省四成，官方另一页只算到 31%

2026 年 9 月 22 日，Anthropic 发布了 Claude Opus 5.5，并把它标成「新的 Claude 5.5 家族的第一个模型」。发布稿在同一天给出两件事：能力上接近更大的 Fable 5.1，价格上比上一代 Opus 5 更便宜。价格这一半可以逐项对着价目表核——输入从每百万 token 5 美元降到 4 美元，输出从 25 降到 20，缓存读从 0.50 降到 0.20。能力那一半要读者自己判断，因为发布方在同一份材料里还写了别的话。12

40% 是一个加法，不是一个读数。发布稿的原句是「Our tests show that at default settings it will cost 40% less than Opus 5 on typical workloads」；它在另一处把机制说清楚了：「It costs less per token than Opus 5 and uses fewer tokens per task, which nets out to a 40% drop in costs.」也就是说，40% 由两个条件相加：每个 token 更便宜，加上每任务用更少的 token。这两个条件的证据强度不同。前一个能对着价目表逐项核，输入输出各降 20%、缓存读降 60%、缓存读的倍率从输入价的 0.1 倍改成 0.05 倍；后一个在发布稿里只有一句话。12

同一家网站在同一天还发了一篇讲成本的文章，那篇把第二个条件做成了一个滑杆。这篇《What a task costs on Opus 5.5》说得很坦白：「Two things changed: the price, and how much work the model does.」它先把两件事拆开——固定 token 数、只换价格时，「Priced that way, the session costs about 31% less」；然后告诉读者怎么把第二件事加回来：「The last slider is your assumption about how much less work Opus 5.5 does on your tasks. Leave it at 0% for the price change alone.」文章还提醒，Opus 5.5 因为总是先想再答，可能在一道题上花更多 token，「measure it on your own work」「No single number holds for every codebase」。同一家公司，一份材料给 40%，另一份在同一个语境里给 31%、并把剩下的 9 个点标成读者的假设。13

在一处把每任务成本算出来的独立测量里，这个假设的方向是反的。Artificial Analysis 把这套测试跑完，同一口径下算出 Opus 5.5 的每任务成本是 5.98 美元，而它测 Opus 5 得到 5.86 美元——没有下降。它同时报出输出 token 量：Opus 5.5 每任务约 119k，Opus 5 约 73k，前者是后者的 1.63 倍。the-decoder 把这件事写成一句更短的话：「Lower token prices keep its cost per task in line with Opus 5, but not cheaper.」这里要说清口径：每任务成本取决于跑的是哪套题、token 怎么混、用哪个思考档位；5.98 与 5.86 都是那一家在自家测试集上的计算结果，不是你的负载。但在所有能公开核到的数字里，它是唯一一个把「每任务」算出来的。456

为什么会反过来，系统卡自己给了一句提示。它在解释为什么一批旧评测不再有信息量时写道，模型之间的分数差异「are largely saturated, and minor differences in score are primarily derived from behavioral differences between the models (such as a tendency to be verbose) and how these interact with the grader rubrics, rather than from true differences in capability」。爱不爱多说，是会改变账单的：多出来的 token 全部按输出计价，输出序列里也包含思考。输出单价降了两成，任务上的用量涨了六成，两个方向相乘，省下的那部分就不一定留在账单上——而这正是官方成本文章里那根滑杆要读者自己填的一格。37

发布方那张评测表里，有两行它并不领先。发布稿列了九个基准，其中 Terminal-Bench-Science 0.1 上 Opus 5.5 是 58.7%、GPT-6 Astra 是 64.6%；AutomationBench 上 Opus 5.5 是 40.0%、Astra 是 41.4%。这两行各自带着一个必须一起读的注脚。AutomationBench 由 Zapier 跑并公布，Opus 5.5 的分数来自 Zapier 早于发布的自测，而 Zapier 那一侧没有回退模型，保障拦下的请求被直接判为失败；Terminal-Bench-Science 的 Astra 数字是 OpenAI 自己报的。发布稿在同一页还说：「at these levels of capability we've found that benchmark margins have become a less reliable guide to real-world differences」——基准差距越来越不能当作现实差异的可靠指引。这句话只在发布稿里；系统卡给的是另一个更硬的版本——那些自动化任务的结果「are no longer a significant component of our RSP and FCF capability threshold determinations. As such, we have not run these automated evaluations for Claude Opus 5.5」。178

发布前的外部测试是真的，但它没有变成一份可读的报告。发布稿写：「It was tested before release by external evaluators, including Frontier Design and METR.」两家都没有对外单独发文。METR 的工作以内嵌摘要的形式出现在系统卡里：10 个工作日的 API 访问、5 个任务，结论是「acceleration from this model would be slightly higher than for Fable 5.1, but that this model is unlikely to be able to fully automate AI R&D」。Frontier Design 的部分是一场桌面推演——7 个两人小组为沙眼衣原体设计噬菌体疗法，每组 16 小时——专家汇总后可行性高 23%、综合分高 11%，报告里没有任何模型之间的对比分数。系统卡同时写明，这次评测「The majority of evaluations of Claude Opus 5.5 were run in-house at Anthropic」。外部参与是事实，外部可读的结论不是。17910

还有一件和价格无关、但决定实测分数的事：被拦截的请求会被改路由。因为 Opus 5.5 在网络与生物上的能力接近更大的 Mythos 5.1，它带着一套分类器和回退机制：命中网络类内容的请求回退到 Opus 4.8，与生物以及前沿 LLM 开发相关的请求回退到 Opus 5，常规武器与防蒸馏两类没有回退。这套回退在自家应用里自动生效，在 API 上要开发者主动开启。它对使用者是可见的——界面会提示本次会话被保障标记、改由 Opus 4.8 回答——但比例只在第三方那里有过数字：Vals AI 把回退计为失败之后，Terminal-Bench 2.1 从 87.64% 降到 79.77%，SRE Bench 的 262 道题里有 217 道（82.8%）是回退完成的，分数从 33.59% 掉到 5.34%。The New Stack 把这件事写成给做 agent 的人看的一句话：一个发往 Opus 5.5 的请求，可能由 Opus 4.8 或 Opus 5 处理。发布稿没有给被拦下的比例。7111213

把几处独立读数并排放，结论取决于你问的是哪个问题。问「它是不是更强的模型」：Artificial Analysis 的智力指数给 Opus 5.5 58，高于 Fable 5.1 的 53 与 Opus 5 的 51，在那套口径下它是第一名；问「它在具体工作上是不是更好」：Vals AI 的全套跑测把它排在第 4，落后 Fable 5.1，也落后 Opus 5，弱项集中在法律与医学类任务；问「同样的活要花多少钱」：个人维护的 KillSwitch-Bench 上它得 58.9%，低于 Opus 5 的 66.8%，但每题成本从 1.49 美元降到 0.32 美元、耗时从 8 分 31 秒降到 1 分 51 秒；CodeRabbit 把它接进代码审查流水线后报告，抓到的缺陷集合与原来的生产基线不同，精确率略降，token 用量高出 49% 到 60%。三个问题三个答案，而且没有一个是错的。4141516

这一天本身也有一个值得记下的细节。Artificial Analysis 的模型页在 16:50 UTC 被首次存档，那时价目还没填进去，页面把模型描述成「well priced」；到 18:02 UTC 存档时价格已填成 4 美元与 20 美元，同一句话改成了「somewhat expensive」。指数版本没有换版，分数没有变，变的只有那个空着的价格格。它说明一件小事：一份评测页给出的「贵不贵」，取决于读数的那一刻它读到了什么。417

谁需要据此改手边的东西。按 token 单价做预算、又按任务量做验收的团队。你们的账单会按价目表下降，任务成本会不会下降取决于自己那批任务的形状；如果那批任务是长链路的 agent 调用，被分类器改路由的比例会决定自测分数与官方分数之间的距离。做合规或评审的人还要多一层：回退是可见的，但比例没有官方数字，而「实际由哪个模型作答」在一些行业里是必须能写清楚的事。714

落到动作，有五件事这周就能定。第一，按每任务成本选型，不要按 token 单价——官方自己的成本文章也是这么教的。第二，把被回退的请求记进评测，并且计为失败：SRE Bench 那道题的落差是 33.59% 与 5.34%。第三，缓存读单独算，倍率从 0.1 倍改到 0.05 倍，省多少取决于你们自己的缓存命中率，不取决于价目表。第四，引用能力宣称时要带基准名、思考档位与 harness：同一件工作上，官方给 66.4%、一家独立机构 61.62%、另一家 59.6%，三者的题集与跑法并不相同。第五，把榜单的状态也写进材料——多个榜在发布当天并没有收录这个型号，未收录不等于表现差，但它意味着你不能拿它们当验收依据。3414

最后压一句：这次发布里，唯一在发布当天就能被逐项核对的数字是单价——输入输出各降两成、缓存读降六成，这些都能对着价目表验。每任务省四成不是同一类数字，它是两个条件相加的结果，其中「每任务用更少的 token」这一条，官方自己在另一篇文章里交给读者去填，而唯一把它独立算出来的地方给出了相反的方向。发布方没有公布的还有几项，同样值得写进你的验收单：被分类器拦下的请求占多少、自动行为审计的场景清单与判分维度、「每任务更少 token」用的是哪一批任务和哪个档位。123