Opus 5 反超《神鬼寓言 5》，Anthropic 的定价牌局被打乱了？

7月25日凌晨1点，Anthropic 发布了 Claude Opus 5。如果只看名字，你会以为它是 Opus 4.8 的继任者，Anthropic 产品线中比 Sonnet 强但比 Fable 弱的中间型号。 但一看数据就会发现，这款定价 $5/$25 （每百万输入/输出 token）的模型，在编程、自主搜索、计算机使用、企业业务流程等多个关键基准测试上，把定价 $10/$50 的 Fable 5 给超了。而它的成本，只有 Fable 5 的一半。 Anthropic 在官方公告里表示：“Opus 5 comes close to the frontier intelligence of Claude Fable 5 at half the price”，意思是接近 Fable 5 的智能，价格减半。但他们自己发布的基准测试图表显示，Opus 5 在至少四项核心评测中明确领先 Fable 5，而且是在更低的成本下做到的。 被“次旗舰”反超的“旗舰” 先看编程能力。Frontier-Bench v0.1 是当前最直接映射企业开发团队实际工作的基准测试之一，让模型自己在终端里写代码、跑代码、调试多文件变更。Opus 5 拿到了 43.3% ，Fable 5 是 33.7% 。将近 10 个百分点的差距，在编程评测里属于碾压级别。Opus 4.8 在这个测试上是 21.1%，Opus 5 直接翻了一倍多。 在 CursorBench 3.2 上，Opus 5 在最高推理强度下达到 Fable 5 峰值成绩的 94.5%，单次任务成本只有一半。Anthropic 还宣称，在 high、xhigh 和 max 三个推理等级上，Opus 5 在同成本下的性能都超过了所有其他模型。Cognition（Devin 背后的公司）CEO Scott Wu 在 FrontierCode 1.1 评测后确认：“Claude Opus 5 在调试和根因分析方面以一半成本达到了接近 Fable 级别的性能。” 在自主搜索（Agentic Search）上，Opus 5 拿到 90.8%，Fable 5 是 87.4%。十次搜索有九次以上能独立搞定。计算机使用（OSWorld 2.0）上，Opus 5 在约三分之一成本下就超过了 Fable 5 的最优成绩。企业业务流程自动化（Business Workflows）方面，Opus 5 拿到 26%，Fable 5 只有 17.4%。 科学领域同样不弱。Opus 5 在有机化学任务上比 Opus 4.8 高出 10.2 个百分点（包括从光谱数据推断分子结构），在蛋白质相关任务上高出 7.7 个百分点（包括预测序列变异对功能的影响）。在号称“人类最后考试”的 Humanity's Last Exam 上，开启工具后 Opus 5 拿到 64.7%，Fable 5 是 63.9%（不开工具时分别为 56.3% 和 56.5%），差距不到一个百分点。 但真正让整个 AI 研究圈停下滚动的，是 ARC-AGI 3 的成绩。 ARC-AGI 3 是 François Chollet 设计来衡量“流体智能”的基准。它不是让模型回忆训练数据里见过的东西，而是把它扔进完全陌生的交互式环境里，没有指令、没有规则说明、没有目标提示，靠试错自己摸索。人类能完成 100% 的任务。今年 3 月 ARC Prize Foundation 发布这个基准时，最强 AI 模型的得分是 0.37%（Gemini 3.1 Pro）。到 Opus 5 发布前，公开最强成绩是 GPT-5.6 Sol 在最大推理强度下的 7.8%。Opus 4.8 只有 1.5%。 Opus 5 拿到了 30.2% 。是 GPT-5.6 Sol 的近四倍，Opus 4.8 的二十倍。 这个数字的意义远超任何编程或搜索基准。ARC-AGI 3 奖励的不是“做过类似的事所以能做”，而是“从没训练过也能做”。30.2% 意味着 Opus 5 确实在通过交互来推导陌生的规则体系，而不只是模式匹配。Vellum AI 的基准分析文章直言：“这个数字让所有人都停下了滚动。” 它不只是分数高 基准数字告诉我们 Opus 5 考了多少分。但 Anthropic 公布的案例告诉了我们是它怎么考到这些分的。 Anthropic 公布了一个 3D 建模任务，只给模型一张机械零件的设计图纸，要求它自主编写代码重建完整的 FreeCAD 3D 模型。在 Opus 5 之前，没有任何模型能完成这个任务，即使人工提前搭好开发框架、给出详细方案，模型依然会出错。Opus 5 不仅完成了全过程自主闭环，还自己搭建了配套的测试工具，逐一校验代码的数据解析逻辑，反复核查修正问题，直到通过验证。 在没有任何人工干预的情况下，自主完成了一个完整的工程验证循环，设定目标、规划步骤、编写代码、测试输出、发现错误、回溯修正、再次测试、通过。 Zapier CEO Wade Foster 透露，团队用 Opus 5 处理客户健康度原始表格，要求 AI 独立完成全套客户流失预防流程，包括标记高风险账户、通知对应负责人、整理运营报告。“以前的模型没有能完整跑通这条流程的，”Foster 说，“Opus 5 做到了 100% 完整交付。” Box CTO Ben Kus 给出了量化对比：Opus 5 在专业企业内容处理上整体比 Opus 4.8 提升 8%，数据分析工作流提升 11%，尽职调查提升 17%。一家金融建模团队的评估负责人 Richard Pham 测出了准确率高 9 个百分点，同时周转次数少三分之一、耗时少 60%。法律 AI 团队 Applied Research 负责人 Niko Grupen 发现 Opus 5 在保持质量的同时，平均比 Opus 4.8 在最高推理强度下少生成了 26% 的 token。 更少的 token、更少的交互轮次、更少的人盯着屏幕。这就是 Opus 5 对“性价比”的真正定义。 没人预料到的 30.2% 回到 ARC-AGI 3。这个数字的冲击力需要放在时间线上理解。 今年 3 月，Gemini 3.1 Pro 以 0.37% 领先。到 Opus 5 发布前，公开最强成绩是 GPT-5.6 Sol 在最大推理强度下的 7.8%。Opus 4.8 挂在 1.5%。Opus 5 发布当天直接拉到 30.2%。Anthropic 在公告中说 Opus 5 的成绩是“次优模型的三倍”，这个表述甚至可能是保守的，因为 GPT-5.6 Sol 的 7.8% 是在最大推理强度设置的极端资源消耗下拿到的，而 Opus 5 在标准推理设置下就做到了 30.2%。 ARC-AGI 3 它测的是遇到完全没见过的问题时的应变能力，Chollet 设计的逻辑是，把模型扔进一个没有任何参考框架的新世界，看它能不能靠自己理解规则、制定策略、达成目标。这才是“通用智能”的真正含义。不是知识面有多广，而是面对未知时的适应速度有多快。 30.2% 意味着 Opus 5 在三分之一的情况下能独立完成人类能完成的任务，而这些任务是它绝对没有在训练数据里遇到过同类题型的。