Claude Opus 5 多项基准超越 Fable 5，成本最高低一半

Anthropic 的 Claude Opus 5 在 Artificial Analysis 智能指数中以 61 分夺得榜首，综合了知识工作、编程、科学推理与事实准确性共九项测试。紧随其后的是 Claude Fable 5（60 分）、GPT-5.6 Sol（59 分）、Kimi K3（57 分）和 Claude Opus 4.8（56 分）。值得注意的是，Artificial Analysis 在模型公开发布前便与 Anthropic 合作完成了测试，确保了评估的独立性与时效性。

在编程能力上，Opus 5 搭配 Claude Code 在「超高」推理档位下与 GPT-5.6 Sol 并列编程代理指数第一，两者均获 67 分。Terminal-Bench v2.1 测试中，Opus 5 在「最高」档位下得分 89%，与此前领先的 GPT-5.6 Sol 持平。科学推理方面，Opus 5 在极难的跨学科知识测试 Humanity's Last Exam 中得分 53%，与 Fable 5 并列，但在物理基准 CritPt 上略逊于多款 GPT 系列模型。

知识工作是 Opus 5 最显著的优势领域。在模拟办公场景的 AA-Briefcase 基准中，Opus 5 在「最高」推理档位下 Elo 评分达 1720，领先 Claude Fable 5 整整 146 分。分析质量 Elo 更高达 2016，几乎比 Fable 5 高出 300 分。Anthropic 旗下的 Opus 5、Fable 5、Sonnet 5 和 Opus 4.8 合计占据了该榜单前十名中的绝大多数席位，显示出该公司在知识工作场景的整体优势。

成本表现同样亮眼。AA-Briefcase 基准下，Opus 5「最高」档位每任务成本为 17.79 美元，低于 Fable 5 的 22.30 美元；「高」档位仅需 10.41 美元，不足 Fable 5 的一半，且 Elo 排名仍优于后者。API 定价方面，输入 token 为每百万 5 美元，输出为每百万 25 美元，缓存命中仅需每百万 0.50 美元。Vals.ai 的编程基准测试显示，「高」推理档位在性价比上最为均衡，得分 89.8%，而更高档位因单次尝试耗时过长反而拉低了整体表现。

尽管综合表现领先，Opus 5 仍存在明显短板。在事实准确性测试 AA-Omniscience 中，Opus 5 虽比上一代提升 7 分，但仍落后于 Fable 5。更值得关注的是，该模型在不确定时倾向于给出答案而非拒绝回答，导致幻觉率较 Opus 4.8 上升 14 个百分点至 50%，在医疗、法律等高风险场景中的可靠性存在隐患。此外，「最高」档位下每任务需耗时逾 36 分钟，约为 Opus 4.8 的 1.5 倍，延迟成本不可忽视。

Epoch AI 的独立评测进一步印证了顶级模型之间竞争的白热化。Opus 5 综合能力指数为 159，略低于 Fable 5 的 161，GPT-5.6 Sol 则在多个子类别中保持领先。没有任何单一模型能够拉开决定性差距，这一格局支持了 AI 模型能力趋于商品化的判断。对于企业用户而言，在性能差距收窄的背景下，成本效率与特定场景适配性将成为选型的核心考量。

要点

• Claude Opus 5 在 Artificial Analysis 智能指数中以 61 分领跑，在分析质量和知识工作任务上优势最为突出，AA-Briefcase 分析质量 Elo 高达 2016，领先 Fable 5 近 300 分。
• 成本方面，Opus 5「高」推理档位每任务仅需 10.41 美元，不足 Fable 5（22.30 美元）的一半，且性能仍优于后者，性价比显著。
• 幻觉率是主要隐患：Opus 5 在不确定时倾向于作答，幻觉率较上一代上升 14 个百分点至 50%，高风险场景需谨慎评估。
• 「高」推理档位在编程任务中性价比最优，得分 89.8%；更高档位因单次耗时过长导致尝试次数减少，整体表现反而下滑。
• 顶级模型间差距持续收窄，Epoch AI 数据显示 Opus 5 与 Fable 5 仅相差 2 分，AI 能力商品化趋势进一步强化。