Opus 5.5 评测：Anthropic 的“经济适用型”旗舰，跑分登顶但账单暗藏玄机

2026年9月22日，Anthropic 正式发布 Claude Opus 5.5，这是全新 Claude 5.5 家族的首款模型。发布时间点耐人寻味——就在三天前，路透社刚报道称随着 GPT-6 Astra 开始抢回企业市场，Anthropic 正考虑提前推出新模型应战。Opus 5.5 的定位非常清晰：用更低的成本提供接近 Fable 5.1 级别的性能。官方称其在多数任务上达到 Fable 5.1 的水平，同时运行成本比 Opus 5 降低 40%，输出速度提升超过 30%。

规格与定价：降价是核心叙事

Opus 5.5 的基础规格延续了 Anthropic 的旗舰路线。默认上下文窗口为 100 万 Token，最大输出 128K Token（Batch API 可扩展至 300K），知识截止日期更新至 2026 年 6 月。自适应推理始终开启，提供 low 到 max 五档推理强度，默认 high。

定价是这次升级最实质的变化。API 输入价格从 Opus 5 的每百万 Token 5 美元降至 4 美元，输出从 25 美元降至 20 美元，均下调 20%。缓存读取费用降幅更大，从每百万 Token 0.50 美元降至 0.20 美元，降幅达 60%——对于以 Agent 和编码为主要场景的用户，缓存读取恰恰是账单中占比最高的部分。Anthropic 还提供快速模式，速度约为标准版的 2.5 倍，但单价翻倍至输入 8 美元、输出 40 美元。

横向对比，Opus 5.5 的 Token 单价仅为 GPT-6 Astra 的约 40%（Astra 为输入 10 美元、输出 50 美元）。但单价低不等于总成本低，这一点在后续的独立测试中暴露出了关键矛盾。

基准测试：跑分登顶，但 Verbosity 是隐患

在 Anthropic 公布的官方基准表中，Opus 5.5 在可比较的前 6 项中拿下 4 项第一。Terminal-Bench 4.0 从 Opus 5 的 52.3% 跃升至 66.4%，大幅领先 Fable 5.1 的 55.8%。GDPval-AA v2.1 专业工作评测中取得 1846 Elo，高于 Fable 5.1 的 1735 和 Opus 5 的 1708。计算机操作从 80.7% 升至 81.8%，视觉图表识别从 88.4% 升至 89.0%。

第三方评测平台 Artificial Analysis 的独立测试给出了更冷静的视角。Opus 5.5 在 Intelligence Index 上以 58 分位居榜首，超过了 GPT-6 Astra 和 Fable 5.1 的 53 分。但 Artificial Analysis 同时标记了一个关键问题：Opus 5.5 在 max 档位下极其“能烧 Token” 。max effort 下平均每项任务生成约 11.9 万 Token，而 Astra 仅为约 2.7 万。结果是，尽管 Opus 5.5 的 Token 单价只有 Astra 的四成，单任务成本反而达到 5.98 美元，高于 Astra 的 3.26 美元。

不过，回到默认的 medium 档，情况就完全不同了。Opus 5.5 在 medium 档拿到 51 分，每任务成本 1.34 美元；Astra 是 50 分、1.54 美元；Fable 5.1 则是 49 分、2.98 美元。这意味着对于绝大多数不需要开到最高推理强度的日常任务，Opus 5.5 的成本效率是实打实的优势。

实测体验：长程耐力与“跑偏”风险并存

社区实测呈现出鲜明的两面性。一位开发者在 V2EX 上分享，他此前长期使用 GPT 系模型做研究项目，用 Opus 5.5 评审实验设计和架构后，它“明确发现了之前 Codex 车轱辘来回转都分析不出来的实验设计问题”，实验代码设计也“明显贴近人的思维模式，具有一定的主动性”。

长程任务的耐力确实有显著提升。官方数据显示，一位早期测试者用 Opus 5.5 在不到三小时内审查并修复了约 20 万行代码，而 Opus 5 完成同一任务花了 20 多个小时。在内部 HAProxy 从 C 改写为 Rust 的测试中，Opus 5.5 用了 9.5 小时完成，相比 Fable 5.1 的 12 小时快了约 21%，成本低 51%。

但“跑得久”不等于“跑得对”。科技媒体 Every 的实测中，Opus 5.5 被给予十分钟为客户培训写按分钟安排的日程表。它花了将近五分钟思考，然后开始制作训练数据、核对表格、编写学员材料——时间到了，最需要的日程表却没有交出来。另一次应用开发测试中，页面看起来美观、自动检查也显示通过，但实际操作时核心页面仍然报错。一位 Android 后端开发者则直言 Opus 5.5“幻觉率极高，喜欢把结论给得很确定，但老是望文生义，不确认调用链能不能走下去”。

安全与行为审计：Anthropic 的最强项

安全一直是 Anthropic 的核心叙事，Opus 5.5 在这方面确实交出了迄今最好的成绩。在 Anthropic 的自动化行为审计中，Opus 5.5 是测试过的所有模型中表现最好的，在数千个模拟场景中，它试图越过 containment 边界的次数比 Opus 5 减少了约 85%。Deloitte 的 CIO 报告显示，Opus 5.5 在 low effort 下的 bug 捕获率为 72%，而 Opus 5 在 high effort 下仅为 56%，且误报更少。

总结

Opus 5.5 是一款定位精准的“经济适用型”旗舰。它在默认档位下用更低的单价和更少的 Token 消耗完成了接近 Fable 5.1 级别的工作，在长程编码和知识工作场景中展现出了实质性的耐力提升。但它并非没有代价：max 档位的 Verbosity 问题会迅速吞噬单价优势，实测中的“跑偏”风险意味着它更适合作为有校验能力的专业工作流中的主力引擎，而非无需监督的自动化方案。Anthropic 选择用 Opus 5.5 打头阵、Sonnet 5.5 和 Haiku 5.5 紧随其后，这一节奏本身说明：在 GPT-6 Astra 的竞争压力下，Claude 5.5 家族正在从“性能旗舰”转向“性价比旗舰”的路线。