试结果和错误消息，以保持上下文不丢失。
- 在一次会话中多次修改文档草稿、表格、幻灯片和代码变更方案。
然而，长上下文并非免费。输入越多，成本越高，而且不必要的上下文越多，模型越有可能错过重要信号。因此，Opus 5的1M上下文不应被视为“无条件地全部输入”，而应被视为“在不中断的情况下维持真正长时间任务的一个选项”。
更接近代理模型而非编码模型
在Opus 5的发布中，反复出现的词是“代理性”（agentic）而非“编码”（coding）。Anthropic解释说，Opus 5擅长长时间维持工具使用循环、实现多文件功能、进行大型重构以及在没有占位符的情况下完成端到端的功能任务。
这与一般的代码生成能力不同。代码生成更像是“为我创建这个函数”。代理编码更像是“在这个仓库中找到并修复错误，进行测试，重新验证损坏的部分，然后总结变更原因”。
在实际开发工作中，重要的不是第一个答案的华丽程度。而是在中途失败时，能够阅读日志、改变假设、重新运行测试，并区分原因和症状的能力。Opus 5强调的“自我验证”（self-verification）和“长期任务”（long-horizon task）正是与此相关联。
对于运营博客、制作讲义或构建云安全实践的人来说，这也具有意义。因为模型的真正实力体现在多阶段任务中，例如资料研究、草稿撰写、代码验证、表格整理、图像布局和上传验证，而不是一次性提示就能完成的写作。
自动回退和对话中工具变更
与Opus 5一同，Claude Platform还发布了两项测试版功能。
首先是对话中工具变更（mid-conversation tool changes）。您可以在对话中途更改要使用的工具列表，同时保持提示缓存。以前，通常是在会话开始时发送一个固定的工具列表并持续使用。但在实际的代理任务中，可能最初需要搜索工具，中途需要代码执行工具，最后只需要文档编写工具。如果能够灵活地切换工具并保留缓存，那么长时间任务的成本和设计将会有所不同。
其次是默认回退模式（default fallbacks mode）。用户无需根据安全分类器或拒绝情况手动管理回退模型列表，而是可以应用Anthropic推荐的回退机制。特别是当Opus 5或Fable 5中的特定请求触发安全策略时，可以创建一个流程，将其转发给适当的模型，而不是简单地阻止。
然而，这些功能需要使用测试版头部（beta headers）。这意味着它们并非可以立即在所有生产系统中随意启用的功能，而更适合那些正在构建自己的代理平台或希望进行精细成本优化的团队进行实验。
安全性：更强，但某些领域需更谨慎
Opus 5发布中一个有趣的方面是，安全性与性能一样是一个重要话题。Anthropic解释说，Opus 5在其自动化行为审计中显示出近期模型中最低的“行为失调”（misaligned behavior）分数，并且不太可能被滥用。
同时，Anthropic表示Opus 5并未进一步推动危险双重用途能力的前沿。他们特别解释说，在攻击性网络安全和生物学长期自主研究方面，Mythos 5更强大。从安全角度来看，重要的句子是“允许查找源代码漏洞，但二进制漏洞扫描、渗透测试和漏洞利用生成等领域将被阻止”。
这对于从事安全工作的人来说有些微妙。Opus 5可能对静态代码审查、漏洞模式解释和防御性分析有用。但在渗透测试自动化或漏洞利用生成等具有高滥用风险的流程中，安全防护措施可能会介入。
Anthropic还解释说，Opus 5的网络分类器比Fable 5的限制性更小，并且Opus 5中被标记的请求在Claude.ai、Claude Code和Claude Cowork中默认会回退到Opus 4.8。这意味着Opus 5与其说是一个“无法执行安全任务的模型”，不如说是一个“在防御性任务上更开放，但在危险执行步骤上更谨慎地进行阻止的模型”。
开发者应立即检查的迁移要点
从Opus 4.8迁移到Opus 5最简单的改变是模型ID。
model = "claude-opus-4-8" # before
model = "claude-opus-5" # after但实际上，还需要同时检查以下内容：
| 检查项 | 重要性 |
| — | — |
| max_tokens | 思考功能默认启用，思考过程和响应共享相同的输出预算。 |
| output_config.effort | 这是直接调整成本、延迟和质量平衡的关键参数。 |
| 禁用思考功能的条件 | 在 xhigh 或 max effort下设置禁用思考功能将导致400错误。 |
| 提示缓存最小长度 | Opus 5的可缓存提示最小长度降低到512令牌。 |
| 回退设计 | 在安全分类器拒绝时，需要决定是转发给其他模型还是通知用户中断。 |
| 评估标准 | 不要只看供应商的基准测试，应使用内部业务样本进行回归测试。 |
特别是如果将其连接到内部代理或自动化系统，仅仅更换模型是不够的。相同的提示可能会产生更长的响应，执行更多的自我验证步骤，或者改变其工具使用方式。虽然这可能是积极的变化，但在已经精细调整的工作流程中，也可能导致意想不到的成本增加或步骤重复。
哪些团队应首先尝试Opus 5？
Opus 5似乎特别适合以下团队：
对于开发团队，值得尝试用于复杂的错误分析、代码审查、多文件重构、测试增强以及理解遗留代码库。虽然简单的代码片段生成可能使用更便宜的模型就足够了，但需要遵循整个仓库上下文并进行自我验证的任务，正是Opus 5优势显现的领域。
对于安全团队，它适用于防御性任务，例如政策文档分析、安全检查表生成、代码漏洞审查、云配置审计和事件报告草稿撰写。然而，对于可能触发安全防护措施的任务，如自动化渗透测试或漏洞利用生成，则需要单独的验证和政策确认。
对于数据和研究团队，它可用于总结长篇报告、比较多份文档、分析复杂表格以及解释实验结果。Opus 5在文档和电子表格处理以及长上下文方面的改进与此领域非常契合。
对于运营和业务自动化团队，值得测试通过多个步骤完成实际任务的自动化流程，正如Zapier AutomationBench所强调的。典型任务包括检查账户状态、分类风险信号、发送通知和生成摘要报告。
然而，基准测试终归是基准测试
尽管Opus 5的发布令人印象深刻，但将基准测试数据直接转化为购买决策是危险的。模型评估正变得日益复杂。即使是同一个模型，其结果也会因努力（effort）设置、工具提供方式、尝试次数、成本预算、是否存在回退以及安全过滤器是否介入而异。
因此，实际应用最好从小型内部评估开始：
- 收集20-50个在实际工作中经常失败的任务样本。
- 在相同条件下比较Opus 4.8、Sonnet 5和Opus 5。
- 不仅要看准确率，还要同时关注成本、延迟、重试次数以及人工修正时间。
- 确定符合安全、隐私、版权和内部数据政策的使用范围。
- 从效果良好的任务开始，有选择性地更改默认模型。
AI模型的选择正日益从“选择最智能的单一模型”转向“根据任务组合努力（effort）和模型”。Opus 5很好地展示了这一趋势。
结论：Opus 5的真正信息
Claude Opus 5的真正信息并非“又一个前沿模型的发布”。更准确地说，它是一个信号，表明高性能代理模型的价位正在下降，并且模型的使用方式正从一次性问答转向长期任务执行。
Fable 5仍然是处理最复杂长期自主任务的顶级选择。然而，对于日常重复的开发、文档、分析、自动化和安全审查任务，Opus 5可以成为一个更实际的默认选项。这是因为它以与Opus 4.8相同的价格提供了更长的上下文、默认思考功能、努力（effort）调整以及增强的代理性能。
然而，模型越好，越需要更好的评估习惯。基准测试表只是一个起点，最终判断应基于它在我们的工作中是否更少出错、更少迷失，并以更低的成本完成任务。Opus 5是一个值得根据这些标准进行充分测试的模型。
发表回复