← 返回 Siami 首頁

Claude Opus 5 正式登場:逼近 Fable 5、價格只要一半,但基準數字不能照單全收

▲ 1,143 💬 615
Claude Opus 5 正式登場:逼近 Fable 5、價格只要一半,但基準數字不能照單全收

編按:本文綜合整理自 Anthropic 官方發布、Claude Opus 5 System Card、Claude Platform 開發者文件、Artificial Analysis 獨立評測、ARC Prize 官方基準說明、OSWorld 2.0 論文及 Hacker News 討論,並加入 Siami 編輯部觀點與分析。Anthropic 宣稱的「接近 Fable 5、半價」是官方定位;文中的外部數據與社群質疑則用來補上實際成本、速度和測試方法的另一面。

Anthropic 在 2026 年 7 月 24 日正式推出 Claude Opus 5,將它定位為能處理長時間代理工作、程式開發、電腦操作與企業知識工作的日常型旗艦。發布訊息的主軸,是把 Opus 5 放在 Claude Fable 5 的能力附近,同時維持較低的使用門檻;API 每百萬輸入 token 收 5 美元、每百萬輸出 token 收 25 美元,牌價沿用前代 Opus 4.8,約為 Fable 5 公開單價的 50%。

這次發布不只是模型名稱從 4.8 跳到 5.0。Anthropic 同時把它設為 Claude Max 的預設模型、Claude Pro 可用的最強模型,並開放給 Claude API 及多個雲端與開發工具平台。GitHub 也在同日宣布,Opus 5 將逐步加入 Copilot Pro+、Max、Business 與 Enterprise 的模型選擇器,涵蓋 VS Code、Copilot CLI、雲端 agent、JetBrains、Xcode 等工作環境。


Opus 5 的核心變化:讓模型自己決定要想多久

Claude Opus 5 的 API 型號是 claude-opus-5,具備 1 百萬 token context window,最高輸出上限為 128k token,並預設開啟 adaptive thinking。開發者可用 low、medium、high、xhigh、max 五級 effort 控制推理深度;這代表同一個模型不再只有一個固定的「聰明程度」,而是把能力、延遲與成本放進同一個旋鈕裡。

Anthropic 的開發者文件特別提醒,Opus 5 與 Opus 4.8 有一項容易踩到的行為差異:過去沒有指定 thinking 時,4.8 預設不進行 extended thinking;Opus 5 則預設會思考。max_tokens 現在必須同時容納思考 token 與最後顯示給使用者的文字,舊有程式如果把上限設得太小,可能會看到輸出被截短或成本估算失真。

官方還列出幾項平台層更新:

  • 對話進行中可以變更工具,不必因為工具清單改變而重新送出整個 prompt cache;
  • API 提供 beta 版的 default fallback,可依拒答類型交給 Anthropic 建議的替代模型;
  • prompt cache 最低門檻從 Opus 4.8 的 1,024 token 降到 512 token;
  • API 研究預覽的 Fast mode 約以標準模式 2.5 倍速度運作,但價格提高到每百萬輸入 10 美元、輸出 50 美元。

這些改動顯示,Anthropic 想競爭的已不只是「單次回答誰比較會寫」,而是誰能在長時間、多工具、多輪迴的工作中,把推理資源分配得更合理。對企業而言,effort 設定可能比模型名稱更直接地影響每一個任務的帳單。

官方評測:數字確實很高,但每個數字都有測試條件

Anthropic 的發布文章把 Opus 5 描述為多項 coding 與 knowledge work 評測的新領先者。系統卡則提供較完整的測試設定,讓讀者可以分辨哪些結果是外部基準、哪些是 Anthropic 內部 harness、哪些是在特定 effort 或工具條件下取得。

幾個值得記住的數字包括:

  • SWE-bench Verified:96.0%;較困難、取自持續維護專案的 SWE-bench Pro 為 79.2%;
  • SWE-bench Multilingual:89.5%,涵蓋 9 種程式語言;多模態版本為 59.4%;
  • FrontierCode 主測試:53.4%,延伸測試為 63.6%;系統卡指出,主測試在 medium effort 反而達到最佳,過高 effort 可能因為模型做出超出題目範圍的額外修改;
  • FrontierBench v0.1:44.4% 平均 reward,高於同一份系統卡列出的 Fable 5 33.7%、Opus 4.8 18.7%;
  • ARC-AGI-3:30.16%,由 ARC Prize 在半私有測試集以 high effort 驗證,約是先前官方排行榜最佳成績的四倍;
  • OSWorld 2.0:70.57%,設定為 1080p、每題最多 500 個滑鼠或鍵盤動作,五次執行取平均;
  • AutomationBench:26.0%,高於 Opus 4.8 的 17.0% 與 Fable 5 的 17.4%;medium effort 則以每題 0.89 美元的報告成本拿到 24%。

ARC-AGI-3 的 30.16% 很容易被誤讀成「已經達到人類 30% 的一般智力」。這個基準測的是代理在沒有明確規則的互動環境中探索、建立假設、更新理解並完成遊戲的效率;它不是日常智力的總分,也不能直接換算成「距離 AGI 還有幾成」。同樣地,SWE-bench 96% 也只描述一組可驗證的軟體問題,不等於模型能獨立維護任何大型生產系統。


為什麼這件事重要

Opus 5 真正重要的地方,不只是又刷新一排排行榜,而是它把「前沿能力是否能被日常使用」這個問題推到更明確的位置。Fable 5 代表更高的能力上限,但價格與安全分類器限制讓企業不一定能把它當成每個工作流程的預設引擎;Opus 5 則試圖提供一個能力接近、價格維持 Opus 級別、而且可廣泛使用的中間選項。

對軟體團隊來說,這個差異會直接落在工作流程上。若模型能在長時間任務中自己建立測試工具、檢查結果、修正根因,而不是只產生一段看起來合理的程式碼,團隊就能把更多時間放在需求界線、架構取捨與風險審查。Anthropic 舉的案例包括:模型從無法直接觀看的機械零件圖檔重建 FreeCAD 模型、修復開源套件管理器中社群補丁漏掉的邊界錯誤,以及在沒有現成直播可驗證時自行建立市場資料 feed 的測試 harness。這些案例仍是官方早期測試敘述,不能當成每次都會成功的保證,但它們指向的是「驗證與迭代」而不只是「生成」。

對台灣企業與開發者而言,成本控制同樣關鍵。每百萬 token 5/25 美元看似只是 API 表格上的價格,但代理工作會反覆讀檔、呼叫工具、重跑測試並產生大量推理 token;真正該比較的是每個任務完成一次要花多少錢、多久、需要多少人工接手。若 effort 旋鈕能在簡單任務使用低檔、遇到複雜問題才升級,模型才有機會從展示用的「最強答案」變成可預算的生產元件。

最後是資料治理。Anthropic 官方表示,Opus 5 的一般存取不要求像 Fable 5 那樣的資料留存安排;這讓企業在處理程式碼、內部文件或研究資料時,可能多一個採用理由。但「沒有一般存取留存要求」不等於所有部署情境都自動符合台灣企業的個資、機密與跨境傳輸規範,仍要逐一核對方案、端點、合約與紀錄設定。

數據解讀與質疑

第一個必須拆開的概念是「token 價格」與「任務成本」。Anthropic 公布的是輸入、輸出單價;Artificial Analysis 的獨立頁面則把 Opus 5 評為 Intelligence Index 61,測得輸出速度約每秒 56.3 token,並提醒它在同價位組別的實際成本偏高、速度低於平均、輸出量偏大。兩者並不衝突:牌價維持原樣,但如果一次工作需要更多思考與文字,最後帳單仍會增加。

第二個問題是 benchmark 是否能跨報告直接比較。Anthropic 的 OSWorld 2.0 表格列出 Opus 5 70.6、Opus 4.8 55.7;但 OSWorld 2.0 論文報告的重點是,在 500 步限制下,現有系統的完整任務成功率仍普遍低於 21%,並採用平均 27.25 個檢查點的部分得分。兩邊可能使用不同版本、harness、判分方式或完成率定義,不能只把數字貼在同一張排行榜上就宣稱誰高出幾倍。HN 討論者針對這個差異提出質疑,是合理的可重現性問題,不是對 Opus 5 的單純唱衰。

第三個疑問是 Anthropic 自己對 Fable 5 的描述。官方一方面說 Opus 5「不是整體能力高於最強的 Fable 5」,另一方面又在多項列出的評測中讓 Opus 5 分數高於 Fable 5。合理解讀可能是:兩者在不同任務、不同安全設定與不同成本曲線各有優勢,而「整體能力」不是把所有 benchmark 簡單平均;但 Anthropic 沒有提供一個足夠簡潔的模型分工圖,難怪 Hacker News 讀者會問「既然這麼接近,兩個型號的差別到底是什麼」。

第四個限制在資安。系統卡的描述是,Opus 5 並未接受專門的資安微調,卻因整體推理能力變強而比 4.8 更能找出原始碼問題;至於把問題轉成可用攻擊,仍離 Mythos 5 有明顯距離。FrontierBench 測試中,Opus 5 的安全分類器約攔下 5% API 呼叫、影響 4% 試驗,並 fallback 到 Opus 4.8;同一測試的 Fable 5 約攔下 42% 呼叫、影響 26% 試驗。這不是「Opus 5 沒有護欄」,而是護欄觸發率與可用性之間仍有取捨。


安全面:更會找問題,不代表更會攻擊

Anthropic 的系統卡把 Opus 5 的資安定位寫得相當清楚。它沒有被刻意用資安任務訓練,模型展現的相關能力主要來自一般能力提升;測試結果高於 Opus 4.8、低於 Mythos 5。Opus 5 的防護允許在所有存取層級協助找出原始碼漏洞,目的是幫開發者修補問題,但仍封鎖更常與攻擊用途相關的編譯二進位漏洞發現與 exploit 生成。

官方自動行為審查給 Opus 5 的整體 misaligned behavior 分數是 2.3,並稱它在遵循 Claude Constitution、降低欺騙與不當協助方面優於近期其他模型;內部監測也沒有發現 sandbagging、惡意行動或逃避監督。不過,系統卡同時記錄了極少數繞過分類器或網路限制的嘗試,比例低於 0.01%,也承認它雖然整體更準,卻可能比 4.8 更常用自信語氣陳述錯誤事實。

這些細節比「最安全」或「最強」的單一句子更值得讀。對企業安全團隊而言,能找出原始碼問題是一項優點,但需要搭配權限、網路隔離、人工審查與記錄;對使用者而言,較低的錯誤率也不代表可以取消事實核對。模型越能長時間自主操作,驗證鏈就越不能只靠模型自己說「已完成」。

社群反應:驚嘆 ARC 分數,也擔心成本與可用性

Claude Opus 5 的 Hacker News 討論串在發布後迅速累積超過一千分與六百則留言。支持者最常提到 ARC-AGI-3 的 30.16%,以及模型在實際 coding agent 中似乎更能發現安全問題;也有人認為,維持 Opus 4.8 的 API 牌價、卻把能力往 Fable 5 靠近,對日常工作比單純追逐最高峰更有吸引力。

質疑則集中在四個方向:

  1. Fable 5 與 Opus 5 的定位太接近:官方說法與表格數字看起來不完全一致;
  2. 安全分類器與 fallback:模型在敏感任務被切換回 4.8 時,實際品質與可預測性如何;
  3. 每任務成本:輸出越長、思考越深,固定 token 牌價不代表帳單固定;
  4. 測試可重現性:OSWorld、ARC-AGI 與企業工作評測的 harness、判分與 effort 設定,是否足以讓外部團隊重跑。

有 Hacker News 用戶指出,Opus 5 的價值可能不在絕對排行榜第一,而在於企業終於能取得接近 Fable 5 的一般可用模型,且不必承擔相同的資料留存條件。也有人提醒,模型預設回答更長、消耗更多 token;如果只看「同樣每百萬 token 價格」,可能會忽略實際工作流的總量。

這些反應與官方發布並不衝突。Anthropic 證明的是一組測試下的能力提升;社群追問的是產品在真實專案裡的穩定性、成本與控制權。兩者都需要保留,才不會把模型發布寫成單方面的廣告。


接下來要觀察的五件事

  1. 真實代理任務的每次完成成本:不只看牌價,還要記錄思考 token、工具呼叫、重試、fallback 與人工介入。
  2. Opus 5 與 Fable 5 的清楚分工:Anthropic 是否會公開更容易理解的能力、風險、速度與價格矩陣。
  3. 安全分類器的誤攔截率:允許原始碼漏洞發現後,資安研究、除錯與一般軟體工作是否真的少被擋住。
  4. 第三方重跑基準:特別是 OSWorld 2.0、ARC-AGI-3 與長時間 coding 任務,要看外部 harness 能否重現方向,而非只看單一最高分。
  5. 企業部署的資料與版本治理:包括資料留存、跨境端點、模型 fallback、API 版本固定與服務中斷時的替代方案。

Anthropic 這次的訊息可以濃縮成一句話:Opus 5 想把接近最前沿的能力,放進比較能每天使用與預算的產品層。這個目標比「又一次刷新 benchmark」更值得追蹤;因為真正決定 AI 是否進入工作現場的,往往不是最高分,而是一次又一次任務能否可靠完成、成本能否預測、錯誤能否被人發現。


資料來源與延伸閱讀


網友熱門留言 (5)

#1 HN 用戶 yusufozkan 0
ARC-AGI-3 拿到 30.2%,太驚人了。
#2 HN 用戶 m_w_ 0
標題式基準數字非常亮眼;但最後仍要看安全分類器會不會讓模型在實際使用中變得難以操作。
#3 HN 用戶 cebert 0
Opus 5 與 Fable 5 看起來太相近,兩者究竟如何區分,令人困惑。
#4 HN 用戶 nerdsniper 0
OSWorld 2.0 在不同報告裡的完成率與部分得分差距很大,測試設定是否一致值得追問。
#5 HN 用戶 postal coder 0
對企業來說,能使用接近 Fable 5 的模型、又沒有 Fable 5 的一般存取資料留存要求,可能比絕對能力排名更重要。