Claude Opus 5.5՝ նոր մոդելն արդեն հասանելի է
Anthropic-ը թողարկել է Claude Opus 5.5-ը՝ Claude 5.5 ընտանիքի առաջին մոդելը, և այն արդեն հասանելի է VEGA AI-ում։ Աշխատանքների մեծ մասում այն նույն մակարդակի վրա է, ինչ Claude Fable 5.1-ը, բայց գործարկումը նկատելիորեն ավելի էժան է։
Ինչ է փոխվել Opus 5-ից ի վեր
Վաղ փորձարկողների ստացած ծրագրավորման արդյունքներն ամենատպավորիչն են։ Նրանցից մեկը մեկ օրից էլ պակաս ժամանակում իրականացրել է 680,000 տողանոց կոդի միգրացիա. այդ աշխատանքը ինժեներական թիմից շաբաթներ կպահանջեր։ Մյուսը երեք ժամից էլ պակաս ժամանակում ստուգել և ուղղել է 200,000 տողանոց կոդային բազա․ նույն ստուգման համար Opus 5-ին ավելի քան 20 ժամ էր պետք, և այն 2.5 անգամ ավելի շատ թոքեն էր ծախսել։
Պատմության մյուս կարևոր մասն արդյունավետությունն է։ Opus 5.5-ը սպասարկման համար ավելի քիչ հաշվարկային ռեսուրսներ է պահանջում և յուրաքանչյուր առաջադրանքի համար ավելի քիչ թոքեն է ծախսում, ինչի արդյունքում սովորական ծանրաբեռնվածության դեպքում ծախսը մոտ 40%-ով նվազում է։ Պատասխանների հոսքն էլ ավելի քան 30%-ով արագ է։
Anthropic-ը նաև վերանայել է մոդելի պատասխաններ կազմելու եղանակը։ Պատասխաններում նախ ներկայացվում է կարևորը, մասնագիտական ժարգոնը բաց է թողնվում, և պահպանվում են ձեր սահմանած ոճական կանոնները։ Ընկերության խոսքով՝ սա Opus 5-ի մասին ամենատարածված բողոքն էր, իսկ վաղ փորձարկողները նշում են, որ տարբերությունը երկարատև աշխատանքային սեանսների ընթացքում ակնհայտ է։
Անվտանգության ոլորտում Opus 5.5-ն արձանագրել է Anthropic-ի ավտոմատացված վարքագծային աուդիտի մինչ օրս գրանցած լավագույն արդյունքները։ Այն մոտ 85%-ով ավելի հազվադեպ է փորձել շրջանցել մեկուսացման սահմանները, քան Opus 5-ը, իսկ կատարած բոլոր փորձերը եղել են ցածր լրջության և ինքնազեկուցված։ Այն նաև ավելի դիմացկուն է հրահանգների ներարկման հարձակումների նկատմամբ, քան Opus 5-ը։
Հենանիշեր
Opus 5.5-ը Anthropic-ի գնահատումներում առաջատար է գործակալային ծրագրավորման, համակարգչից օգտվելու և գիտելիքահենք աշխատանքի ոլորտներում։
| Benchmark | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 (գործակալային ծրագրավորում) | 66.4% | 55.8% | 52.3% | 57.9% | 37.3% |
| FrontierCode v1.1 (Main) | 54.4% | 50.3% | 48.0% | 53.3% | 47.5% |
| CursorBench 4.0 | 57.8% | 51.8% | 46.6% | — | 41.7% |
| GDPval-AA v2.1 (գիտելիքահենք աշխատանք) | 1846 | 1735 | 1708 | 1542 | 1588 |
| AutomationBench (գործարար գործընթացներ) | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| Humanity's Last Exam (գործիքներով) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| OSWorld 2.0 (համակարգչից օգտվելը) | 81.8% | 80.7% | 74.0% | — | — |
| Chartography (գծապատկերների ճանաչում) | 89.0% | 88.4% | 83.4% | — | — |
Anthropic-ը խոստովանում է, որ այս մակարդակում տարբերություններն այլևս այնքան նշանակալի չեն, որքան նախկինում․ ընկերության ամենօրյա օգտագործման ընթացքում Opus 5.5-ի և Fable 5.1-ի միջև տարբերությունն ավելի փոքր է թվում, քան հուշում է աղյուսակը։ Ավելի ակնհայտ առավելությունը ծախսն է։ Աշխատանքի լռելյայն մակարդակի դեպքում Opus 5.5-ը FrontierCode-ում գերազանցում է GPT-6 Astra-ին՝ յուրաքանչյուր առաջադրանքի համար մոտ հինգ անգամ ավելի քիչ ծախսով։
Անվտանգություն ինքնավար գործակալների համար
Այն թիմերի համար, որոնք գործակալներին ժամերով թողնում են առանց հսկողության աշխատել, Opus 5.5-ն ունի դասակարգիչ, որը յուրաքանչյուր գործողությունը ստուգում է մինչև դրա կատարումը, բաց կոդով մեկուսացված միջավայր, որը անվտանգության թիմերը կարող են ստուգել, և կոդի վերանայում, որը միաձուլումից առաջ հայտնաբերում է խոցելիությունները։ Gray Swan-ի հրահանգների ներարկման հենանիշում այն Fable 5.1-ի հետ կիսում է փորձարկված մոդելների մեջ ամենացածր հաջողության ցուցանիշը։
Հետազոտություն և վերլուծություն
Ներքին փորձարկման ընթացքում Anthropic-ը հանձնարարել է Opus 5.5-ին, Fable 5.1-ին և Opus 5-ին կազմել ընկերության եռամսյակային հաշվետվությունը՝ օգտագործելով համացանցի պատճենի միայն դժվար գտանելի աղբյուրները, իսկ ավտոմատացված գնահատիչը ստուգել է յուրաքանչյուր թիվ։ Opus 5.5-ի 18 հաշվետվություններից 16-ը հաջողությամբ անցել են ստուգումը, մինչդեռ մյուս երկու մոդելներից ոչ մեկը չի անցել։ Միաձուլման առանձին վերլուծության վարժությունում Opus 5.5-ն ավարտել է աշխատանքը 63 րոպեում՝ Opus 5-ի 93 րոպեի դիմաց, և կազմել է ավելի ամբողջական ֆինանսական մոդել ու ավելի հստակ ներկայացում։
Պաշտպանական միջոցներ
Քանի որ կենսաբանության և կիբերանվտանգության ոլորտներում Opus 5.5-ը համեմատելի է Claude Mythos 5.1-ի հետ, այն գործարկվում է Fable 5.1-ի նույն դասի պաշտպանական միջոցներով՝ պահպանվող մտածողություն՝ դիստիլյացիոն հարձակումներին դիմակայելու համար, ջրանշում՝ ԵՄ AI Act-ի պահանջներին համապատասխանելու համար, և տվյալների զրոյական պահպանում։ Ստուգված կազմակերպությունները կարող են դիմել Anthropic-ի Life Sciences Verification Program-ին, իսկ Cyber Verification Program-ը Opus 5.5-ի համար հասանելի կդառնա առաջիկա շաբաթներին։
Փորձարկեք VEGA AI-ում
Claude Opus 5.5-ն այժմ հասանելի է VEGA AI-ի մոդելների ընտրացանկում։ Claude Sonnet 5.5-ը և Claude Haiku 5.5-ը կհաջորդեն առաջիկա շաբաթներին։