Claude Opus 5.5: Anthropicтин жаңы флагманы
Anthropic Claude 5.5 үй-бүлөсүнүн биринчи модели болгон Claude Opus 5.5 чыгарды. Ал VEGA AI'да иштеп жатат. Көпчүлүк тапшырмаларда Claude Fable 5.1 деңгээлинде иштеп, ошол эле учурда аны колдонуу кыйла арзаныраак.
Opus 5тен бери эмне өзгөрдү
Алгачкы сыноочулардын код жазуу боюнча көрсөткүчтөрү өзгөчө таасир калтырат. Алардын бири 680 000 саптан турган кодду бир күнгө жетпеген убакытта көчүргөн. Бул иш инженерлер тобун бир нече жумага алек кылмак. Дагы бири 200 000 саптык код базасын үч саатка жетпеген убакытта текшерип, оңдогон; Opus 5ке ошол эле текшерүү үчүн 20 сааттан ашык убакыт керек болуп, токендер 2.5 эсе көп сарпталган.
Натыйжалуулук — бул окуянын экинчи жагы. Opus 5.5ти иштетүүгө эсептөө ресурстары азыраак талап кылынат жана ал ар бир тапшырмага аз токен сарптайт. Натыйжада кадимки жүктөмдөрдө чыгым болжол менен 40% төмөндөйт. Жооптор да 30%дан ашык ылдамыраак бериле баштайт.
Anthropic моделдин жазуу ыкмасын да кайра иштеп чыккан. Жооптордо эң маанилүү маалымат биринчи берилет, кесиптик жаргон колдонулбайт жана сиз койгон стилдик эрежелер сакталат. Компаниянын айтымында, бул Opus 5ке карата эң көп айтылган сын болчу. Алгачкы сыноочулар узак сессиялардагы айырманы оңой эле байкаса болорун айтышат.
Коопсуздук жагынан алганда, Opus 5.5 Anthropicтин автоматташтырылган жүрүм-турум аудитинде катталган эң мыкты натыйжаларды көрсөттү. Ал чектөө тоскоолдуктарын айланып өтүүгө Opus 5ке караганда болжол менен 85% азыраак аракет кылды. Жасаган аракеттеринин баары анча олуттуу эмес болуп, модель алар тууралуу өзү билдирген. Ошондой эле ал prompt injection чабуулдарына Opus 5ке караганда туруктуураак.
Бенчмарк көрсөткүчтөрү
Opus 5.5 Anthropicтин агенттер аркылуу код жазуу, компьютерди колдонуу жана билимге негизделген иштер боюнча баалоолорунда алдыда:
| Бенчмарк | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 (агенттер аркылуу код жазуу) | 66.4% | 55.8% | 52.3% | 57.9% | 37.3% |
| FrontierCode v1.1 (негизги) | 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 (билимге негизделген иштер) | 1846 | 1735 | 1708 | 1542 | 1588 |
| AutomationBench (бизнес процесстери) | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| Humanity's Last Exam (куралдар менен) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| OSWorld 2.0 (компьютерди колдонуу) | 81.8% | 80.7% | 74.0% | — | — |
| Chartography (диаграммаларды таануу) | 89.0% | 88.4% | 83.4% | — | — |
Anthropic бул деңгээлде айырма мурдагыдай чоң мааниге ээ эмес экенин моюнга алат: компаниянын күнүмдүк иштеринде Opus 5.5 менен Fable 5.1дин ортосундагы айырма таблицада көрсөтүлгөндөн азыраак сезилет. Ал эми чыгым жагынан артыкчылыгы айкын. Демейки аракет деңгээлинде Opus 5.5 FrontierCode тестинде GPT-6 Astraдан ашып, ар бир тапшырмага кеткен чыгымдын бештен бир бөлүгүнө иштейт.
Автономдуу агенттердин коопсуздугу
Агенттерди бир нече саат бою көзөмөлсүз иштеткен командалар үчүн Opus 5.5 ар бир аракет аткарылардан мурда аны текшерген классификатор, коопсуздук топтору аудит жүргүзө ала турган ачык булактуу кумдук чөйрө жана код бириктирилгенге чейин кемчиликтерди аныктаган кодду текшерүү куралдары менен келет. Gray Swan уюмунун prompt injection бенчмаргында ал сыналган моделдердин ичинен ийгилик көрсөткүчү эң төмөн болгон Fable 5.1 менен тең чыкты.
Изилдөө жана талдоо
Ички сыноодо Anthropic Opus 5.5, Fable 5.1 жана Opus 5 моделдеринин ар бирине интернеттин көчүрмөсүндөгү табууга кыйын булактарды гана пайдаланып, бир компаниянын чейректик отчетун жаздырган. Автоматташтырылган баалоочу ар бир көрсөткүчтү текшерген. Opus 5.5 даярдаган 18 отчеттун 16сы текшерүүдөн өттү; калган эки модель бир да жолу өткөн жок. Өзүнчө бириктирүү боюнча талдоодо Opus 5.5 ишти 63 мүнөттө бүтүрдү, ал эми Opus 5ке 93 мүнөт кетти. Мындан тышкары, Opus 5.5 толугураак финансылык модель жана сапаттуураак презентация даярдады.
Коргоо чаралары
Opus 5.5 биология жана киберкоопсуздук тармактарында Claude Mythos 5.1 менен салыштырууга боло тургандыктан, ал Fable 5.1 менен бирдей класстагы коргоо чаралары менен чыгарылды: дистилляция чабуулдарына туруштук берүү үчүн ой жүгүртүү маалыматын сактоо, EU AI Act талаптарына шайкештик үчүн суу белгиси жана маалыматтарды сактабоо. Текшерүүдөн өткөн уюмдар Anthropicтин Life Sciences Verification Program программасына арыз бере алышат, ал эми Cyber Verification Program жакынкы апталарда Opus 5.5 үчүн ачылат.
VEGA AI'да сынап көрүңүз
Claude Opus 5.5 азыр VEGA AI моделдер тизмегинде жеткиликтүү. Claude Sonnet 5.5 жана Claude Haiku 5.5 жакынкы апталарда кошулат.