以 Opus 定价逼近 Fable 性能

Anthropic 在周五发布 Claude Opus 5，打破了大模型通常选择工作日早间发布的惯例。官方公告措辞审慎，仅表示 Opus 5「接近」Fable 的性能水平，但这一表述背后折射出当前 AI 评测体系的深层困境——现有基准难以捕捉顶级模型之间那种难以量化的「大模型气质」，而 Anthropic 内部显然清楚 Fable 在这方面仍具优势。

独立评测机构 Artificial Analysis 的数据为 Opus 5 提供了更有力的背书。在其智能体知识工作基准 AA-Briefcase 上，Opus 5 以近 150 Elo 的差距领先 Fable，同时每任务成本下降 20%。这一效率提升的意义不仅限于价格层面，也表明 Anthropic 在模型蒸馏和推理优化上取得了实质性进展，尽管在效率指标上仍与 GPT-5.6 Sol 大致持平。

Epoch AI 发布的能力指数（ECI）评测结果则引发了截然不同的解读。Opus 5 的 ECI 为 159，Fable 为 161，差距仅 2 分；而在软件工程专项 SWE-ECI 上，两者均为 161，完全持平。然而，有用户指出 Opus 5 的 ECI 仅比上一代 Opus 4.8 高出 1 分，与实际使用中感受到的大幅提升严重不符，并据此呼吁社区开发更具区分度的公开评测集。

评测层面还出现了一个值得关注的技术异常：在 FrontierCode 基准上，Opus 5 在中等推理努力程度下的得分反而高于高努力程度，这与其他评测中「更多推理计算带来更好结果」的普遍规律相悖。这一现象可能指向特定任务下搜索策略与计算量之间的权衡问题，也可能反映出评测本身的不稳定性，值得后续深入分析。

在实际应用层面，多位开发者分享了 Opus 5 在编程和智能体任务中的正面体验。前微软高管 Mikhail Parakhin 表示，在数学及综合能力测试中，Opus 5 在 best-of-n 采样策略下对 Fable 取得了「非常明显的胜利」。另有用户演示了 Opus 5 自主操控浏览器、取消 ChatGPT Pro 订阅的完整流程，并感叹「这东西真的能驾驶浏览器」，展示了其在计算机使用智能体场景下的实际潜力。

综合来看，Claude Opus 5 的发布再次将「基准分数与用户体验脱节」这一老问题推上台面。当前主流评测体系在捕捉顶级模型细微差异方面存在明显局限，而社区对更难、更贴近真实场景的评测集的需求日益迫切。Opus 5 以接近 Fable 的能力、更低的使用成本入场，其在智能体工作流中的实际表现，或许比任何单一基准分数都更能说明问题。

要点

• 独立评测机构 Artificial Analysis 数据显示，Opus 5 在智能体知识工作基准上以近 150 Elo 超越 Fable，每任务成本同步降低 20%，效率提升显著。
• Epoch AI 的 ECI 评测（Opus 5 得 159，Fable 得 161）与用户实际体验存在明显落差，暴露出现有公开基准对顶级模型区分能力不足的问题。
• FrontierCode 基准上出现「中等努力优于高努力」的异常结果，提示推理时计算量与任务性能之间的关系并非线性，评测设计需要更精细的考量。
• 多位开发者在编程任务和浏览器自动化场景中给出高度正面的实测反馈，best-of-n 采样策略下 Opus 5 的实际表现尤为突出。
• Opus 5 的发布再次引发社区对 AI 评测体系的反思，呼吁建立更难、更贴近真实工作流的公开基准，以更准确地反映前沿模型的真实能力差异。