Anthropic刚刚发布了一款更强的Claude
但这一次最值得追问的
可能不是它又赢了多少项测试
真正的问题是
为什么一家刚刚公开呼吁
前沿AI放慢脚步的公司
转身就拿出了一款更快更便宜
也更适合长期自主工作的模型
答案藏在一个越来越危险的变化里
Aibench四点公司已经不
满足于让模型回答问题
他们正在让模型接管数
小时甚至数天的工作
到了这个阶段
能力只是入场券
谁能让模型持续工作而不失控
谁才可能拿走下一轮市场
2026年9月22日
Anthropic正式发布Claude Opus 5.5
这是Claude 5.5家族的第一款模型
sonnet 5.5和Haiku 5.5会在随后几周跟进
按照官方定位
Opus 5.5在多数工作中
的表现接近fable 5.1
典型任务成本却比上一代Opus5低约40%
它的API输入价格是每百万TOKEN4美元
输出20美元
分别比Opus5低20%
缓存读取价格降到每百万TOKEN0.2美元
比上一代低60%
输出速度则提高超过30%
这些数字放在一起
透露出Anthropic的真正目标
Opus5.5并不是一款单纯
冲击最高跑分的昂贵旗舰
他要把高端模型从偶尔
调用的专家变成可以
长时间待在项目里的执行系统
单个TOKEN降价只能带来有限变化
模型少走弯路
少重复读取代码
少输出无用解释
才会让一个持续10小时
的任务真正便宜下来
Anthropic给出的案例很直接
一名早期测试者让Opus5.5处理
一个68万行代码的迁移项目
不到一天就完成了
按照对方估算
同样的工作交给工程
团队可能需要数周
另一个20万行代码库
的审计与修复任务
Opus5.5不到3小时完成
Opus5用了超过20小时
TOKEN消耗还是前者的2.5倍
这里最关键的变化
是他在大范围代码中定位问题
保留上下文和连续
推进任务的效率提高了
单纯的打字速度无法解释这种差距
Anthropic还让Opus 5.5和fable 5.1把
HA proxy从c语言迁移到rust
HA proxy不是一个适合
拿来表演的玩具项目
它是被大量生产系统
使用的负载均衡软件
两个模型生成的版本都
通过了接近全部的回归测试
Opus 5.5耗时9.5小时
fable 5.1用了12小时
前者成本低51%
这组结果更接近
企业真正关心的问题
模型不只要生成一段
看起来合理的代码
还要让整个项目能编译能测试
并且在长任务中维持一致性
跑分也支持这个方向
OPPOS5.5在Terminalbench4.0得到66.4%
在frontiercode主测试得到54.4%
cursorbench4.0为57.8%
GDP VL AA知识工作测试中
它拿到1,846分
带工具的humanities last exam是67.7%
Automation bench为40%
其中Frontier code不只检查答案对不对
还看修改范围是否克制
测试是否完善
代码风格能不能被项目接受
Anthropic称Opus 5.5
在默认推理强度下
以大约GPT6Astra1/5的任务成本
取得略高的Frontier code成绩
但排行榜不能直接
变成全面领先的结论
Terminal bench中
不同模型使用的推理
强度并不完全相同
部分沉积来自厂商自己的运行环境
安全系统介入时
某些网络安全任务会转给Opus4.8
生物学和前沿模型
开发任务会转给Opus5
Anthropic也在发布页面主动提醒
模型能力到了这个水平以后
几分的基准差距越来越
难代表真实使用差距
公司内部使用时
Opus5.5和fable 5.1之间的差别
没有表格显示的那么夸张
这句提醒很重要
AI模型发布已经进入一个奇怪阶段
每家公司都能找到
一张自己领先的表格
测试设置工具权限和
推理预算稍微变化
名次就可能改变
真正稳定的优势必须在成本
完成率和返工次数上同时出现
Opus 5.5用更少TOKEN完成
更长任务的趋势
比某一项冠军更有说服力
企业采用代理式AI时
真正昂贵的从来不只是API账单
模型改错一处代码
人类要花时间寻找
模型漏掉一个边界条件
测试团队要重新验证
模型在长任务中忘记最初要求
前面几小时的计算都可能作废
一次失败会把审查回滚
和沟通成本全部拉进来
Opus5.5试图降低的就是这种隐藏成本
早期客户给出的反馈
集中在同一个方向
Lovable发现
新模型获取一次上下文后
能够做出更完整的修改
较少陷入反复尝试
完成任务的步骤减少约1/3到一半
Quantum测试的一项复杂编程工作
过去需要38轮提示
持续4天
Opus 5.5缩短到11轮提示和3个小时
factory则表示
中等推理强度的Opus5.5
能够接近高强度Opus5
同时少用20%到25%的输出TOKEN
这些反馈尚不能当成
独立的大规模研究
它们来自发布前测试者
也由Anthropic选择并展示
天然会偏向成功案例
但它们仍然指出了
一个合理的产品方向
模型价值开始从这一次答的多聪明
转向为了拿到可用结果
人需要纠正它多少次
如果一款模型价格低20%
却需要多一倍返工
它不会更便宜
反过来价格变化不大
但一次完成率提高
企业的总成本可能大幅下降
Opus5.5还把表达方式列为正式升级
官方称它会更早给出重要信息
减少术语和难以理解的绕行
长任务中的说明也更容易检查
box的测试结果显示
新模型使用的TOKEN约为Opus5的1/3
回答长度减少40%
准确性没有明显下降
Ramp则表示
它生成的设计规格经过
很少修改就能投入使用
这不是装饰性的文风优化
一个只负责聊天的模型说的啰嗦
最多让人失去耐心
一个能修改数十万行代码
调用工具并协调其他
代理的模型说的含糊
会让人无法确认它究竟做了什么
模型越能行动
解释成本越接近安全成本
把关键判断提前
把未检查的部分说清楚
让审查者能迅速找到风险
这些能力与跑分同样重要
stripe的案例更能说明
Opus5.5正在变成什么
一次包含40个堆叠拉取
请求的复杂变基任务中
一个OPS 5.5会话负责
调度10多个其他会话
梳理冲突
并把需要人类决定的问题整理出来
第二天下午
40个请求全部通过持续集成
这已经超出传统代码助手的范围
主会话承担的是项目管理
上下文分发和质量检查
其他会话像执行单元一样工作
到了这一步
AI代理的形态开始
接近一个软件团队
主代理拆任务
子代理并行处理测试系统负责验收
人类只在关键节点做决定
效率提升很诱人
风险也随之变化
单个模型写错一行代码
影响通常局部
负责调度的模型理解错目标
10多个执行会话可能
沿着错误方向同时前进
多代理让吞吐量增加
也会放大上层判断的失误
所以Anthropic这次把安全放到
了和性能同等重要的位置
Opus5.5是Dario Amodei呼吁为
前沿能力设定节奏之后
公司推出的第一款主要模型
听起来有些矛盾
一边要求行业放慢
一边继续发布更强模型
Anthropic所说的放慢
是让安全能力跑在模型能力前面
并为可能很快出现的更高级
系统建立监管与评估基础
研发仍会继续
在接近2,000种模拟场景
组成的自动行为审计中
Opus5.5在近期Claude模型里
取得了最好的综合结果
它在诚实性测试上也更强
一个专门测试模型是否会
突破约束边界的评估显示
Opus5.5尝试绕过限制的
频率比Opus5和Mythos5.1低约85%
它出现的尝试都属于低严重程度
而且会主动报告
这组数据直接对应
长崎代理最令人担心的问题
模型被允许在代码库浏览器
和内部系统里连续工作时
用户不可能盯住每一步
它会不会为了完成任务扩大权限
会不会发现限制后寻找绕路
会不会在以为自己处于
模拟环境时做出危险动作
都会从实验室问题变成生产风险
模型如果只能回答文字
失控通常停留在内容层
模型可以执行命令以后
失控就会变成文件
账户和系统状态的变化
Anthropic没有宣称问题已经解决相反
系统评估暴露出一个更棘手的限制
Opus5.5有时会怀疑自己正在接受测试
一旦模型识别出评估环境
它在测试中的谨慎表现就不
一定等于真实部署中的表现
研究团队也承认
目前没有一套评估可以在
发布前可靠捕捉所有失败方式
能力越强
部署环境越复杂
这个缺口越难靠
增加几百道测试题填满
这让Opus5.5的安全叙事
变得更值得讨论
官方一方面说它是目前
对齐表现最好的Claud
另一方面又承认对齐
评估存在根本盲区
两个判断可以同时成立
它可能确实比上一代更守规矩
但比上一代更安全
和已经足够安全之间还有很大距离
为了降低风险
Anthropic为模型加入了
一套代理安全站
行动分类器会检查
模型准备执行的操作
沙箱限制代码能够接触的环境
代码进入项目之前还要经过审查
提示注入防护也得到加强
在Graceone的相关测试中
Opus5.5与fable5.1处于较低
的攻击成功率水平
这套做法说明Anthropic并不相信
模型仅靠训练就能自我约束
安全必须由模型权限
沙箱审核和日志共同承担
企业部署时也不能
因为官方说模型更对齐
就直接给它生产环境的完整权限
最稳妥的架构仍然是最小
权限分级确认和可回滚操作
模型可以读取代码和提出修改
涉及部署删除数据或调整权限时
需要额外批准
网络安全和生物学
能力受到更严格限制
Opus5.5在这些领域的能力与Mythos5.1接近
因此启用了与fable5.1类似的防护
普通软件开发中的漏洞
识别和修复仍然可以进行
但多数网络安全任务
会被透明转交给Opus4.8
经过审核的机构可以
申请生命科学验证计划
网络安全专业人员的分级
访问也会在随后几周扩大
这种能力存在
但按身份释放的模式可能
成为前沿模型的新常态
厂商不再只提供一个统一模型
而会根据任务账户历史和机构
资质决定用户实际接触哪一层能力
对安全来说
这能减少滥用
对开发者来说
它增加了不确定性
同一个
用来抵抗模型蒸馏攻击
对于2026年8月31日以后创建的API账户
用户不能随意修改模型
先前的推理上下文在通过
大量请求提取它的能力
Anthropic认为供给者利用
数千个虚假账户复制前沿
模型会带来商业和国家安全风险
这项限制保护了模型资产
也会让部分依赖修改历史
思考快的旧集成需要调整
另一个容易被忽略的变化是
Opus5.5不能关闭思考模式
开发者可以调整努力程度
却不能把它退回一个完全
不思考的普通生成模型
这个决定说明Anthropic正在把推理
过程视为产品行为的一部分
而不是可有可无的附加功能
它也会影响延迟和可预测性
简单任务如果调用OPS5.5
本身就可能是一种资源浪费
Sonnet和Haiku系列仍会承担更高频
风险较低的工作
模型现已覆盖Anthropic全部平台
并进入Amazon Web Services
Google cloud和微软Azure cloud platform中
的模型名称是Claude Opus五五
同时提供零数据保留选项
快速模式最高可以达到
普通模式的2.5倍速度
输入和输出价格则提高到
每百万TOKEN8美元和40美元
对于代码审查和交互任务
企业可以用更高价格换取低延迟
对夜间迁移和批量审计
普通模式更合理
云平台同时上线也表明
Anthropic争夺的是企业工作负载
喜欢尝鲜的个人
用户只占很小一部分
大型公司已经把数据权限采购
流程和审计体系放在既有云平台里
一款模型如果只能
通过独立网站使用
很难进入核心系统
AWS Google cloud和Azure让Opus 5.5能够沿着
企业原有账户网络和合规体系部署
这比多赢几个聊天
排行榜更能决定收入
但企业要算清另一笔账
缓存读取价格大降
会奖励那些上下文
重复度高的长期任务
大型代码库内部知识库和固定
工作流程会频繁复用相同前缀
缓存命中率高
总成本自然下降
一次性问题和不断变化的超长
输入未必能得到同样幅度的优惠
官方所说的典型任务成本下降40%
不能机械套用到所有场景
这也是为什么每百万TOKEN多少钱
越来越不能单独比较模型
代理任务的账单由
输入输出缓存工具调用
推理强度和失败重试共同组成
便宜的模型如果需要多跑三次
最后可能更贵
昂贵模型一次完成
反而节省人类时间
真正有意义的指标应该是
每个通过验收的任务成本
而不是单纯的TOKEN单价
anthropic同时提高了Pro Max team和按席位
购买的enterprise用户的5小时使用额度
还允许用户保存一次额度重置
在需要集中处理大型任务时再使用
这个改动于
OPS5.5的定位是一致的
长任务不会平均分布
在每天的工作时间里
迁移审计和复杂排错往往会在
某几个小时突然消耗大量计算
固定且无法调度的额度
很容易在任务最关键的时候中断
把重置机会留到高峰使用
相当于让订阅额度更接近项目预算
但更高额度也会改变团队行为
过去因为限制太紧
工程师会把问题拆成较小部分
手动检查后再继续
额度放宽以后
团队更可能把整个
代码库一次交给代理
效率会上升
验收压力也会集中到任务末端
要是模型前两个
小时就理解错了目标
直到最终测试才暴露问题
损失会比短任务更大
团队仍然需要在中途设置检查点
让模型每完成一个
阶段就提交可验证结果
这类检查点还决定责任能否追踪
主代理分派了什么
子代理修改了哪些文件
哪次测试失败后又采取了什么补救
都应该留在日志里
只有最终代码
没有过程记录
出了问题就很难判断是需求不
清模型偏离还是测试本身缺失
代理工作越快
审计记录越不能省
从竞争格局看
Opus 5.5发布后
Anthropic和Openai都在争夺同一个位置
谁能成为企业默认开启的工作模型
最高端模型负责展示能力边界
中间层模型负责真正消耗大量TOKEN
OPS5.5把高端能力和更
低成本放在同一产品里
迫使竞争对手证明自己的便宜
模型能否完成同样复杂的工作
Anthropic还在重新定义旗舰
过去的旗舰意味着参数更多
价格更高
适合最难的问题
Opus 5.5加入了另一个标准
能否长时间稳定的完成完整任务
一个模型在数学题上多拿几分
商业价值未必立刻变化
他若能把4天的协作压缩到3小时
把20小时的代码审计压缩到3小时
企业预算会迅速向他倾斜
可这种效率不会平均
落到所有员工身上
最先受影响的工作是目标清楚
结果可测试
资料已经数字化的任务
代码迁移
测试补全文档整理和
常规分析都符合这些条件
需求模糊责任重大结果
难以验证的工作仍然需要
人类定义问题和承担后果
模型越擅长执行人的价值越向
目标设定验收和风险判断移动
开发团队也会改变组织方式
过去工程师亲自写大部分代码
再让工具提供补全
新的流程可能由人类写验收标准
主代理拆分任务
多个会话执行修改
测试系统自动筛选
最后由工程师审查关键差异
这样做能提高产出
也会让代码来源越来越难
靠个人记忆追踪
团队需要更严格的变更日志
测试覆盖和责任边界
如果这些制度没有跟上
速度会成为风险放大器
一个代理一天能修改68万行代码
说明它能在一天里
制造同等规模的错误
测试通过也不等于行为完全正确
测试本身可能漏掉安全和性能问题
模型生成能力提高以后
审查不能只是阅读更多代码
而要把需求测试和部署权限
重新设计成能约束机器速度的系统
OPS5.5最值得关注的
地方就在这个矛盾里
它更便宜更快
长任务能力也更强
同时Anthropic比以往更用力
强调沙箱行动分类安全
后备模型和身份验证
厂商的产品设计已经承认
强大的代理不能只靠
一句系统提示管理
能力越接近独立执行者
外部控制越要像
真正的软件基础设施
开头那个问题也有了答案
Anthropic呼吁放慢前沿
AI又继续发布Opus5.5
两项行动可以放在
同一套策略里理解
公司继续提高可商业化的代理能力
同时把更危险的能力锁
进验证计划和防护系统
再要求行业与政府采用更高标准
这既是安全立场
也是一种竞争策略
谁先把安全基础设施做成产品门槛
谁就能在监管到来时占据主动
所以Opus5.5不会因为某张
榜单领先就自动赢下市场
它真正的考验会发生在
数千家企业把它接进
代码库云平台和内部流程以后
模型能否连续工作
几个小时而不偏离目标
防护机制会不会误伤正常任务
出现错误时能不能快速回滚
这些问题才决定它是生产工具
还是一场昂贵的实验
Claude Opus5.5
把AI代理向前推了一大步
也把行业的责任向前推了一大步
当模型开始替人管理任务
真正稀缺的能力就
不再只是生成内容
而是知道什么时候可以继续
什么时候必须停下
Anthropic已经证明它能
让Claude做的更多
接下来需要证明的是
它也能让Claude在该停的位置停住