Claude Opus 5.5: модели нав бо арзиши камтар
Anthropic Claude Opus 5.5-ро, ки аввалин модели хонаводаи Claude 5.5 аст, баровард ва он аллакай дар VEGA AI дастрас мебошад. Дар аксари корҳо он дар сатҳи Claude Fable 5.1 кор мекунад, аммо истифодааш ба таври назаррас арзонтар аст.
Аз Opus 5 чӣ тағйир ёфт
Натиҷаҳои рамзнависии санҷишгарони аввалин таъсирбахштарин бахши ин навсозӣ мебошанд. Яке аз онҳо муҳоҷирати 680,000-сатри кодро дар камтар аз як рӯз анҷом дод — коре, ки метавонист як гурӯҳи муҳандисонро ҳафтаҳо машғул нигоҳ дорад. Санҷишгари дигар пойгоҳи кодии 200,000-сатриро дар камтар аз се соат санҷида, ислоҳ кард; Opus 5 барои ҳамин санҷиш беш аз 20 соат сарф карда, 2.5 баробар бештар токен истифода мебурд.
Самаранокӣ бахши дигари ин ҳикоя аст. Барои кор кардани Opus 5.5 ҳисоббарории камтар лозим аст ва он барои ҳар вазифа токенҳои камтар сарф мекунад, ки дар сарбориҳои маъмулии корӣ тақрибан 40% кам шудани хароҷотро ба бор меорад. Ҳамчунин, натиҷаҳо беш аз 30% тезтар пахш мешаванд.
Anthropic тарзи навиштани моделро низ аз нав коркард кард. Ҷавобҳо аввал маълумоти муҳимро меоранд, аз истилоҳоти душвор худдорӣ мекунанд ва қоидаҳои услубии муқарраркардаи шуморо риоя менамоянд. Ширкат мегӯяд, ки ин шикояти маъмултарин дар бораи Opus 5 буд ва санҷишгарони аввалин мегӯянд, ки фарқиятро дар ҷаласаҳои тӯлонӣ ба осонӣ эҳсос кардан мумкин аст.
Дар самти бехатарӣ, Opus 5.5 дар санҷиши автоматикунонидашудаи рафтории Anthropic беҳтарин натиҷаҳои сабтшударо нишон дод. Он нисбат ба Opus 5 тақрибан 85% камтар кӯшиш кард, ки маҳдудиятҳои муҳосираро давр занад; ҳамаи кӯшишҳояш низ дараҷаи пасти хатар доштанд ва худи модел дар бораи онҳо хабар дод. Он ҳамчунин нисбат ба Opus 5 ба тазриқи дастурҳо муқовимати бештар дорад.
Санҷишҳои меъёрӣ
Opus 5.5 дар арзёбиҳои Anthropic оид ба рамзнависии агентӣ, истифодаи компютер ва кори донишӣ пешсаф аст:
| Санҷиши меъёрӣ | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 (рамзнависии агентӣ) | 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 (кори донишӣ) | 1846 | 1735 | 1708 | 1542 | 1588 |
| AutomationBench (равандҳои кории тиҷоратӣ) | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| Humanity's Last Exam (бо абзорҳо) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| OSWorld 2.0 (истифодаи компютер) | 81.8% | 80.7% | 74.0% | — | — |
| Chartography (шинохти диаграммаҳо) | 89.0% | 88.4% | 83.4% | — | — |
Anthropic эътироф мекунад, ки дар ин сатҳ фарқиятҳо нисбат ба пеш камтар аҳамият доранд: ҳангоми истифодаи ҳаррӯзаи худи ширкат, фарқи Opus 5.5 ва Fable 5.1 назар ба он чи ҷадвал нишон медиҳад, хурдтар менамояд. Бартарии равшантар арзиш аст. Бо сатҳи пешфарзи талош, Opus 5.5 дар FrontierCode аз GPT-6 Astra беҳтар натиҷа медиҳад ва барои ҳар вазифа тақрибан панҷяки хароҷотро талаб мекунад.
Амният барои агентҳои худмухтор
Барои гурӯҳҳое, ки ба агентҳо иҷозат медиҳанд соатҳо бе назорат кор кунанд, Opus 5.5 бо таснифгаре меояд, ки ҳар амалиётро пеш аз иҷро месанҷад, муҳити маҳдудшудаи кушодаасосе, ки гурӯҳҳои амниятӣ метавонанд онро аудит кунанд, ва баррасии код, ки осебпазириҳоро пеш аз ҳамроҳ кардани онҳо ошкор мекунад. Дар санҷиши меъёрии тазриқи дастурҳои Gray Swan он бо Fable 5.1 баробар буда, дар байни ҳамаи моделҳои санҷидашуда сатҳи муваффақияти камтаринро дорад.
Тадқиқот ва таҳлил
Дар як санҷиши дохилӣ, Anthropic аз Opus 5.5, Fable 5.1 ва Opus 5 хоҳиш кард, ки бо истифода аз манбаъҳои душворёфт дар нусхаи веб гузориши семоҳаи як ширкатро нависанд; санҷандаи автоматикӣ ҳар як рақамро месанҷид. Аз 18 гузориши Opus 5.5, шонздаҳтоаш аз санҷиш гузаштанд; ду модели дигар ҳеҷ гоҳ чунин натиҷа нагирифтанд. Дар машқи алоҳидаи таҳлили ҳамроҳшавии ширкатҳо, Opus 5.5 корро дар 63 дақиқа анҷом дод, дар ҳоле ки Opus 5 93 дақиқа сарф кард; инчунин он модели молиявии мукаммалтар ва муаррифии босифаттар омода намуд.
Тадбирҳои муҳофизатӣ
Азбаски қобилиятҳои Opus 5.5 дар биология ва амнияти киберӣ бо Claude Mythos 5.1 қобили муқоисаанд, он бо ҳамон навъи тадбирҳои муҳофизатие ба бозор мебарояд, ки Fable 5.1 дорад: нигоҳ доштани раванди тафаккур барои муқовимат ба ҳамлаҳои дистилятсия, нишонагузории обӣ барои риояи талаботи Қонуни ИА оид ба AI ва нигоҳ надоштани маълумот. Ташкилотҳои санҷидашуда метавонанд ба Барномаи санҷиши илмҳои ҳаётии Anthropic муроҷиат кунанд; Барномаи санҷиши киберамният дар ҳафтаҳои наздик барои Opus 5.5 дастрас мешавад.
Онро дар VEGA AI санҷед
Claude Opus 5.5 ҳоло дар рӯйхати интихоби моделҳои VEGA AI дастрас аст. Claude Sonnet 5.5 ва Claude Haiku 5.5 дар ҳафтаҳои наздик ба он ҳамроҳ мешаванд.