Anthropic 发布了 Claude Opus 5.5。这次升级覆盖复杂编程、视觉与交互、知识工作，以及一直被吐槽的写作体验。在 Anthropic 的评测中，它的 Terminal-Bench 得分 66.4%，高于 Fable 5.1 的 55.8%；CursorBench 为 57.8% 对 51.8%。在代码库里连续解决问题，和在一段提示词后做出完整作品，是它最值得看的两种能力。

价格也改变了选择：Opus 5.5 的 API 输入、输出单价分别是每百万 Token 4 美元和 20 美元，比 Fable 5.1 的 10 美元和 50 美元都低 60%。与上一代 Opus 5 相比，Anthropic 称典型任务费用约低 40%，输出速度快 30% 以上。

这些升级在日常工作里，分别表现为：

• 编程：更适合连续推进整项任务。 跨文件修改和长时间工程任务更稳；CursorBench 的默认 medium 档已超过 Fable 5.1 的最高档。一般任务可以先从 medium 开始。
• 视觉与交互：从“做个页面”走向更完整的作品。 水下探索游戏、手绘动画、可调投石机和积木搭建工具，把画面、操作和反馈连成了完整体验。
• 知识工作：更好地检索、整理和交付复杂资料。 财报查证、并购建模和跨应用操作的表现都有提升；另一项专业工作测试达到 1846 Elo，高于 Fable 5.1 的 1735。
• 写作：少绕弯，先说重要信息，更愿意遵守你的表达规则。 新版更愿意听反馈，少用套话；写文档和解释问题时，重要信息也更早出现。

写作升级：少一点套话，先把事情讲明白

Opus 5 的“AI 味”曾是高频吐槽：回答先铺背景、爱堆术语和套话，关键结论埋在后面；请它改两句，有时又忙着解释、争辩自己原来的写法。Every 的试用者说，旧版的解释常常“还需要再解释一遍”。写文档或长期协作时，这会让人把时间花在追问和改稿上。

Opus 5.5 主要改的是这种沟通体验。 Anthropic 称它会把重要信息放在前面，减少拗口的表达，更愿意遵守用户给的写作规则。官方账单排错示例让这个变化很容易看出来：新版先告诉你钱差在哪里，然后再讲代码出了什么问题。

同样找对 Bug，新版先说影响

两款模型都找到了同一个账单错误：代码把月末截止时间设成“最后一天的零点”，漏算了那一整天的用量。

区别在展开顺序。Opus 5 先指出是哪次提交引入问题，然后展示代码、解释时间区间，接着说明漏计影响及测试为什么没有发现它。Opus 5.5 一开始就交代：账单下降中，1.50 美元来自免费层调整，另外 9.92 美元来自 Bug；后者导致月末最后一天的用量没有计费。读者先知道影响多大，再读代码了解原因。

官方还展示了两组对照。总结 Slack 讨论时，两款模型都用了三条清单，新版把“问题、立即措施、长期方案”中的责任人和完成状态写得更容易跟进。解释国际象棋程序时，新版围绕“两个格子中间有没有棋子挡住”说明设计：用掩码记录中间格，再计算阻挡数量；数量为零，攻击才成立。它把技术细节连回了读者要理解的问题。

写得更自然，长文仍可能绕远

早期测试者 Theo Jaffee 用同一个提示词——“explain how options work”——展示了两款模型的回答。他认为 Opus 5.5 的写作更直接、自然，减少了让人出戏的套话。这条帖子在检索时约有 1300 赞。

旧版先从“未来交易”和核心思想谈起，再列定义、类型及较长的算例。新版首段直接给出定义和权利金，随后将类型、术语、上涨与下跌情形、盈亏平衡点分开。区别在阅读顺序：先弄懂期权是什么，再看分类和算例。

企业反馈也更接近日常写作任务。Ramp 工程师 John Ruelas 表示，新版更能遵守团队写作规则，设计文档只需很少修改；重写的一条提示词甚至比他的原版更合意。Box 的 Yashodha Bhavnani 则称，在其评测中，Opus 5.5 使用的 Token 约为 Opus 5 的三分之一，回答冗长程度减少约 40%，同时保持准确性。

科技媒体 Every 的实测更看重协作体验变顺了：新版愿意接受修改意见，顺着给定材料继续创作，也更能解释取舍。

Every 测得的英文 Flesch-Kincaid 年级值为 6.95，低于 Opus 5 的 7.97 和 Fable 5.1 的 7.43，约对应美国七年级阅读难度；Reading Ease 易读分为 68.4。这项评分衡量英文词句是否容易阅读。

写作仍有一个明显短板：话更好懂，重点却未必更早出现。Every 的文章开头测试中，新版用了 37—39 句表达作者 21 句的内容；Dan Shipper 也发现，它能找出最有意思的观点，却没有把它放在开头。

这让 Opus 5.5 更适合一起讨论想法、扩充初稿；定稿时仍要检查第一段有没有直接说出核心观点。写作升级已经能从配合度和表达中感受到，精炼与取舍还需要编辑。

X 上的演示：游戏、动画与视觉完成度

X 上的开发者和 Anthropic 团队很快放出了可看的作品。游戏与动画最适合观察这次升级：它有没有把场景、操作和反馈真正做出来？

水下探索游戏：场景、任务和反馈连成了一次体验

Anthropic 团队成员 Edwin Arbus 的演示约有 1315 赞。他让 Opus 5.5 制作一款受安提基特拉机械启发的游戏，并称整个作品是一个约 3 MB 的 HTML 文件，通过 Three.js 在浏览器内运行，画面与声音均由代码实时生成。

视频先展示航船与潜水员，随后进入水下：鱼群、海草与光束形成环境；“寻找三枚青铜碎片”的目标、空气倒计时和声呐形成任务；找到机关后出现齿轮装置与完成画面。这组演示的价值在于，不同视觉与交互元素围绕同一探索目标组织起来了。

丧尸游戏对照：同题作品的画面差异

第三方评测账号 BridgeBench 发布的对照约有 653 赞。作者称两款模型使用了相同提示词，讲解中明确标注先展示 Opus 5.5，后展示 GPT-6 Sol。

前半段是较写实的城市射击场景：路面反光、建筑层次、枪械和界面元素较丰富；后半段则是更简化的方块角色与规则化场地。同一条演示里，两种作品的场景密度、画面风格和交互界面差别很直观。

手绘动画：借助既有技能控制风格与转场

开发者 superalesha 的动画约有 478 赞。他要求 Opus 5.5 表现 Claude 模型的发展过程，并说明使用了自己的 hand-drawn-canvas-animation 技能，作品以纯 JavaScript 制作。

视频从铅笔、纸张和星芒标识出发，经过翻页、怀表齿轮、蓝图桥梁、风暴和色彩转场，最后落到一句问候。它展示了如何把统一画风维持到多段场景中。

官方的八个作品，把能力展示得更具体

Anthropic 还发布了一条早期探索合集。其中既有连续叙事的动画，也有能接受输入、给出反馈的应用原型。

连续叙事与数据重建

西瓜故事由 Kevin Ngo 制作。蚂蚁从搬运、种植到经历风暴、收获分享，形成了一段约 29 秒的手绘故事。它展示的是连续场景的表达，而不只是一张插画。

Earthrise 重建则利用图像线索和公开数据，复现阿波罗 8 号拍摄“地出”照片的时刻。演示从原照片出发，展示地平线边缘、位置、镜头拟合、光照与胶片响应等环节，再呈现重建画面。它把图像观察、资料与几何关系串进同一个可视化过程。

把草图和视觉想法变成可操作界面

Kevin Ngo 的 Penpal 把 Claude Code 做成了纸笔风格界面：新会话是一张餐巾纸，项目列表、继续上次会话和用量都保留了具体操作入口。它在风格变化之后，仍然围绕原本的工作组织界面。

投石机从铅笔草图变成桌面上的三维模型。演示者可以拉动投掷臂、调整配重，看弹丸飞行并撞倒方块。这里不只有物体造型，还有“改变参数—观察结果”的交互关系。

Tyler Nishida 的 UI 老虎机随机组合界面元素，为新应用提供起点。另一件作品来自 thedesignely：围绕甲虫海报做出视觉特效控制器，调整参数时，预览随之改变纹理和形变。前者帮助产生组合，后者帮助比较变化后的效果。

生成之后，还能继续修改与复用

积木搭建应用接受照片或文字描述，输出三维积木模型及搭建说明。视频里能看到修改描述后的城堡、逐层步骤和零件指引：它尝试把“看起来像一个模型”推进到“告诉人如何搭起来”。

Kevin Ngo 的 算法绘图程序则让同一套画风产生不同构图。官方说每幅画使用不同的随机种子；展示图中，海浪、岛屿和日落的位置不断变化，铅笔笔触和纸张质感保持一致。对于需要成组视觉素材的工作，这比只能输出一个固定结果更有复用价值。

编程究竟提升多少：默认档位已经很有竞争力

视觉演示之外，官方基准提供了另一种观察。下图涵盖编程、知识工作、电脑操作和图表识别。其中 OSWorld 采用 partial 计分，Chartography 在使用工具的条件下从 Opus 5 的 83.4% 提升到 89.0%。

“effort”可以理解为模型分配给思考的预算。更高档通常意味着花更多时间和费用，但不保证每项任务都得分更高。Opus 5.5 的一个变化，是默认 medium 已经能完成很多此前需要高档模型处理的工作。

• Terminal-Bench 4.0 考察终端中的多步执行与问题解决。Opus 5.5 的 xhigh 得分为 66.4%，Opus 5 为 52.3%，Fable 5.1 为 55.8%，Astra 为 57.9%。medium 约为 58%，按官方比较，费用约为 Opus 5 max 的五分之一，也只需 Astra 同等表现约 40% 的费用。
• FrontierCode v1.1 除了正确性，还关心修改能否达到代码库的合入标准。Opus 5.5 medium 得分 54.6%，max 为 54.4%；medium 以约 Astra 五分之一的任务费用，超过其 53.3% 的成绩。对这类任务，拉满预算不一定划算。
• CursorBench 4.0 来自真实用户的复杂跨文件任务。medium 得分 52.5%，已超过 Fable 5.1 max 的 51.8% 和 Opus 5 max 的 46.6%；相对 GPT-5.6 Sol 的 41.7%，费用约为其三分之一。Opus 5.5 max 得分进一步达到 57.8%，但费用也增加。

长任务反馈更接近工程现场。Anthropic 内部让模型将 HAProxy 从 C 改写为 Rust，Opus 5.5 用了 9.5 小时，Fable 5.1 为 12 小时；两者几乎通过全部回归测试，而 Opus 5.5 的费用低 51%。公告还收录了早期测试者不到一天完成 68 万行代码迁移、不到 3 小时审计修复 20 万行遗留代码的案例。

Stripe 工程师 Cristian Rivera 描述的是另一种难题：40 个层叠 PR 的复杂变基。一个 Opus 5.5 会话协调十几个会话，把冲突解释清楚；到第二天下午，40 个 PR 都通过了 CI。Clio 的 Sean Heintz 则报告，模型在跨六个仓库的任务中持续运行超过 18 小时，推进里程碑更快、返工较少。这里的进步既包括继续做事，也包括让人离开一段时间后能重新看懂进展。

Every 的 Kieran Klaassen 还比较了同一道 Ruby 任务：Fable 5.1 high 写了 26 行，Opus 5.5 extra-high 写了 14 行，省掉了他不喜欢的解释性注释。在其程序性能测试中，Opus 生成的代码达到 427 次请求/秒，满足 20 项响应时间上限中的 17 项；Astra 的代码为 463 次/秒、14 项。前者峰值吞吐较低，却满足了更多延迟要求。这测的是生成程序的性能；Kieran 所说“约有 Fable 九成编程能力”则是个人使用判断。

Kieran 还用它搭建摄像头心率原型和 Cozy Island 三维岛屿。他认为 extra-high 的岛屿细节和镜头控制更好，胜过自己测试的 Fable 版本。

但漂亮的界面仍要跑通核心流程。Mike Taylor 的语音表单任务运行了 30 分钟、消耗约 590 万 Token：首页与登录页看起来不错，自动检查也通过了，实际打开构建和访谈页面却报错，指定 AI 服务也没有被调用。审查代码后，还要亲自走一遍应用的主要操作。

知识工作：查得清，交付也更完整

在 GDPval-AA v2.1 的专业工作测试中，Opus 5.5 取得 1846 Elo，高于 Fable 5.1 的 1735 和 Opus 5 的 1708。Elo 表示相对表现，不是正确率。按官方曲线，medium 已超过 Astra max，估算任务费用约为其五分之一。

一个具体例子是财报查证。Anthropic 在财报新闻稿难以定位的网络副本中设置检索任务，要求模型检索并写季度报告，再逐个核查数字与引文。只要出现捏造，整份报告就不合格。Opus 5.5 的 18 次尝试中有 16 次通过，Fable 5.1 和 Opus 5 在这项测试中都没有通过。另一个内部测试让模型分析两家虚构 HR 软件公司的并购，做 Excel 财务模型和管理层汇报；两款模型估值结论相同，但 Opus 5.5 的产物更完整、易读，耗时 63 分钟对 93 分钟，费用低 50%。

跨应用的 AutomationBench 得分从 Opus 5 的 26.9% 提升到 40.0%，但仍低于 Astra 的 41.4%。科学智能体测试也是 Astra 较高：64.6% 对 58.7%。

在大规模资料收集的 WANDR 测试中，Opus 5.5 从 low 的约 31% 提升到 max 的约 72%，显示复杂检索仍可能受益于更多预算。

Every 的咨询测试呈现了另一面：模型与一个模拟 Dan Shipper 的智能体谈判，连续修改 12 轮后达成共识；但限时 10 分钟制作客户培训流程表时，它先想了近 5 分钟，再制作训练数据、核对资产负债表，到第 9 分钟才写讲义，最终没交出逐分钟流程表。能持续推敲，不代表能排对交付优先级。

费用降低：单价更低，完成任务也更省步骤

官方所说的“典型任务费用低约 40%”，包含两部分：每个 Token 更便宜，以及完成任务所用的 Token 更少。Token 是模型处理与计费的文本片段，两者共同决定最终账单。

对比 Fable 5.1 的每百万 Token 输入 10 美元、输出 50 美元，Opus 5.5 的 4 / 20 美元均低 60%。

智能体会反复携带系统提示词、工具定义和上下文。能够重复使用的前缀命中缓存后，可以按更低的读取价格计费。因此，一项任务里缓存占多少、模型调用多少轮，都会改变总费用。下方的账单计算器展示相同用量下，缓存比例如何影响费用。

标准模式的输出生成速度，官方称比 Opus 5 快 30% 以上。Claude Code 和开发平台还有 Fast mode，生成速度最高为标准模式的 2.5 倍，输入与输出价格分别为每百万 Token 8 和 40 美元。它适合愿意多付费用缩短等待的场景。

真正用起来：给目标，也给停止点

Every 的 Tyler Nishida 只给了一条高尔夫游戏提示词，模型就组建了一个架构师、三位设计师和三位裁判协作的团队，运行了 1 小时 52 分钟，直到他的测试访问结束。成品截图中可以看到雷雨、浮岛、击球倒计时和球杆控制。

持续做事也会持续消耗额度。Every 有测试者碰到了周用量上限；模型还曾主动否决自己生成的 90% 以上 UI 组件，Tyler 无法从理由中找到清楚的评价标准。

派发长任务时，先说明最终交付物、时间或费用预算，以及什么条件下应该停止。先交出能用的核心结果，再决定是否继续润色，往往比让模型不断给自己加任务更有效。Every 团队对模型的偏好并不一致：有人转回 Claude 做视觉和产品开发，有人仍用 Astra 编辑文章，取舍取决于具体工作。

Opus 5.5 已在 Anthropic 开发平台及 AWS、Google Cloud、Microsoft Azure 提供，API 模型 ID 为 claude-opus-5-5。Pro、Max、Team 和按席位计费的 Enterprise 五小时额度提高，订阅用户还获得一次可保存、择时使用的额度重置。Sonnet 5.5 与 Haiku 5.5 将在后续几周推出。

安全方面简要说：Anthropic 称其行为审计表现进一步改善，并为高风险任务配置了生产防护；部分场景会拦截或转交其他模型，具体取决于产品与接入方式。日常使用最值得关注的，仍是这次更强的工作能力、更清楚的沟通，以及完成同一项任务所需的时间和费用。