Claude Opus 5.5 发布：性能比肩 Fable 5.1，成本降低 40%

我们推出 Claude Opus 5.5，这是全新 Claude 5.5 家族的首款模型。它在大多数工作上的表现与 Claude Fable 5.1 相当，而运行成本比 Opus 5 低 40%。

Claude Opus 5.5 是我们自呼吁为前沿 AI 放缓节奏以来的首次发布。发布前，它经过了外部评估机构的测试，包括 Frontier Design 和 METR。在我们的自动化行为审计（我们运行的最全面的对齐测试）中，Opus 5.5 是迄今测试过的表现最强的模型。它同时配备了我们为能力最强的模型开发的安全防护措施。

以下是 Opus 5.5 带来的部分改进：

性能。Opus 5.5 相比 Opus 5 是一次重大跃升。它是新的领先模型，早期测试者在最复杂的工作上看到了性能的大幅提升。一位测试者在不到一天内完成了 68 万行代码的迁移——这项工作原本需要一个工程团队花上数周。它擅长发现并修复软件中的低效之处：我们让它缩短某个 Web 应用每个页面的加载时间，Opus 5.5 在 40 次尝试中成功了 39 次，而 Opus 5 的改进幅度较小，还改变了应用的行为。另一位测试者让多个 Claude 模型根据同一条提示词制作游戏；Opus 5.5 凭借出色的画面和精致度，得分高于其他所有模型。

安全性。Opus 5.5 在我们的自动化行为审计中取得了迄今所有模型中的最佳成绩。该审计是我们的对齐测试套件，会在数千个模拟场景中测试 Claude。与近期的模型相比，它采取难以撤销的操作或越出既定边界行事的可能性大幅降低，并且比 Opus 5 更能抵御提示词注入。我们还扩大了对齐测试的范围，涵盖更长的任务、不可能完成的任务，以及以真实事件为蓝本的场景，不过它仍有局限。评估的完整细节请参阅 Opus 5.5 系统卡。

由于 Opus 5.5 在生物学和网络安全方面与 Claude Mythos 5.1 相当，我们为其部署了与 Claude Fable 5.1 类似的安全防护措施。经审核的机构现在即可申请加入我们的生命科学验证计划，将 Opus 5.5 用于生物学研究。未来几周内，我们还将扩大网络安全验证计划的接入范围，经过验证的网络安全从业者将可以使用 Opus 5.5 开展工作。

成本与速度。Opus 5.5 的服务算力需求低于 Opus 5，定价也体现了这一点。我们的测试显示，在默认设置下，典型工作负载上它的成本比 Opus 5 低 40%。输入和输出 token 的价格分别为每百万 4 美元和 20 美元，比 Opus 5 低 20%。缓存读取（占智能体和编码工作成本的大头）为每百万 token 0.20 美元，比 Opus 5 低 60%。Opus 5.5 生成输出的速度也比 Opus 5 快 30% 以上。

除了降价之外，我们还提高了 Pro、Max、Team 以及按席位计费的 Enterprise 套餐的五小时用量上限。我们还为订阅用户重置了一次速率限制，现在你可以把这次重置保存下来，在自己选择的时候使用。

沟通。Opus 5.5 的沟通比以往的模型更自然。早期测试者发现它的文字更清晰、更容易理解，这回应了我们听到的关于 Opus 5 的一些常见反馈。它把最重要的信息放在最前面，其风格使它在长时间会话中成为更好的工作伙伴。正如一位早期测试者所说：“它写东西的方式跟我一样。”在我们自己的使用中，这让 Opus 5.5 的工作成果更易于理解和检查——这既是安全上的好处，也是实用上的好处。

Claude Sonnet 5.5 和 Claude Haiku 5.5 将在未来几周内陆续推出，在性能、效率和安全性方面带来许多同样的改进。

性能与成本效益

在我们的基准测试中，Claude Opus 5.5 在智能体编码、计算机使用和知识工作方面处于领先。不过，在这样的能力水平上，我们发现基准测试的分差已经越来越难以反映真实世界中的差异。在我们自己的使用中，Opus 5.5 与 Claude Fable 5.1 之间的差距比这些分数所显示的要小。

除非另有说明，Claude Opus 5.5 的所有结果均使用最高强度（max effort）的自适应思考。Terminal-Bench 4.0 的结果中，Claude Opus 5.5 采用 xhigh 强度，GPT-6 Astra 采用 high 强度（数据来自 OpenAI 的报告）；这些代表各模型的最高得分。Claude Opus 5.5 在启用生产环境安全防护措施的情况下接受评估。当这些措施介入时，网络安全任务由 Claude Opus 4.8 完成，生物学和前沿大语言模型开发任务由 Claude Opus 5 完成。这很可能拉低了 Claude Opus 5.5 在这些基准测试上的表现。
¹ Terminal-Bench 4.0：Claude Opus 5.5 的标准误差为 ±2.6 个百分点，其他 Claude 模型为 ±1.6–2 个百分点。公开排行榜（每个任务 5 次试验，Claude Code harness）报告 Claude Opus 5 为 51.8%；我们的设置复现出 52.3%，在噪声范围内。GPT-6 Astra 和 GPT-5.6 Sol 的数据来自 OpenAI 的报告。
² AutomationBench：AutomationBench 的结果由 Zapier 运行并报告。这些运行未使用回退模型，因此安全防护措施的介入被视为失败——这使得得分低于 Claude Opus 5.5 在实际中能达到的水平。Claude Opus 5.5 的结果来自 Zapier 在早期访问期间的自有评估。Opus 5、GPT-5.6 Sol 和 GPT-6 Astra 的结果来自 Zapier 的公开排行榜。
³ Terminal-Bench-Science 0.1：每个模型的标准误差为 ±3.5–5 个百分点。公开排行榜（每个任务 3 次试验，Claude Code harness）报告 Claude Opus 5 为 30.0%；我们的设置复现出 29.0%，在噪声范围内。GPT-6 Astra 的数据来自 OpenAI 的报告。

Opus 5.5 的优势在效率上体现得非常明显。它每个 token 的价格低于 Opus 5，每个任务消耗的 token 也更少，两者叠加使成本下降了 40%。

定价

Opus 5.5 的快速模式（Fast mode）也已在 Claude Code 和 Claude Platform 中提供，速度最高可达 2.5 倍。价格为每百万输入 token 8 美元、每百万输出 token 40 美元。

编码

Opus 5.5 尤其擅长代码库级迁移和审计这类漫长而庞杂的工作。一位早期测试者用它在不到三小时内审计并修复了一个 20 万行的代码库，而 Opus 5 用了 20 多个小时，消耗的 token 是前者的 2.5 倍。在一项内部测试中，我们让 Opus 5.5 和 Fable 5.1 把 HAProxy 从 C 翻译成 Rust；HAProxy 是一款广泛使用的软件，用于在多台服务器之间做 Web 流量负载均衡。两者重写的版本都通过了 HAProxy 自带的几乎全部回归测试，但 Opus 5.5 用时 9.5 小时，Fable 5.1 为 12 小时，且成本低 51%。

Opus 5.5 以极低的成本交出了智能体编码方面的前沿成绩。在 FrontierCode 上，以默认强度运行时，它击败了 GPT-6 Astra，而每个任务的成本仅约为后者的 20%。在 Terminal Bench 4.0 上，它以约 40% 的成本追平 Astra；在 CursorBench 上，它以约三分之一的成本领先 GPT-5.6 Sol 11 分。

Terminal-Bench 4.0 衡量模型在命令行界面中完成复杂、多步骤专业任务的能力。默认强度下的 Opus 5.5 以约五分之一的成本击败了最高强度下的 Opus 5，并以约 40% 的成本追平 GPT-6 Astra。

Terminal-Bench 4.0准确率与成本

我们的早期测试者也反馈了类似的效率和智能提升：

引言

“开发者想要的是能承担真实软件工作并把它做完的智能体。在我们对 GitHub Copilot CLI 和 VS Code 的测试中，Claude Opus 5.5 所用的 token 和步骤数是我们测过的模型中最少的之一。在 VS Code 中，它用不到 Opus 5 一半的步骤解决了更多终端任务。它不只是让单个任务更高效，也让开发者更大的项目变得更可行。”

公司GitHub

作者Mario Rodriguez，首席产品官

最安全的编码智能体

在自身系统中使用智能体的企业需要确信这些智能体按预期运行，尤其是在它们自主运行数小时的时候。Opus 5.5 配备了在每个操作执行前对其进行筛查的分类器、可供安全团队审计的开源沙箱，以及在漏洞合并之前将其拦截的代码审查。

模型本身的防御能力也更强。在提示词注入攻击方面，它在我们测试的所有场景（包括编码、工具使用、计算机使用和网页浏览）中都与 Opus 5 持平或更优。在 AI 安全公司 Gray Swan 运行的基准测试中，Opus 5.5 与 Fable 5.1 并列，是所有受测模型中提示词注入成功率最低的。

知识工作

Opus 5.5 是一位可靠而老练的研究者。在一项内部测试中，我们让 Opus 5.5、Fable 5.1 和 Opus 5 仅凭在一份网页副本上能找到的信息撰写一家公司的季度业绩报告，而该副本中的财报发布稿很难找到。一个自动评分器会对照来源核对每一个数字和每一处引文。在不同的强度设置下，Opus 5.5 的 18 份报告中有 16 份达到了我们的质量线，而只要出现任何编造的数字或引文就会判为不合格。Fable 5.1 和 Opus 5 在任何一次尝试中都没有达到这条质量线。

它在财务分析和商业工作方面同样出色。投资公司兼早期测试者 Walleye Capital 反馈，Opus 5.5 在最低强度设置下就基本解决了他们的评估套件；在更高强度下表现更好，它注意到了评估说明中的一处错误并加以修正。此前没有任何其他模型发现过这个错误。

在另一项测试中，我们让 Opus 5.5 和 Opus 5 分析两家虚构的 HR 软件公司之间的一项拟议合并。两者各自在 Excel 中构建了财务模型，再把它做成一份高管演示文稿，说明这笔交易在这个价格下是否合理。两个模型对这笔交易得出了相同的结论，但 Opus 5.5 的模型更全面、演示文稿更易读，而 Opus 5 的存在一些小错误。Opus 5.5 用了 63 分钟完成，Opus 5 用了 93 分钟，且生产成本低 50%。

在知识工作评估中，Opus 5.5 优于其他模型，同时消耗的 token 更少。在 GDPval-AA v2.1（一项覆盖 44 种职业的真实工作测试）上，Opus 5.5 得分为 1846 Elo，领先于 Fable 5.1 和 Opus 5。在默认强度（中等）下，Opus 5.5 以约五分之一的单任务成本击败了最高强度下的 GPT-6 Astra。在衡量业务工作流和大规模数据收集的基准测试上，它同样优于其他模型。

Artificial Analysis 的 GDPval-AA v2.1 评估智能体在 44 种职业的真实专业工作上的表现。在最高强度下，Opus 5.5 得分为 1846 Elo，Fable 5.1 为 1735，Opus 5 为 1708。在默认强度（中等）下，Opus 5.5 以约五分之一的单任务成本击败了最高强度下的 GPT-6 Astra。

GDPval-AA v2.1Elo 与成本

我们的客户也反馈了类似的结果。以下是他们对使用这款模型的评价：

引言

“即使在最低强度设置下，Claude Opus 5.5 在我们的代码审查中也发现了 72% 的已知 bug，而 Opus 5 在高强度下为 56%，而且误报更少、输出量只有后者的一小部分。在美国咨询分析任务上，低思考强度与更高的思考设置效果相当，输出量只有一半，并通过了我们的质量检查。当更多低思考强度的任务部署到生产环境中时，交付的就是高效产出的、可直接交给客户的成果。”

公司Deloitte Consulting LLP

作者Carl Bennett，首席信息官

沟通

我们对 Opus 5.5 的写作和沟通方式做了重大改进，这是我们听到的关于 Opus 5 最常见的反馈领域之一。它的消息一眼就能看懂得多，测试者表示这在长时间的工作会话中很有帮助。它把最重要的信息放在最前面，更少使用行话或个人化的措辞，并遵循你给它的写作规则。我们发现这让 Opus 5.5 成为明显更好的协作者。下面是两个模型的并排对比：

Claude Opus 5

请给我解释一下这个问题。

我的发现

多出来的那部分下降并非来自免费层——而是 0552feb 中的一处回归（“extract billing period boundaries into periods.py”，标注为“No behaviour change”）。

Bug

aggregate.monthly_usage 过去使用的是半开区间：

start, end = month_start(year, month), next_month_start(year, month)
if start <= e.ts < end:

现在变成了：

if period.contains(e.ts)

并且在 periods.py 中：

@property
def last_day(self) -> datetime:
    return next_month_start(...) - timedelta(days=1)   # 2026-08-31 00:00:00 UTC

def contains(self, ts):
    return self.first_day <= ts <= self.last_day

last_day 是午夜零点的一个 datetime，而不是整整一天。从 9 月 1 日 00:00 减去一天得到 8 月 31 日 00:00，而比较是包含端点的，因此这个计费周期实际上在 31 日的第一个瞬间就结束了。每个时间戳晚于当月最后一天午夜的事件都被悄悄丢弃了——每个账户每月大约丢失一天的用量。

新增的 test_periods.py 没有发现这个问题，因为它只检查 last_day.date()（这个值是正确的 2026-08-31），并且只在 8 月 1 日 00:00、8 月 15 日 12:00、7 月 31 日 23:59 和 9 月 1 日 00:00 测试 contains——它从未探查 31 日当天的任何时刻。

Claude Opus 5.5

请给我解释一下这个问题。

多出来的下降是计费重构中的一个 bug

免费层的变更只解释了 acme 8 月份下降中的 1.50 美元。另外 9.92 美元来自提交 0552feb 中的一个 bug。该提交被标注为“No behaviour change”，但它不再统计当月最后一天的用量。

改了什么

合并之前，aggregate.py 使用的是半开区间：

start <= e.ts < next_month_start(year, month)    # [Aug 1 00:00, Sep 1 00:00)

重构把这段逻辑移到了 Period.contains，并让区间在错误的边界上闭合：

last_day = next_month_start(...) - timedelta(days=1)    # = 2026-08-31T00:00:00Z
return self.first_day <= ts <= self.last_day

last_day 是午夜零点的时间戳，而不是整整一天。因此 2026-08-31T00:00:00Z 之后的每个事件都被排除在外。9 月的计费周期从 9 月 1 日开始，所以也不会把这些事件算进去。这些用量并没有被挪到另一个月，而是根本从未被计费。

我们客户的反馈印证了这些发现：

引言

“冗长、难以理解的输出一直是我对前沿模型最大的不满，而 Claude Opus 5.5 解决了这个问题。它写东西像一位优秀的同事，并且遵循我们的写作规则。一份设计规格书只需极少的修改就能用，当它改写我们的一条提示词时，我更喜欢它的版本而不是我自己的。当它优化我们的测试套件时，我能轻松跟上它的推理，并放心地发布了这项改动。”

公司Ramp

作者John Ruelas，资深软件工程师（Staff Software Engineer）

安全性

为前沿 AI 放缓节奏

上周，我们的 CEO Dario Amodei 提出，AI 的进展应当放缓节奏，使安全实践始终走在模型能力之前。放缓节奏是一种方法，既能保障 AI 安全，又能在与中国的竞争中保持优势，并实现 AI 的益处，尤其是在生物学和医学等领域。

我们基本了解当今模型带来的风险，也有能力妥善应对。然而，随着能力的提升，更严重的风险可能很快出现，我们需要现在就为此做好准备。因此，我们的安全工作同时在两个时间维度上展开：

针对当前模型的安全实践。当前这一代模型依赖一套成熟的实践：广泛的对齐测试、由 METR 和 Frontier Design 等外部机构进行的发布前评估，以及与每个模型在网络安全和生物学等高风险领域的能力相匹配的安全防护措施。我们在每次发布时都会改进这些实践。我们相信它们与当今模型带来的最严重风险相称，并且让我们对各类严重风险有了一个全面的（尽管并不完美的）认识。

此外，我们会追踪自己训练和评估对齐模型的能力，并在依据我们的负责任扩展政策（Responsible Scaling Policy）发布的风险报告中，同时报告公开模型和内部模型的情况；该政策是我们自愿采用的、用于管理先进 AI 系统灾难性风险的框架。

为未来的模型做准备。我们正在为更先进的模型调整训练和评估流程。我们正在收紧对强化学习所用环境的筛选，因为有缺陷的环境是不对齐行为的一个主要来源。此外，我们正在改进对齐奖励，并开发自动化流程来生成新的、多样化的安全训练场景。我们也在加强安全与监控，包括专门致力于改进基于可解释性的监控和评估。我们希望这些技术能帮助减少对审计模型思维链（即模型在工作时写出的推理过程）的依赖。

能力更强的模型——比如能够完全自动化 AI 研究工作本身的模型——需要更高的安全标准。我们呼吁放缓节奏，很大程度上是基于我们预计这类模型可能很快就会被训练出来。对于这些模型，我们并不认为上述措施本身就能达到那一安全标准。随着 AI 的能力越来越强，公共政策应在确保人们所依赖的系统安全方面发挥更大的作用。这种能力需要时间来建设，我们已经开始搭建相应的基础设施，详见《我们必须为前沿 AI 放缓节奏》以及我们最近与 Accenture 联合发布的公告；我们预计很快会分享这些工作的更多细节。我们还将继续参与与政府和行业的政策讨论，包括监管方式和国际协调。

对齐

在我们的主要评估套件（一个在近 2000 个场景中评估 Claude 的自动化行为审计）上，Opus 5.5 在几乎所有不对齐行为的衡量指标上，得分都优于近期任何一款 Claude 模型。在大多数诚实性指标上，它也是我们最强的模型。

具体来说，Opus 5.5 在若干曾导致近期网络安全事件的行为上相比之前的模型有所改善，包括带有偏见或动机的推理、试图逃出沙箱，以及在断定自己处于模拟环境后采取有害行动。在一项旨在测试模型越过隔离边界倾向的新评估中，Opus 5.5 试图绕过边界的频率比 Opus 5 或 Claude Mythos 5.1 低约 85%，而且它做出的每一次尝试都是低严重度的，并且是自行报告的。对于让 Claude 无人值守地运行在其代码库和系统中的团队来说，这与原始能力同样重要。

然而，正如我们在最近的对齐评估中所述，构建能在部署前可靠捕捉每一种失败的评估，仍然是一个未解决的问题。我们看到迹象表明，Opus 5.5 常常怀疑自己正在被评估，这对我们评估它在其所部署的各种真实环境中会如何行动的能力构成了挑战。随着这些环境不断扩展、模型能力不断提升，除非我们在可解释性方面取得进展，否则我们预计这一挑战会加剧。尽管我们确信 Opus 5.5 在我们能够衡量的领域中表现出全面的改进，但我们仍将自己的对齐工作与下文所述的安全防护措施结合起来使用。

安全防护措施

随着我们的模型越来越强大，更严格的安全防护措施是防止新能力沦为滥用工具的手段之一。Opus 5.5 是首款在网络安全、生物学和蒸馏方面采用与 Fable 5.1 同类安全防护措施的 Opus 模型，这些措施都会透明地回退到另一个模型。

网络安全。由于 Opus 5.5 拥有极强的网络能力，我们对其采取了与 Fable 5.1 类似的网络安全防护措施。用户仍可在日常软件开发生命周期中识别并修复代码中的 bug，但大多数网络安全任务会被重新路由到 Opus 4.8。

对于网络防御人员，我们将很快扩大网络安全验证计划，把 Opus 5.5 纳入其中。新的计划将包含三个层级，提供权限逐级放宽的可信访问，包括对 Claude Mythos 系列模型的访问。Claude Security 已可使用，并可访问 Claude Mythos 5.1。

生物学。Opus 5.5 在生物学方面能力很强，超过 Opus 5，并在许多工作领域与 Claude Mythos 5.1 持平或更优。例如，在与 Dyno Therapeutics 合作开展的一项长周期分子预测与设计评估中，Opus 5.5 取得了提升，红队专家评价其科学新颖性与他们测试过的最佳模型相当。

为此，Opus 5.5 采用与 Fable 5.1 相同的生物学安全防护措施。如果需要将 Opus 5.5 用于被这些措施阻碍的研发工作，用户可以申请加入我们新推出的生命科学验证计划，该计划让学术实验室、初创公司和制药公司等经审核的机构能够使用专为涵盖全部生物学相关工作而设计的安全防护措施。有意向的机构可在此申请。

蒸馏

蒸馏攻击是指攻击者利用数千个虚假账户，以工业化规模提取模型的能力，这会带来安全和国家安全风险。蒸馏使不法分子得以创建能力很强、却没有我们内置于 Claude 中的安全防护措施的模型。我们的 2026 年 9 月威胁情报报告详细介绍了迄今为止我们已发现并阻断的非法蒸馏活动。

Opus 5.5 发布时带有保留式思考（preserved thinking），这是我们随 Fable 5.1 引入的反蒸馏安全措施。它会阻止 API 用户编辑 Claude 先前的上下文来试图提取 Claude 的推理过程。该措施适用于 2026 年 8 月 31 日或之后创建的 API 账户使用的 Fable 5.1 和 Opus 5.5。我们的帮助中心文章解释了这一变更，保留式思考文档则展示了如何测试和更新你的集成。

数据保留与合规

与之前的 Opus 模型一样，Opus 5.5 支持零数据保留。

与 Fable 5.1 一样，Opus 5.5 带有为遵守欧盟《人工智能法案》（EU AI Act）而采取的水印措施，详见此处。此外，它也不再支持关闭“思考”模式，详见此处说明。

可用性

Claude Opus 5.5 现已在所有平台上线，包括 Amazon Web Services、Google Cloud 和 Microsoft Azure。在 Claude Platform 上，开发者可以通过 claude-opus-5-5 开始使用。详情请参阅我们的迁移指南。