最后更新时间：2026-07-27

Claude Opus 5 评测：官方指标、价格与实战选型

Anthropic 于 2026 年 7 月 24 日发布 Claude Opus 5，模型 ID 为 claude-opus-5。它最值得关注的不是单一排行榜名次，而是把 1M token 上下文、128K 最大输出、默认开启的 adaptive thinking，以及五档 effort 控制放进同一套面向长程代理任务的模型里。官方图表显示，它在 Frontier-Bench v0.1 的特定内部运行配置中，以低于 Opus 4.8 的单次成本获得超过两倍的分数；在 ARC-AGI-3 图中，high effort 的点约为 30%，明显高于同图的 Opus 4.8。¹

这篇 Claude Opus 5 评测面向需要决定“何时该上最强模型、何时该降 effort 控成本”的开发者、产品负责人和内容团队。结论先说：复杂多文件改造、需要反复用工具验证的任务，以及超长资料归纳，Opus 5 值得进入候选；短问答、批量分类和低风险格式转换，不应默认使用它。官方评测可说明能力上限，不能替代你自己的代码库、数据分布和预算下的验收。

快速结论：Claude Opus 5 的 API 标准价是每百万输入 token 5 美元、每百万输出 token 25 美元；Fast mode 为 10/50 美元。先用默认 high 做 20 个真实样本，再比较 medium、high、xhigh 三档的通过率、总 token 与人工返工时间，才是可靠的选型方式。¹²

Claude Opus 5 官方指标一览

这里有两个容易忽略的变化。第一，Opus 5 默认开启 thinking，API 请求中的 max_tokens 是思考 token 与最终文本的总硬上限；从旧版迁移时，原本能返回的可见文本长度可能会变化。第二，提示词缓存的最小可缓存长度从 Opus 4.8 的 1,024 token 降到 512 token，对反复执行的短系统提示词和固定工具说明更友好。²³

官方评测图怎么看：先看坐标与实验条件

下面两张图均为 Anthropic 发布页的原始图表，本站仅本地保存以便阅读，并未修改图中指标。它们反映的是厂商公布的测试设置，不是本站复测，也不代表每个业务任务都会获得相同比例的提升。

图表出处见 Anthropic 官方发布资料。¹

Frontier-Bench：比较的是“分数与每次尝试成本”

图 1 的 Opus 5 橙色曲线从约 5.5 美元、25.5% 起步，在约 14.5 美元处达到约 44.3%，随后在约 17 美元处约 43.2%。同图的 Opus 4.8 蓝色曲线最高约 18.7%，对应成本约 17 美元；Fable 5 黄色曲线最高约 33.7%，成本接近 27 美元。换言之，图所展示的是在该 harness 与 effort 梯度下，Opus 5 把更高的代理编程得分放在了更低的单次尝试成本区间。

但不能把这张图简化为“成本低一半、所有编码任务都好两倍”。图下明确写有每个任务最多四次尝试、Opus 4.8 因安全分类拒绝采用均值回退等条件；此外，真实团队还会受到代码库质量、测试覆盖、工具权限、重试策略和人工审查门槛影响。更可操作的读法是：把它当成设置实验起点，优先验证多步改造、排错闭环、浏览器检查等长程任务。

图表出处见 Anthropic 官方发布资料。¹

ARC-AGI-3：别把总评测成本当成日常账单

图 2 表达的是新颖问题求解与整套评测成本的关系。Opus 5 的 high 点约为 30%，同图 Opus 4.8 的 high 约 1.4%，GPT-5.6 Sol 的点约在 7% 至 8% 范围。这里的横轴标为“total evaluation cost”，约在 1 万至 2.4 万美元的区间，因此它不能直接推出“每次调用 Opus 5 要 2 万美元”，更不能代替你在 API 控制台中的实际用量。

官方发布页还给出三个定性或相对结论：ARC-AGI 3 分数约为次优模型的三倍；AutomationBench 在相同单任务成本下的通过率约为次优模型的 1.5 倍；OSWorld 2.0 在任一给定成本下优于其他模型，并以略高于 Fable 5 最佳结果三分之一的成本超过该结果。¹ 这些都是发布方的比较陈述。采购或上线前，应要求用同一提示词、工具集、超时阈值和重试次数进行内部复验。

为什么 effort 比“模型名”更影响账单

Opus 5 的五档 effort 不是装饰性参数。官方文档说明，模型默认是 high，可向下调到 low、medium，也可为最难任务升至 xhigh 或 max；更高档位通常应预留更大的 max_tokens，让模型完成思考、子任务和工具调用。²

建议把任务拆成三类。第一类是格式固定、可快速抽检的工作，例如标签归类、字段提取和短摘要，先测 low 或 medium。第二类是需要查资料、写单元测试、修一个明确 bug 的工作，用 high 建立基准。第三类是跨目录重构、从需求到可演示页面、需要多轮浏览器或命令行验证的工作，才值得把 xhigh、max 放进受控实验。

effort 的选择还要和任务的可回滚性绑定。可以只改隔离分支、能自动运行测试、输出可由机器断言的任务，适合逐步尝试更高档位；会写入客户数据、调用付费第三方服务或触达生产环境的任务，即使模型在基准上更强，也应先收紧工具权限和审批范围。模型能力的提升不会自动补上流程控制，更不能用一次演示成功替代持续评估。把失败样本单独归档，区分“没理解需求”“工具调用失败”“验证不足”和“成本超标”，下一轮实验才有明确优化方向。

一个可复用的验收表应至少记录：任务是否通过、首次可用结果耗时、输入与输出 token、工具调用次数、人工修订分钟数，以及是否引入回归。只比模型输出“看起来聪明”会漏掉最重要的成本：失败后重新解释上下文、补测试和处理不可复现结果的时间。

任务：为现有服务增加导出接口并补齐测试
验收：接口测试全绿；导出文件字段正确；无既有测试回归
对照：medium / high / xhigh 各运行 20 次，同一仓库快照与工具权限
记录：通过率、P50/P95 时长、总 token、人工修订分钟数、失败类型
决策：以“每个通过任务的总成本”排序，而非以单次请求价格排序

API 接入时的三个迁移点

第一，模型名要显式固定为 claude-opus-5，在灰度期不要用“最新 Opus”这类不可审计的别名。第二，若从 Opus 4.8 迁移，检查是否曾显式禁用 thinking：在 Opus 5 上，thinking: {"type":"disabled"} 仅能与 high 或更低 effort 共用；若与 xhigh、max 组合，官方文档说明会返回 400 错误。²

第三，Fast mode 不是单纯的低延迟开关。官方将其列为 Claude API 的 research preview，价格翻倍，当前不适用于 Amazon Bedrock、Google Cloud 或 Microsoft Foundry。面向交互式编辑器可以测它的 P95 延迟收益；面向异步批处理则先比较标准模式、缓存命中和 Batch API 折扣，往往更接近实际成本优化。

from anthropic import Anthropic

client = Anthropic()
message = client.messages.create(
    model="claude-opus-5",
    max_tokens=8192,
    output_config={"effort": "high"},
    messages=[{"role": "user", "content": "先列出修改计划，再实现并说明验证步骤。"}],
)
print(message.content[0].text)

以上示例只展示模型选择和 effort 的位置。生产环境还应加入请求超时、幂等键、预算上限、敏感数据最小化和工具白名单；让模型拥有更多 token 或更多工具，不等于应当拥有更广的生产权限。

国内使用与多模型工作流怎么安排

国内团队常见的问题不是“有没有最强模型”，而是如何让网页试验、团队协作和工程 API 分层。查权威规格、发布日期和迁移边界时，应以 Claude 官方文档为准；要做同题 Prompt 对照、培训或内容验证，可在 gemini官网 信息与 gemini中文版 场景中先固定输入；进入程序化调用后，再用独立密钥、预算和日志验证 Claude API。

对于希望把 Claude、Gemini 与其他模型放在同一工作台比较的团队，gemini镜像站 与 gemini 国内使用 入口更适合做页面侧任务验证；最终选型仍需回到版本号、模型可用性、数据边界和 API 用量报表。不要因为界面能选到一个名称，就推断它等同于 Anthropic 官方 API 的特定版本。

建议把网页侧试验和正式调用使用同一份任务卡：固定输入材料、预期格式、不得触碰的数据、允许的工具与验收人。这样在不同模型、不同入口之间出现质量差异时，团队能定位差异来自模型版本、Prompt、权限还是测试标准，而不是只凭主观印象决定去留。

常见问题

Claude Opus 5 适合所有编程任务吗？

不适合。它的官方定位偏向复杂代理编程与企业工作。短代码补全、规则明确的转换和批量低风险任务，应先测试较低 effort 或更轻模型；只有在通过率、返工和时延综合收益明显时，再扩大 Opus 5 用量。

官方评测图可以证明我的业务也会提升吗？

不能直接证明。官方图说明特定基准、harness、成本口径和 effort 配置下的结果。你的任务若使用不同工具、私有代码、语言、超时或审查规则，结果可能不同。最小可行做法是用 20 个固定样本做盲评对照。

Claude Opus 5 的 1M 上下文能否直接塞入全部资料？

技术上有 1M token 上下文，但不建议把无关资料一次性全部送入。先按任务筛选、标注来源和冲突，再用检索或分段摘要保留关键证据，通常更容易降低费用、提高可追溯性，也更利于发现过期信息。

应该直接从 Claude Opus 4.8 全量切换到 Opus 5 吗？

不建议直接全量切换。先固定模型 ID 和系统提示词，在影子流量或非关键任务上跑一周，对比通过率、拒答、格式稳定性、总 token 与 P95 延迟。尤其要检查 thinking 默认开启后 max_tokens 是否足够，以及禁用 thinking 的旧请求是否与 effort 设置冲突；确认无回归后再分批放量。

结论：把官方领先转化成可验证的工作流

Claude Opus 5 的发布信号很清晰：Anthropic 把长程代理任务、可调推理深度和成本曲线作为核心竞争点。Frontier-Bench 与 ARC-AGI-3 官方图值得参考，但它们的正确用途是帮助你设计内部实验，而不是替你完成采购决策。

从 high 开始，用固定样本记录通过率、总 token、延迟和人工返工，再决定是否升级到更高 effort。需要先在网页侧对比同一 Prompt 的团队，可以从 AIMirror Gemini 中文站 做任务验证；涉及正式集成时，仍应以 Anthropic 官方 API 文档、模型 ID 与安全边界为最终依据。