Claude Opus 5

1. 四档 effort，不必每个任务都开满

Opus 5 提供 low、medium、high、max 四档 effort。

档位提高后，模型会投入更多 token 做内部推理，代价是延迟和费用也会上升。

这个功能我觉得比单纯提高模型上限更实用。客服、代码检查这类流水线里，大部分请求没必要一直开 max。普通任务用 low 或 medium，真正棘手的再往上调。

Artificial Analysis 的测试中，Opus 5 即使用较低的 effort，成绩也超过了不少竞品的最高档表现。

2. Agent 能力更强，也更省

Opus 5 在需要自己找资料、调用工具、操作环境的任务上提升比较明显。

OSWorld 2.0 中，它用大约 Fable 5 三分之一的成本超过了后者的最高分。AutomationBench 上，在相近成本下，任务完成率达到次优模型的 1.5 倍。

Anthropic 还展示过一个比较极端的例子：只给模型机械零件图纸，但不允许直接看图，让它重建 3D 模型。

Opus 5 自己写了一套计算机视觉流程，从原始像素中提取几何信息，最后完成了任务。其他模型连续尝试五次都没做成。

这种例子比“会调用工具”几个字更能说明问题。它不只是按固定步骤执行，也会临时给自己造工具。

3. 会检查自己，但有时检查过头

Anthropic 强调了 Opus 5 的自我校验能力。

它会主动验证结果、追查 bug 根因，不太容易修掉表面症状就收工。放在 Coding Agent 里，这个习惯是加分项。

System Card 里也记录了另一种情况：模型有时会陷入自我验证循环。

一次生物研究任务中，Opus 5 花了 8 小时不断搭建和执行检查流程，最后没有产出结果。

所以我不会把“更会自检”直接等同于“更适合长时间无人值守”。检查本身也可能变成任务。

4. 从 Opus 4.8 到 Opus 5

Opus 4.8 发布于两个月前，两代 API 价格相同。

几个数字能看出升级幅度：

• Frontier-Bench：18.7% → 43.3%
• CursorBench 3.2：距离 Fable 5 最好成绩只差 0.5%，成本约为后者一半
• 安全分类器的干预频率比 Fable 5 低约 85%

还有一个迁移时容易漏掉的变化。

Opus 5 默认开启思考功能，而且只有 effort 设在 high 或更低时才能关闭。如果现有代码按 Opus 4.8 的行为写死了，切模型时要检查这一项。

Opus 5 最吸引我的，不是某一项 benchmark。

是它把一档很贵的能力，压到了更多团队真能长期用的价格。

复杂 Coding Agent、工具调用、需要大量 API 请求的产品，都比较吃这套组合。effort 又给了开发者一个控制成本的旋钮，不必所有请求都按最高推理强度跑。

它的问题也很具体。System Card 里那次长达 8 小时、最后零输出的自我验证循环，很难忽略。任务跑得越久，这种失控的代价越高。

所以我会愿意让 Opus 5 接手复杂工作，也会给它更多权限。

但如果要求它独立跑几个小时甚至几天，中间没人检查，最后直接交付结果，我还不会这么用。

它已经很接近“便宜很多的旗舰模型”了。至于能不能变成一个真正可以长期放手运行的 Agent，Opus 5 还差的是稳定把事情做完。