新闻详情

新闻详情

首页 / 资讯中心 / 详情

Anthropic 发布 Claude Opus 5.5:对标旗舰性能,典型工作负载成本再降四成

发布时间:2026/11/13 14:42:36来源:尧图网络
Anthropic 发布 Claude Opus 5.5:对标旗舰性能,典型工作负载成本再降四成
Anthropic 发布 Claude Opus 5.5对标旗舰性能典型工作负载成本再降四成旧金山 / 2026年9月22日讯— 人工智能公司 Anthropic 于周二正式发布 Claude Opus 5.5这是全新 Claude 5.5 系列的首款模型。公司称该模型在多数任务上的表现已达到更高阶旗舰 Claude Fable 5.1 的水平同时在典型工作负载下的运行成本较两个月前发布的 Opus 5 降低约 40%。此次发布距 Opus 5 上线仅约八周也是 Anthropic CEO Dario Amodei 近期呼吁业界“放缓前沿能力投放节奏”pacing the frontier之后该公司推出的第一款新模型。想要快速体验Claude Opus 5.5 可以选择我们的企业级AI Token中转站全网主打便宜、稳定的满血中转Claude Opus 5.5 / GPT-6 Sol / GPT-6 Luna / Image2.5985、211 高校团队都在用。国模 GLM、Kimi、DeepSeek、Qwen 特惠最低 0.05 倍率。官网https://www.geek2api.com/备用https://hk.geek2api.com/Claude Opus 5.5、GPT-6 Sol / Luna 均已上架即开即用。定位长周期智能体与知识工作Anthropic 将 Opus 5.5 定位为面向长时间运行的智能体编程agentic coding与专业知识工作的主力模型。官方规格包括上下文窗口100 万 tokens单次最大输出12.8 万 tokensAPI 模型 IDclaude-opus-5-5知识截止日期2026 年 6 月公司称新模型在默认设置下生成速度比 Opus 5 快30% 以上在 Claude Code 与 Claude Platform 上还可选用 Fast 模式速度最高约提升 2.5 倍。价格输入输出下调 20%缓存读取下调 60%这是 Opus 系列近年来首次实质性降价。官方 API 定价如下项目Opus 5.5Opus 5变化输入$4 / 百万 tokens$5 / 百万 tokens-20%输出$20 / 百万 tokens$25 / 百万 tokens-20%缓存读取$0.20 / 百万 tokens$0.50 / 百万 tokens-60%Anthropic 强调长周期智能体与编程任务中缓存读取往往占成本大头因此综合下来典型工作负载成本可下降约 40%。Fast 模式定价为输入 $8、输出 $40 / 百万 tokens。美国境内独占推理US-only inference按 1.1 倍费率计费。订阅侧公司同步上调了 Pro、Max、Team 及按席位计费的 Enterprise 套餐五小时用量上限并为订阅用户提供一次可自行选择使用时间的速率上限重置。基准测试多项指标超过 Fable 5.1Anthropic 公布的内部评测显示Opus 5.5 在智能体编程、知识工作、计算机使用、图表识别及多学科推理等项目上超过 Fable 5.1。部分公开数字包括Terminal-Bench 4.0智能体编程Opus 5.5 为66.4%Fable 5.1 为 55.8%Opus 5 为 52.3%。GDPval-AA v2.1覆盖 44 类职业的真实工作评测Opus 5.5 得分1846Fable 5.1 为 1735Opus 5 为 1708。据公司称该模型在软件开发基准上超过 OpenAI 的 GPT-5.6 Sol且运行成本约为后者的三分之一。Anthropic 同时提醒在当前能力水位下基准分差已越来越难以直接对应真实工作差距两款模型在实际任务中的差距往往小于分数本身。公司内部一项测试中要求将广泛使用的服务器软件从 C 迁移至 RustOpus 5.5 用时 9.5 小时、成本低 51%Fable 5.1 用时约 12 小时。早期测试者还报告有人在不到一天内完成约 68 万行代码迁移——按公司说法这通常需要工程团队数周。表达风格与产品体验除性能与价格外Anthropic 特别强调“更好用”。官方称 Opus 5.5 更少堆砌行话和独特措辞更倾向把关键信息放在回复开头也更能遵守用户给定的写作规范。一名早期测试者形容“它写东西的方式和我一样。”公司认为输出更易跟读、更易核验本身也构成一种安全收益。需要开发者注意的是Opus 5.5 相对 Opus 5 存在若干破坏性变更包括思考过程无法关闭、强制工具调用会报错、思考块与产生它的模型及对话绑定等。平台文档已提供迁移指南。安全外部评测 旗舰级防护Anthropic 称Opus 5.5 上线前接受了独立安全研究机构Frontier Design与METR的外部测试。在公司最全面的自动行为审计automated behavioral audit中它是迄今测试过的表现最强模型。由于该模型在生物学与网络安全能力上与 Mythos 5.1 相当Anthropic 为其部署了与 Fable 5.1 类似的防护措施。公司称在专门评测中Opus 5.5 试图突破既定边界的概率较 Opus 5 或 Mythos 5.1 低约85%。经审核的机构即日起可申请生命科学验证计划Life Sciences Verification Program以便将其用于生物学研究。完整评估细节见当日发布的系统卡System Card。这一安全叙事与近期行业争论直接相关Amodei 本月早些时候呼吁全球 AI 社区放慢发布新能力的速度以便处理安全问题。Opus 5.5 被公司明确标为“呼吁放缓前沿之后的第一款模型”。上线渠道与后续路线图Opus 5.5 即日起可在以下渠道使用Claude 应用Pro、Max、Team、EnterpriseClaude API / Claude Platform模型 IDclaude-opus-5-5Amazon Bedrock 与 Claude Platform on AWSGoogle CloudVertex AIMicrosoft Azure / Microsoft FoundryAmazon 方面表示Bedrock 默认支持零数据留存ZDR数据可保留在 AWS 基础设施内并提供区域驻留及 Guardrails、Knowledge Bases 等托管能力。Anthropic 同时宣布Claude Sonnet 5.5与Claude Haiku 5.5将在未来数周内跟进并继承此次在性能、效率与安全上的多项改进。竞争背景发布当日OpenAI 随即推出两款更便宜的 GPT-6 系列模型 Sol 与 Luna形成同日对攻。AI 实验室仍在以周为单位迭代能力与价格与部分监管方、安全研究者要求“放慢节奏”的呼声形成对照。对开发者与企业用户而言Opus 5.5 的核心卖点并不只是“更强一点”而是把接近旗舰的能力放到更接近日常工作负载预算的价位上——尤其是那些依赖长上下文、工具调用和缓存读取的智能体任务。综合 Anthropic 官方公告、Claude 平台文档、路透社、TechCrunch、VentureBeat、Mashable 等报道。价格与基准数据均来自 Anthropic 公布材料独立第三方复现结果仍有待观察。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉