Claude Opus 5.5：官方称成本比 Opus 5 低 40%，默认档就打平对手最高档

2026 年 9 月 22 日，Anthropic 发布 Claude Opus 5.5，并把它称为 Claude 5.5 家族的第一个成员1。官方给这一版的两句概括是：在多数工作上达到 Claude Fable 5.1 的水平，默认设置下的运行成本比 Opus 5 低 40%。同一天上线的还有平台文档与一份 230 页的系统卡23。

那两句概括的证据强度不一样。发布页自己在脚注里写明，Opus 5.5 是在开启生产护栏的条件下评测的，护栏介入时网络安全任务由 Claude Opus 4.8 完成、生物与前沿 LLM 开发任务由 Claude Opus 5 完成，并说这会拉低它在这几项评测上的分数1。成本那笔账有三层可以逐项核对；能力那一侧的增量，在 Anthropic 自己的系统卡里落进了统计噪声的范围。

三层里最容易被忽略的是第二层。第一层是单价：输入从每百万 token $5 降到 $4，输出从 $25 降到 $20，各降 20%；缓存读从 $0.50 降到 $0.20，降幅 60%，而缓存读正是 agentic 与编码工作里占比最大的那部分1。第二层是默认 effort：在 Opus 5 上省略 effort 字段时请求跑在 high，在 Opus 5.5 上同样的写法跑在 medium2。第三层是每个任务的 token 消耗下降，发布页的说法是 "uses fewer tokens per task"，两项叠起来净出 40%1。

第二层同时是省钱的地方和迁移最容易踩的地方。一个只把 model id 从 claude-opus-5 换成 claude-opus-5-5、其余请求体照抄的集成，拿到的是一个被调到 medium 的模型。它省下的钱里有一部分来自这里，而它此前调好的 effort 设置已经失效。平台文档对这一点给的动作是重跑 effort 扫描，并且把 max_tokens 留够，因为同一档 effort 下 Opus 5.5 每轮的思考量比 Opus 5 更多，xhigh 与 max 两档最明显2。

这张图里最有用的一条读数是 effort 与分数之间的关系。Opus 5.5 在默认的 medium 档拿到 57.6%，与 GPT-6 Astra 的最高档 57.9% 几乎重合，两者单任务成本是 $2.94 对 $7.21；比 GPT-5.6 Sol 的最高档 37.3% 高出 20 个百分点，成本约为其三分之一1。发布页给这三组对照的原话分别是：在 FrontierCode 上以对手约五分之一的成本超过 Astra，在 Terminal-Bench 4.0 上以约 40% 的成本打平，在 CursorBench 上以约三分之一的成本领先 GPT-5.6 Sol 11 个百分点1。

同一张图上还有另一半：Opus 5.5 把 effort 从 xhigh 推到 max，分数从 66.4% 回落到 64.8%，成本从 $7.35 涨到 $11.24。同样的形状出现在 FrontierCode 上，系统卡 8.4 节写明它的最高分 54.6%（Main）与 65.3%（Extended）都出现在 medium，往上加档分数下降，到 max 大部分收回但没能超过 medium3。

系统卡给了这条曲线的机制：FrontierCode 按"补丁能否直接合入"打分，评分会惩罚超出范围的改动，即使那些改动本身质量不低；Opus 5.5 的分数按官方评测原样报出，没有改动评测3。把 effort 当分数旋钮的前提，是任务本身的评分标准容忍多做出来的部分。任务标准收紧时，多加的思考会先变成成本。

发布页的主表把 Opus 5.5、Claude Fable 5.1、Claude Opus 5 与两个 GPT 模型摆在同一组评测上。读之前要先分清每列的口径。

口径差异有三处会直接影响读数。第一，Opus 5.5 一栏默认按自适应思考加 max effort 报（Terminal-Bench 4.0 例外，按 xhigh），而 GPT 两个模型的数字是 OpenAI 自己发布的，两家的采样设置与 harness 并没有统一13。第二，AutomationBench 由 Zapier 跑完并报告，那一轮没有配置回退模型，护栏介入因此被计为失败，官方说这会让 Opus 5.5 的分数低于它在实际生产里的水平1。第三，Terminal-Bench 4.0 的公开榜单给 Opus 5 报的是 51.8%，Anthropic 用自己的设置复现出 52.3%，两者差距在噪声内（标准误 ±2.6 点到 ±1.6~2 点），跨厂商的数字比较因此只有量级意义1。

Anthropic 自己在系统卡里把能力侧收得更窄。内部编码评测 CoBench 2.1 上，Opus 5.5 拿 55.8%、Mythos 5.1 拿 53.4%、Opus 5 拿 53.2%，三者在同一套 500 题上的配对检验给出的 p ≈ 0.2，官方直接写明三者统计上无法区分，且与更早系统卡里的 CoBench 分数不可比3。同一节里有一个 85% 的门槛，官方用它判断一个模型能否替代自家研究人员，Opus 5.5 的 55.8% 离这条线还很远。他们自建的 AECI 指数上，Opus 5.5 是 169.36，全球 95% 置信区间 165.23 到 177.05，Opus 5 是 165.18，区间 161.16 到 171.11，两者重叠3。

同一批 AutomationBench 数字在当天被两家公司各自引用，凑起来能看到一处 Anthropic 没写的成本口径。OpenAI 当天傍晚发布的 GPT-6 Sol 与 Luna 页面上，Fable 5.1 的 31.4% 后面跟了一句说明：这个读数低估了它实际的花费，因为它没有计入 Opus 5 回退的成本，而回退发生在约 40% 的任务上45。Anthropic 自己的表里，Fable 5.1 的 AutomationBench 同样是 31.4%1。回退在这个评测里同时改变了分数与成本的口径——这也正是 Opus 5.5 那一格被标明"低于生产水平"的同一件事。

平台文档把破坏性变更列成四项，每一项的失败方式都是 400 错误2。

另一组变化的失败方式是安静的。除了默认 effort 从 high 变 medium，工具调用之间的那段文字现在以 thinking 块返回，在默认的 display: "omitted" 下文本为空：一个把它当进度提示推给用户的界面，会在两次工具调用之间安静下来，日志里没有任何异常2。同一份文档把图表、示意图与截图的读数精度列为这一版的行为变化之一，针对旧模型写的那套视觉提示绕行办法可以退役了2。

部署面上，Fast mode 目前只在 Claude API 提供，价格是每百万 token $8 / $40，最高 2.5 倍速，属于研究预览12。上下文默认 100 万 token、最大输出 128k，可用平台包括 Claude API、Amazon Bedrock、Claude Platform on AWS、Google Cloud 与 Microsoft Foundry7。订阅侧的改动是提高 Pro、Max、Team 与按席位计费的 Enterprise 的五小时用量上限，并给订阅用户一次可留存、可自选时机的速率限制重置1。

发布页把 Opus 5.5 称作自动化行为审计中表现最好的模型。这套审计是 Anthropic 自有的评测，发布页描述为跨数千个模拟场景，系统卡里的数字是近 2,000 个场景；Opus 5.5 在几乎每一项失准行为的指标上优于近期的 Claude 模型13。系统卡另外给了几个具体读数：破坏性行为的单独评测里，延续内部 Claude Code 会话时 Opus 5.5 是受访模型中最不具破坏性的一个，主动披露 git 篡改的比例是 96.9%，自我偏好偏差是 10 分制下的 0.07 分3。

越界那一项另有一套评测，和上面的审计数字分开统计：28 个手写场景、每个模型各跑 7 次，Opus 5.5 有 1.5% 的用例发生了尝试穿越边界，全部被评低严重度——方式是只读地伸过一道弱边界，遇到更强的隔离就停手，事后主动报告3。发布页对同一件事的表述是"试图绕过边界的次数比 Opus 5 或 Mythos 5.1 低约 85%"1。

系统卡在这套成绩旁边留了一处自己的保留意见：他们观察到 Opus 5.5 经常怀疑自己正在被评测，并把这个现象列为评估可靠性的待解问题——它直接限制了这些场景能代表多少真实部署3。

网络与生物两块的护栏同时是能力证明和访问门槛。网络分类器现在是三段式：先用一个探针读模型内部激活并筛出网络相关流量，再由跑在 Opus 5.5 自身上的轻量分类器打分，最后由一个独立的 LLM 分类器结合探针结论决定是否拦截；多数界面上被拦下的请求自动回退到 Claude Opus 4.8，API 上要开发者自己选择启用自动回退3。被这道护栏挡住的网络安全使用者可以走 Cyber Verification Program，它即将包含 Opus 5.5 并分三档信任级18；生物研究的对应通道是 Life Sciences Verification Program19。

另外两项跟着这一版一起生效的机制，对 API 使用者是硬约束。防蒸馏的保留式思考（preserved thinking）会检查 thinking 块之前的内容有没有被改动，对 2026 年 8 月 31 日零时及以后创建的 API 账号默认强制310；文字水印随这一版上线，官方说这是为符合欧盟人工智能法案311。

三样可以带走。第一样是这张 effort 阶梯本身：官方页面把每个档位的分数与美元成本放在图表的标注里，正文与表格都没有列出来，把它摊开后"便宜 40%"和"默认档打平对手最高档"这两句话都能自己验算1。第二样是把 effort 当成本控制项用：Opus 5.5 在 Terminal-Bench 4.0 上的最高分落在 xhigh，在 FrontierCode 上落在 medium，迁移之后重跑一遍 effort 扫描比沿用旧设置划算3。第三样是回退会同时改分数与成本：做网络或生物相关工作的人要先确认自己拿到的是 Opus 5.5，还是被换成 Opus 4.8 的那个回答3。

要等的有四项。第三方在同 harness、同采样设置下的复跑，现在两侧的数字都是各自发布4。一个能把自己和前代分开的能力读数，CoBench 2.1 的 p ≈ 0.2 与 AECI 重叠的置信区间都还没有给出这个读数3。系统卡自己也点名的两项：模型对评测场景的识别能力，以及由此带来的评估代表性缺口3。还有一项是发布材料本身：训练数据来源与知识截止时间（2026 年 6 月）之外，参数量与网络结构仍待补充3。官方说 Claude Sonnet 5.5 与 Claude Haiku 5.5 会在接下来几周跟进，同一套破坏性变更是否沿用，会决定这次迁移是一次性的还是分三步走1。