Claude Opus 5.5 性能与智能分析

Claude Opus 5.5 的智能与能力

Claude Opus 5.5 在原始智能方面被定位为领先模型，尤其是在代理型知识工作和专业推理方面。根据 Artificial Analysis 智能指数 v4.3.2，该模型在十个不同的基准测试中进行了评估，包括 AA-Briefcase v1.1、AutomationBench-AA 和 Terminal-Bench 4.0。

关键智能基准

代理型工作流： 模型在代理型知识工作、现实世界工作任务、SaaS 工作流以及编码/终端使用方面进行测试。
知识可靠性： AA-Omniscience 指数衡量模型提供正确答案的能力，同时惩罚幻觉，得分范围为 -100 到 100。
专业推理： 评估包括医学长上下文推理和专业文档推理（全通过）。

成本与效率分析

与前代模型 Opus 5 相比，Claude Opus 5.5 在高努力设置下的成本效率有显著提升。

每任务成本

一位用户指出，在比较高努力配置时，Opus 5.5 的每任务成本约为 Opus 5 的一半。该效率通过加权平均每智能指数任务成本来衡量，该成本考虑了输入、缓存命中、缓存写入、推理和答案的 token 价格。

token 使用与定价

上下文窗口： 该模型支持大上下文窗口，以促进 RAG（检索增强生成）工作流。
定价结构： 定价包括缓存提示（缓存命中）的特定费率，相比常规输入价格提供折扣。

推理设置：中等、高和最大

Claude Opus 5.5 提供不同推理努力设置——中等、高和最大，每种设置都会影响性能和 token 消耗。

性能权衡

中等（默认）： 用户报告该设置在紧凑和长时间运行的循环中均表现良好。
高：一些用户认为这是性能的“最佳点”，指出基准测试在此设置后通常趋于平稳，且在初步测试中表现良好。
最大： “最大”推理设置可能容易出现“过度思考”。一位用户报告称，模型在仍在思考一个简单的 SVG 生成任务时耗尽了 128,000 token 的预算，未能生成响应。

用户反馈与对比洞察

社区讨论突显了对稳定性和价值的混合看法，既有感知到的改进，也有担忧。

相较于 Opus 5 的改进

用户指出，Opus 5.5 的输出风格和冗长度相比 Opus 5 有显著提升，一些人预测 Opus 5 的使用量将迅速下降。

稳定性与指令遵循

一些用户对 Opus 5 表达了挫败感，指出其相比 Opus 4.8 更容易迷失方向或偏离主题。人们希望 Opus 5.5 能解决这些指令遵循问题。

竞争格局

开源权重 vs. 专有模型： 关于专有模型的价值主张存在持续争论。一些人认为基础模型仅略优于开源权重替代品，但成本高得多。
模型对比： 用户将“顶级”模型归类为 GPT-6、Opus 5/Fable 和 Grok，称赞 Claude 在规划和执行方面表现优异，而 GPT-6 和 Codex 在修复 bug 方面被认为更优。

"技术史充满了‘足够好’每天吃掉‘最好’的案例。除非大实验室能迅速提出可行的商业计划，否则人工智能似乎也不会例外。"

"我两次尝试用最大设置生成一个鹈鹕骑自行车的 SVG 都失败了，因为在两种情况下，模型在仍在思考问题时就耗尽了 128,000 token 的预算。"