Claude Opus 5.5: Anthropic’ning yangi flagmani
Anthropic Claude 5.5 oilasidagi ilk model — Claude Opus 5.5’ni chiqardi va u allaqachon VEGA AI’da mavjud. Aksariyat vazifalarda u Claude Fable 5.1 darajasida ishlaydi, shu bilan birga undan foydalanish sezilarli darajada arzonroq.
Opus 5’dan nimalar o‘zgardi
Ilk sinovchilarning dasturlash bo‘yicha natijalari eng diqqatga sazovor jihatdir. Ulardan biri 680 000 qatorli kod migratsiyasini bir kundan kam vaqtda bajardi — bu ish muhandislar jamoasini haftalab band qilishi mumkin edi. Yana biri 200 000 qatorli kod bazasini uch soatdan kamroq vaqtda tekshirib, tuzatdi; Opus 5’ga ayni shu tekshiruv uchun 20 soatdan ko‘proq vaqt kerak bo‘ldi va u 2,5 baravar ko‘p token sarfladi.
Samaradorlik — bu hikoyaning ikkinchi yarmi. Opus 5.5 xizmat ko‘rsatish uchun kamroq hisoblash quvvatini talab qiladi va har bir vazifaga kamroq token sarflaydi. Natijada odatiy ish yuklamalarida xarajat taxminan 40% ga kamayadi. Javoblar ham 30% dan ko‘proq tezlikda uzatiladi.
Anthropic modelning yozish uslubini ham qayta ishlab chiqdi. Javoblarda avval eng muhim ma’lumot keltiriladi, ortiqcha jargon ishlatilmaydi va siz belgilagan uslub qoidalariga amal qilinadi. Kompaniya bu Opus 5 haqida eng ko‘p bildirilgan e’tiroz bo‘lganini aytadi, ilk sinovchilar esa uzoq suhbatlarda farqni yaqqol sezish mumkinligini ta’kidlamoqda.
Xavfsizlik borasida Opus 5.5 Anthropic’ning avtomatlashtirilgan xulq-atvor auditi bo‘yicha qayd etgan eng yaxshi natijalarini ko‘rsatdi. U cheklov chegaralarini chetlab o‘tishga Opus 5’ga qaraganda taxminan 85% kamroq urindi, qilgan barcha urinishlari esa past darajadagi xavfga ega bo‘ldi va model bu haqda o‘zi xabar berdi. Shuningdek, u prompt injection hujumlariga Opus 5’dan ko‘ra chidamliroq.
Benchmarklar
Opus 5.5 Anthropic’ning agentik dasturlash, kompyuterdan foydalanish va bilimga asoslangan ishlar bo‘yicha baholashlarida yetakchilik qilmoqda:
| Benchmark | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 (agentik dasturlash) | 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 (bilimga asoslangan ishlar) | 1846 | 1735 | 1708 | 1542 | 1588 |
| AutomationBench (biznes jarayonlari) | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| Humanity's Last Exam (vositalar bilan) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| OSWorld 2.0 (kompyuterdan foydalanish) | 81.8% | 80.7% | 74.0% | — | — |
| Chartography (diagrammalarni tanib olish) | 89.0% | 88.4% | 83.4% | — | — |
Anthropic tan olishicha, bu darajada farqlar avvalgidek ahamiyatli emas: kompaniyaning kundalik foydalanishida Opus 5.5 va Fable 5.1 o‘rtasidagi tafovut jadvaldagidan kichikroqdek tuyuladi. Xarajat borasidagi ustunlik esa yaqqolroq. Standart sozlamalarda Opus 5.5 FrontierCode’da GPT-6 Astra’dan yaxshiroq natija ko‘rsatadi va har bir vazifa uchun xarajatning taxminan beshdan bir qismini sarflaydi.
Avtonom agentlar uchun xavfsizlik
Agentlarni soatlab nazoratsiz ishlatadigan jamoalar uchun Opus 5.5 har bir amal bajarilishidan oldin uni tekshiradigan klassifikator, xavfsizlik guruhlari auditdan o‘tkazishi mumkin bo‘lgan ochiq kodli sandbox hamda zaifliklarni birlashtirishdan oldin aniqlaydigan kod tekshiruvini taklif etadi. Gray Swan’ning prompt injection benchmarkida u sinovdan o‘tkazilgan modellardan хамгийн past muvaffaqiyat ko‘rsatkichiga ega model sifatida Fable 5.1 bilan teng natija ko‘rsatdi.
Tadqiqot va tahlil
Ichki sinovda Anthropic Opus 5.5, Fable 5.1 va Opus 5’ga internet nusxasidagi topish qiyin bo‘lgan manbalardan foydalanib kompaniyaning choraklik hisobotini yozishni topshirdi. Avtomatlashtirilgan baholovchi hisobotdagi har bir raqamni tekshirdi. Opus 5.5 tayyorlagan 18 ta hisobotdan 16 tasi sinovdan o‘tdi; qolgan ikki model esa birorta ham sinovdan o‘ta olmadi. Birlashuvni tahlil qilish bo‘yicha alohida mashqda Opus 5.5 ishni 63 daqiqada, Opus 5 esa 93 daqiqada yakunladi. Bundan tashqari, Opus 5.5 to‘liqroq moliyaviy model va yaxshiroq tayyorlangan taqdimot yaratdi.
Himoya choralari
Opus 5.5 biologiya va kiberxavfsizlik sohalarida Claude Mythos 5.1 bilan taqqoslanadigan darajada bo‘lgani uchun, u Fable 5.1 bilan bir xil toifadagi himoya choralari bilan taqdim etiladi: distillatsiya hujumlariga qarshi saqlanadigan fikrlash jarayoni, EU AI Act talablariga muvofiqlik uchun suv belgisi va ma’lumotlarni saqlamaslik. Sinovdan o‘tgan tashkilotlar Anthropic’ning Life Sciences Verification Program dasturiga ariza topshirishi mumkin, Cyber Verification Program esa yaqin haftalarda Opus 5.5 uchun ham ochiladi.
VEGA AI’da sinab ko‘ring
Claude Opus 5.5 hoziroq VEGA AI model tanlash menyusida mavjud. Claude Sonnet 5.5 va Claude Haiku 5.5 esa yaqin haftalarda taqdim etiladi.