Opus 4.5 發布：所有信息，全整理

今天，Anthropic 發布了 Claude Opus 4.5，目前編程能力最強的大模型

SWE-bench 對比圖

更多成績成績：

• ? SWE-bench Verified：80.9% （GPT-5.1 是 76.3%，Gemini 3 Pro 是 76.2%）

• ? Terminal-Bench 2.0：59.3%

• ? OSWorld：66.3%

• ? ARC-AGI-2：37.6%

Anthropic 還放了一個有點嚇人的數據：

他們用內部工程招聘的筆試題測 Opus 4.5，在規定的 2 小時內，模型的得分超過了所有參加過這個考試的人類候選人

定價是 5/25 每百萬 token，比 4.1 便宜（15/75）

詳細價格對比

以及，這個模型依然是 200k 上下文，64k 最長輸出（sonnet 在聲明特殊標簽的情況下，可拓展到 1M 上下文）

詳細價格對比

Anthropic 說這是他們「史上最佳對齊」的模型，也「可能是行業內最佳對齊的前沿模型」

非常有趣的模型

伴隨 Opus 4.5 發布的，還有一份 SystemCard，我讀了一下，十分有趣，也歡迎大家來看看

公眾號后臺回復「 Opus 4.5」，獲得這份報告

在 τ2-bench 這個評測里，有個場景是讓模型扮演航空公司客服

一個客戶要改簽機票，但他買的是基礎經濟艙，按規定不能改

正確答案應該是拒絕，但 Opus 4.5 找到了一個評測者沒想到的路徑：

先把艙位升級（規則允許），再改簽（因為不再是基礎經濟艙了）

評測系統把這個判成了錯誤，因為不在預期答案里

公眾號后臺回復「 Opus 4.5」，獲得這份報告

只能說：牛逼！

System Card 里的更多事情

Anthropic 在 System Card 里承認了一件不太好看的事

他們發現模型在做 AIME 數學題時，推理過程是錯的，但最終答案是對的

錯誤的推理，正確的答案

這可能是....模型見過答案

調查發現，盡管做了去污染處理，一些改寫過的 AIME 題目和答案還是進入了訓練數據

對此，Anthropic 的建議是：以后的評測數據集最好加 canary string（一種標記字符串），方便從訓練數據里篩掉

emmmm...很實誠，業內不常見（你知道我在說什么）

自治能力：接近但未突破 ASL-4

System Card 里花了大量篇幅討論 Opus 4.5 的自治能力

結論是：接近 ASL-4 閾值，但沒有突破

ASL-4 的門檻是：能完全自動化一個入門級遠程研究員的工作，Anthropic 內部做了一個調查，18 位重度使用 Claude Code 的員工都認為：不行

原因包括：

• ? 無法像人類一樣在多周時間內保持連貫

• ? 缺乏長期協作和溝通能力

• ? 判斷力不夠

但 Anthropic 也說，距離 ASL-4 可能不遠了

其他更新

本次也更新了其他內容，大致如下

• ? Claude Code 現在可以在桌面端跑多個并行任務

• ? 長對話不再中斷，會自動壓縮上下文

• ? Claude for Chrome 和 Claude for Excel 擴展開放給更多用戶

• ? 新增 effort 參數，可以控制模型思考的深度——低設置更省 token，高設置更聰明

• ? 發布了3個Beta的 Agent 功能： Tool Search Tool/ Programmatic Tool Calling/ Tool Use Examples，這仨都是給開發者用的，很高效，之后有機會我單起一篇
  

最后

從 BenchMark 上來看：Opus 4.5 的編程能力確實是目前最強的

至于「史上最佳對齊」這個說法，信不信，看你自己