9.22 大语言模型研究简报：Claude Opus 5.5 正式发布

Claude Opus 5.5长时 Agent、推理效率与 Alignment 同时推进北京时间 2026 年 9 月 23 日 00:31:01.895Anthropic官网发布了正式发布Claude Opus 5.5这是 Claude 5.5 系列的首个模型。相比 Opus 5它的核心变化不是单纯追求更高 benchmark而是同时推进三件事Long-horizon Agent Capability Inference Efficiency Alignment / SafeguardsAnthropic 表示Opus 5.5 在多数工作负载上已经接近 Claude Fable 5.1同时在典型任务上相对 Opus 5成本降低约 40% 输出速度提高 30%并把 agentic coding、computer use、知识工作以及数小时到十几小时的长时程任务作为主要能力方向。与此同时METR 在模型发布前进行了 10 个工作日的独立 AI RD / 长时程能力评估。其结论比厂商 benchmark 更克制Opus 5.5 相比 Fable 5.1 是“modest / incremental improvement”能够继续提高研究人员生产率并自动化部分 RD但现有证据不支持它已经可以完整自动化 AI 研发。官方发布claude-opus-5-5Claude 官方公告索引公告索引1. 核心定位Anthropic 对 Opus 5.5 的定位可以概括成Opus 5 ↓ 更强 agentic coding 更长任务 更高效率 更强 alignment ↓ Opus 5.5 ↓ 接近 Fable 5.1 的大部分工作能力这不是一次新架构范式切换。更准确地说它是把 Opus 系列的能力进一步推向 Fable 5.1 所在的 frontier 区间同时显著降低推理成本。2. 价格单 token 下降 20%典型任务总成本下降约 40%官方 API 定价项目Claude Opus 5.5Claude Opus 5Input / 1M tokens$4$5Output / 1M tokens$20$25Cache read / 1M tokens$0.20$0.505-min cache write / 1M$5$6.25表面上Input: $5 → $4 Output: $25 → $20约为 20% 的单 token 降价。但 Anthropic 表示默认设置下典型 workload 的实际运行成本约比 Opus 5 低 40%。原因不只是价格下降还包括更少输出 token 更短轨迹 更高 cache read 折扣 更高任务完成效率这对 Agent 场景尤其重要。3. 为什么 Agent 成本不能只看 token 单价普通聊天1 request → 1 response而 coding / research agentread repo → inspect files → run command → analyze output → patch → test → debug → retry → review → finalize一个任务可能包含几十甚至上百轮。因此真正的任务成本近似C task ∑ t 1 T ( C input , t C output , t C cache , t C tools , t ) C_{\text{task}} \sum_{t1}^{T} ( C_{\text{input},t} C_{\text{output},t} C_{\text{cache},t} C_{\text{tools},t} )Ctask​t1∑T​(Cinput,t​Coutput,t​Ccache,t​Ctools,t​)所以如果一个模型每一步用更少 token、需要更少 step而且 cache 更便宜最终 task-level cost 会明显低于仅看 token price 得出的直觉。这也是 Anthropic 为什么强调40% lower typical workload cost而不只是20% lower list price4. 输出速度提高 30%Anthropic 报告Opus 5.5 generates output more than 30% faster than Opus 5对于普通聊天30% faster只是体验提升。但对 long-running Agent50 model turns 100 model turns每一轮 latency 都会累加到最终 wall-clock time。因此真正应该关注T task ∑ ( T model T tool T environment ) T_{\text{task}} \sum ( T_{\text{model}} T_{\text{tool}} T_{\text{environment}} )Ttask​∑(Tmodel​Ttool​Tenvironment​)只要 model latency 下降长任务总体运行时间就会持续获益。5. Terminal-Bench 4.0Anthropic 官方发布页给出的 max-effort benchmarkBenchmarkOpus 5.5Fable 5.1Opus 5Terminal-Bench 4.066.4%55.8%52.3%FrontierCode v1.154.4%50.3%48.0%CursorBench 4.057.8%51.8%46.6%AutomationBench40.0%31.4%26.9%Humanity’s Last Exam67.7%with tools65.6%63.6%需要注意这些主要是 Anthropic 报告的 launch benchmark不同模型可能使用不同 effort setting部分 benchmark 使用 production safeguards因此不应简单做“绝对排名”。但方向很明确Opus 5.5 的主要提升集中在 agentic coding、工具使用和长任务。6. Terminal-Bench 为什么重要Terminal-Bench 测试的不是写一个函数而更接近command line environment multi-step professional task tools state feedback因此66.4%相比传统 code completion benchmark 更能反映Agent trajectory quality真正困难的地方包括是否知道下一步该执行什么是否能够读取执行反馈是否能识别失败是否会修正计划是否能持续保持任务目标。7. FrontierCodeAnthropic 将 FrontierCode 描述为衡量 Agent 的代码修改是否真正能够被 merge。这和传统HumanEval MBPP有明显区别。传统 benchmarkprompt → function → unit testFrontierCode 更接近真实 repository → 多文件理解 → 修改 → 验证 → merge-quality resultOpus 5.5 的官方 max-effort 结果54.4%在默认 medium effort 下Anthropic 还报告54.6%这说明模型不一定需要始终使用最大 thinking budget 才能发挥较强 coding agent 能力。8. 9.5 小时 HAProxy C → RustAnthropic 给出了一个非常典型的 long-horizon exampleTask: 将 HAProxy 从 C 翻译成 Rust结果Opus 5.5: 9.5 hours Fable 5.1: 12 hours两者最终都通过了绝大多数 HAProxy 自己的 regression tests。Anthropic 报告Opus 5.5 cost 51% less这个例子的重要性不在于“模型会 Rust”而在于一个 Agent 是否能在 10 小时量级持续执行、保持任务状态、修改大量代码并不断用测试结果反馈自己。9. 20 万行代码库Anthropic 还给出 early tester case200,000-line codebaseOpus 5.5 3 hours完成 audit fixes。而 Opus 5 20 hours并使用2.5× tokens这再次说明long-horizon Agent 的效率来自模型能力、token efficiency、trajectory length 和 runtime interaction 的共同作用。10. 68 万行代码迁移官方发布页还提到一个 early tester 使用 Opus 5.5 完成680,000-line code migration耗时less than one dayAnthropic 将其描述为原本可能需要工程团队数周的工作这种案例仍然属于 vendor-reported early testing不应直接视作独立 benchmark。但它反映了 Anthropic 对 Opus 5.5 的产品定位不是单轮 coding assistant而是可以在大型代码库中长时间 autonomously work 的 coding agent。11. 与 Fable 5.1 的关系Anthropic 官方说Opus 5.5 performs at the level of Claude Fable 5.1 on most work.这句话需要谨慎理解。它并不是Opus 5.5 Fable 5.1而更接近大多数典型工作 能力接近 价格 更低 部分 frontier / specialized workload 仍有差异Anthropic 的产品分层因此越来越像Fable / Mythos → frontier ceiling Opus → high capability better economics Sonnet → broader deployment Haiku → high-volume / low latency12. METR独立 pre-deployment evaluationMETR 在 Opus 5.5 正式发布前获得了10 business daysAPI access。其重点并不是chat quality而是AI RD capability hard long-horizon tasks测试任务包括Budget NanoGPT SpeedrunLanguage Model Conceptual ArgumentationTrain a ProgramGaming BotSunlight open-ended research。METR 评估页面https://metr.org/blog/2026-09-22-claude-opus-5-5/METR 给出的判断非常重要Opus 5.5 相比 Fable 5.1 是 modest / incremental improvement而不是一次 discontinuous jump。METR 认为Opus 5.5 Fable 5.1在多个 verifiable 和 harder-to-verify task 上都有提升。但这种提升仍然更接近沿已有趋势继续向前而不是突然跨入新的 AI RD autonomy regime。14. METR 的最终模型定位METR 的结论unlikely to be able to fully automate AI RD主要原因不是模型不会代码而是更高层的能力仍不足。他们特别指出几个方向foresight prediction creating its own feedback loops researcher judgment researcher taste也就是说模型已经能完成很多局部技术任务但“知道下一步最值得研究什么、怎样设计实验去消除不确定性”仍是更深层的瓶颈。15. 长时 Agent 的关键安全问题Anthropic 还强调Opus 5.5对 prompt injection 的抵抗能力相较 Opus 5 有改善。覆盖场景包括coding tool use computer use web browsing对于普通 Chatbotprompt injection主要影响回答质量。对于 Agentprompt injection可能直接变成执行命令 修改文件 调用服务 泄露数据因此安全问题会从content safety升级为action safety16. Action Classifier额外的 Harness 安全检查Anthropic 对 Opus 5.5 的 coding agent 安全架构描述中提到classifier screens every action before it runs这非常值得从 Harness Engineering 角度关注。它意味着执行链可能不是Model ↓ Tool而是Model ↓ Proposed Action ↓ Action Classifier ↓ Policy Decision ↓ Sandbox / Tool这其实就是典型的Brain Policy Layer Runtime17. Open-source SandboxAnthropic 同时强调open-source sandbox让企业安全团队可以审计 Agent 执行环境。这体现了一个很重要的系统原则模型输出不应该直接拥有宿主机器权限。而应该Model ↓ Harness ↓ Sandbox ↓ OS / File / Network这和现代 Agent 系统中的brain / runtime separation完全一致。18. Long-Horizon Agent如果把 Opus 5.5 的几个更新放在一起更强 coding 更少 token 更低 cache cost 更快输出 action classifier sandbox 更强 prompt injection defense long-task alignment evaluation会发现 Anthropic 真正优化的对象已经不是one answer而是long-running agent trajectory这可以写成Agent Utility f ( Capability , Cost , Latency , Safety , Trajectory Reliability ) \text{Agent Utility} f( \text{Capability}, \text{Cost}, \text{Latency}, \text{Safety}, \text{Trajectory Reliability} )Agent Utilityf(Capability,Cost,Latency,Safety,Trajectory Reliability)19. 与 Opus 5 的关系Opus 5 的方向已经包括proactive behavior long-running Claude Code large task handoffOpus 5.5 则进一步强化Opus 5 ↓ 更高 coding success 更少 step 更少 token 更快 generation 更强 boundary behavior ↓ Opus 5.5所以这次更像Agent runtime efficiency reliability iteration。20. 与 Fable 5.1 的关系Fable 5.1 仍然代表更高的 frontier tier。但 Opus 5.5 说明一个趋势Frontier capability ↓ distillation / training transfer / efficiency work Lower-cost product tier越来越快。过去 frontier 模型的能力可能需要几个月甚至更久才会下沉。现在Fable-level behavior正在越来越快进入Opus-level economics这与 OpenAI 同期的 GPT-6 Sol / Luna 路线高度类似。21. METR 评估的局限METR 自己明确说明evaluation was preliminary且only 10 business days主要聚焦AI RD capability不是general safety certification也不是full alignment audit此外其部分内部 AI RD acceleration 信息来自一个separate METR assessment而公开团队无法看到全部支撑证据。因此这份报告非常有价值但仍需要理解其scope uncertainty access limitations22. 对 Harness Engineering 的启示Opus 5.5 的发布特别说明强模型本身不足以构成可靠 Agent。完整系统还需要Model Harness Action Classifier Sandbox Tool Permissions Prompt Injection Defense Code Review Long-task Monitoring因此Agent Capability不应该简单写成LLM intelligence而应该理解成Agent System Model × Harness × Runtime × Policy × Verifier \boxed{ \text{Agent System} \text{Model} \times \text{Harness} \times \text{Runtime} \times \text{Policy} \times \text{Verifier} }Agent SystemModel×Harness×Runtime×Policy×Verifier​参考链接Anthropic — Introducing Claude Opus 5.5https://www.anthropic.com/claude-opus-5-5Claude 官方账号 Opus 5.5 首条公告索引https://x-sou.com/en/u/claudeai/2102435511222890900Claude Opus 5.5 System Card可从 Anthropic 官方发布页及其 System Card 链接进入。METR — Summary of predeployment evaluation of Claude Opus 5.5https://metr.org/blog/2026-09-22-claude-opus-5-5/Reuters — Anthropic unveils Claude Opus 5.5https://www.reuters.com/business/anthropic-unveils-claude-opus-55-2026-09-22/GitHub — Claude Opus 5.5 available in GitHub Copilothttps://github.blog/changelog/2026-09-22-claude-opus-5-5-is-now-available-in-github-copilot/