Claude Opus 5.5: Anthropic-тің жаңа флагманы
Anthropic Claude 5.5 тобының алғашқы моделі Claude Opus 5.5-ті шығарды. Ол VEGA AI платформасында қолжетімді. Көптеген тапсырмада оның өнімділігі Claude Fable 5.1 деңгейінде, бірақ іске қосу құны айтарлықтай төмен.
Opus 5-тен қандай өзгерістер бар?
Алғашқы тестілеушілер жариялаған код жазу көрсеткіштері ең ерекше нәтижелердің бірі. Олардың бірі 680 000 жолдық кодты көшіруді бір күнге жетпейтін уақытта орындаған. Бұл жұмыс инженерлер тобын бірнеше аптаға әуреге салуы мүмкін еді. Тағы бірі 200 000 жолдық код базасын үш сағатқа жетпейтін уақытта тексеріп, түзеткен; Opus 5 дәл осындай тексеруге 20 сағаттан астам уақыт жұмсап, токенді 2,5 есе көп пайдаланған.
Тиімділік те маңызды. Opus 5.5-ті іске қосуға есептеу қуаты азырақ қажет, әрі әр тапсырмаға жұмсайтын токені аз, соның нәтижесінде әдеттегі жұмыс жүктемелерінің құны шамамен 40% төмендейді. Нәтижелерді ағынмен жіберу жылдамдығы да 30%-дан астам артқан.
Anthropic модельдің жауап жазу тәсілін де қайта қарады. Жауаптарда ең маңызды ақпарат алдымен беріледі, кәсіби жаргон қолданылмайды және сіз белгілеген стиль ережелері сақталады. Компанияның айтуынша, бұл Opus 5 туралы ең жиі айтылған сын болған, ал алғашқы тестілеушілер ұзақ сессияларда айырмашылықты бірден байқауға болатынын айтады.
Қауіпсіздік тұрғысынан алғанда, Opus 5.5 Anthropic автоматтандырылған мінез-құлық аудитінде тіркеген ең жоғары нәтижелерге қол жеткізді. Ол оқшаулау шектеулерін айналып өтуге Opus 5-пен салыстырғанда шамамен 85% сирек әрекеттенген. Жасаған әрекеттерінің барлығы қауіп деңгейі төмен болған және модель олардың бар екенін өзі хабарлаған. Сондай-ақ ол prompt injection шабуылдарына Opus 5-тен төзімдірек.
Бенчмарктер
Opus 5.5 Anthropic бағалауларында агенттік бағдарламалау, компьютерді пайдалану және білімге негізделген жұмыс бағыттарында көш бастап тұр:
| Бенчмарк | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 (агенттік бағдарламалау) | 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 (білімге негізделген жұмыс) | 1846 | 1735 | 1708 | 1542 | 1588 |
| AutomationBench (бизнес үдерістері) | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| Humanity's Last Exam (құралдармен) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| OSWorld 2.0 (компьютерді пайдалану) | 81.8% | 80.7% | 74.0% | — | — |
| Chartography (диаграммаларды тану) | 89.0% | 88.4% | 83.4% | — | — |
Anthropic бұл деңгейде айырмашылықтар бұрынғыдай маңызды емес екенін мойындайды: компанияның күнделікті жұмысында Opus 5.5 пен Fable 5.1 арасындағы алшақтық кестедегідей үлкен сезілмейді. Ал айқын артықшылығы — құны. Әдепкі күш жұмсау параметрінде Opus 5.5 FrontierCode бенчмаркінде GPT-6 Astra-дан асып түседі, ал бір тапсырманың құны шамамен бес есе төмен.
Автономды агенттерге арналған қауіпсіздік
Агенттерді бірнеше сағат бойы бақылаусыз іске қосатын топтар үшін Opus 5.5 әр әрекет орындалмас бұрын оны тексеретін жіктеуішпен, қауіпсіздік топтары аудит жүргізе алатын ашық кодты құмсалғышпен және біріктіруге дейін осалдықтарды анықтайтын код шолуымен бірге ұсынылады. Gray Swan prompt injection бенчмаркінде ол сыналған модельдердің ішіндегі ең төменгі сәттілік көрсеткіші бойынша Fable 5.1-мен тең түсті.
Зерттеу және талдау
Ішкі сынақта Anthropic Opus 5.5, Fable 5.1 және Opus 5 модельдеріне веб-көшірмесіндегі табуы қиын дереккөздерді ғана пайдаланып, бір компанияның тоқсандық есебін жазуды тапсырған. Автоматтандырылған бағалаушы әрбір санды тексерген. Opus 5.5 жазған есептердің 18-інің 16-сы тексерістен өтті; қалған екі модель мұндай нәтижеге бірде-бір рет жете алмады. Жеке бірігу талдауында Opus 5.5 жұмысты 63 минутта аяқтады, ал Opus 5-ке 93 минут қажет болды. Бұған қоса, Opus 5.5 толық қаржылық модель және сапалырақ презентация дайындады.
Қауіпсіздік шаралары
Opus 5.5 биология және киберқауіпсіздік бағыттарында Claude Mythos 5.1 деңгейінде болғандықтан, ол Fable 5.1-дегідей қауіпсіздік шараларымен іске қосылды: дистилляция шабуылдарына қарсы ойлау процесін сақтау, EU AI Act талаптарына сай сутаңбалау және деректерді мүлде сақтамау. Тиісті тексеруден өткен ұйымдар Anthropic-тің Life Sciences Verification Program бағдарламасына өтініш бере алады, ал Cyber Verification Program бағдарламасы алдағы апталарда Opus 5.5 үшін ашылады.
VEGA AI платформасында қолданып көріңіз
Claude Opus 5.5 қазір VEGA AI модельдер тізімінде қолжетімді. Claude Sonnet 5.5 және Claude Haiku 5.5 алдағы апталарда қосылады.