Opus 4.5 發(fā)布：所有信息，全整理

今天，Anthropic 發(fā)布了 Claude Opus 4.5，目前編程能力最強(qiáng)的大模型

SWE-bench 對(duì)比圖

更多成績(jī)成績(jī)：

• ? 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(gè)有點(diǎn)嚇人的數(shù)據(jù)：

他們用內(nèi)部工程招聘的筆試題測(cè) Opus 4.5，在規(guī)定的 2 小時(shí)內(nèi)，模型的得分超過了所有參加過這個(gè)考試的人類候選人

定價(jià)是 5/25 每百萬 token，比 4.1 便宜（15/75）

詳細(xì)價(jià)格對(duì)比

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

詳細(xì)價(jià)格對(duì)比

Anthropic 說這是他們「史上最佳對(duì)齊」的模型，也「可能是行業(yè)內(nèi)最佳對(duì)齊的前沿模型」

非常有趣的模型

伴隨 Opus 4.5 發(fā)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(hào)后臺(tái)回復(fù)「 Opus 4.5」，獲得這份報(bào)告

在 τ2-bench 這個(gè)評(píng)測(cè)里，有個(gè)場(chǎng)景是讓模型扮演航空公司客服

一個(gè)客戶要改簽機(jī)票，但他買的是基礎(chǔ)經(jīng)濟(jì)艙，按規(guī)定不能改

正確答案應(yīng)該是拒絕，但 Opus 4.5 找到了一個(gè)評(píng)測(cè)者沒想到的路徑：

先把艙位升級(jí)（規(guī)則允許），再改簽（因?yàn)椴辉偈腔A(chǔ)經(jīng)濟(jì)艙了）

評(píng)測(cè)系統(tǒng)把這個(gè)判成了錯(cuò)誤，因?yàn)椴辉陬A(yù)期答案里

公眾號(hào)后臺(tái)回復(fù)「 Opus 4.5」，獲得這份報(bào)告

只能說：牛逼！

System Card 里的更多事情

Anthropic 在 System Card 里承認(rèn)了一件不太好看的事

他們發(fā)現(xiàn)模型在做 AIME 數(shù)學(xué)題時(shí)，推理過程是錯(cuò)的，但最終答案是對(duì)的

錯(cuò)誤的推理，正確的答案

這可能是....模型見過答案

調(diào)查發(fā)現(xiàn)，盡管做了去污染處理，一些改寫過的 AIME 題目和答案還是進(jìn)入了訓(xùn)練數(shù)據(jù)

對(duì)此，Anthropic 的建議是：以后的評(píng)測(cè)數(shù)據(jù)集最好加 canary string（一種標(biāo)記字符串），方便從訓(xùn)練數(shù)據(jù)里篩掉

emmmm...很實(shí)誠，業(yè)內(nèi)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(jié)論是：接近 ASL-4 閾值，但沒有突破

ASL-4 的門檻是：能完全自動(dòng)化一個(gè)入門級(jí)遠(yuǎn)程研究員的工作，Anthropic 內(nèi)部做了一個(gè)調(diào)查，18 位重度使用 Claude Code 的員工都認(rèn)為：不行

原因包括：

• ? 無法像人類一樣在多周時(shí)間內(nèi)保持連貫

• ? 缺乏長(zhǎng)期協(xié)作和溝通能力

• ? 判斷力不夠

但 Anthropic 也說，距離 ASL-4 可能不遠(yuǎn)了

其他更新

本次也更新了其他內(nèi)容，大致如下

• ? Claude Code 現(xiàn)在可以在桌面端跑多個(gè)并行任務(wù)

• ? 長(zhǎng)對(duì)話不再中斷，會(huì)自動(dòng)壓縮上下文

• ? Claude for Chrome 和 Claude for Excel 擴(kuò)展開放給更多用戶

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

• ? 發(fā)布了3個(gè)Beta的 Agent 功能： Tool Search Tool/ Programmatic Tool Calling/ Tool Use Examples，這仨都是給開發(fā)者用的，很高效，之后有機(jī)會(huì)我單起一篇
  

最后

從 BenchMark 上來看：Opus 4.5 的編程能力確實(shí)是目前最強(qiáng)的

至于「史上最佳對(duì)齊」這個(gè)說法，信不信，看你自己