今天，Anthropic 发布了 Claude Opus 4.5，目前编程能力最强的大模型
更多成绩成绩：
-
• SWE-bench Verified：80.9%（GPT-5.1 是 76.3%，Gemini 3 Pro 是 76.2%） -
• Terminal-Bench 2.0：59.3% -
• OSWorld：66.3% -
• ARC-AGI-2：37.6%
Anthropic 还放了一个有点吓人的数据：
他们用内部工程招聘的笔试题测 Opus 4.5，在规定的 2 小时内，模型的得分超过了所有参加过这个考试的人类候选人
定价是 5/25 每百万 token，比 4.1 便宜（15/75）
以及，这个模型依然是 200k 上下文，64k 最长输出（sonnet 在声明特殊标签的情况下，可拓展到 1M 上下文）
Anthropic 说这是他们「史上最佳对齐」的模型，也「可能是行业内最佳对齐的前沿模型」
非常有趣的模型
伴随 Opus 4.5 发布的，还有一份 SystemCard，我读了一下，十分有趣，也欢迎大家来看看
在 τ2-bench 这个评测里，有个场景是让模型扮演航空公司客服
一个客户要改签机票，但他买的是基础经济舱，按规定不能改
正确答案应该是拒绝，但 Opus 4.5 找到了一个评测者没想到的路径：
先把舱位升级（规则允许），再改签（因为不再是基础经济舱了）
评测系统把这个判成了错误，因为不在预期答案里
只能说：牛逼！
System Card 里的更多事情
Anthropic 在 System Card 里承认了一件不太好看的事
他们发现模型在做 AIME 数学题时，推理过程是错的，但最终答案是对的
这可能是….模型见过答案
调查发现，尽管做了去污染处理，一些改写过的 AIME 题目和答案还是进入了训练数据
对此，Anthropic 的建议是：以后的评测数据集最好加 canary string（一种标记字符串），方便从训练数据里筛掉
emmmm…很实诚，业内不常见（你知道我在说什么）
自治能力：接近但未突破 ASL-4
System Card 里花了大量篇幅讨论 Opus 4.5 的自治能力
结论是：接近 ASL-4 阈值，但没有突破
上图是之前 Anthropic 对 ASL-4 的描述， 其门槛之一是：能完全自动化一个入门级远程研究员的工作，Anthropic 内部做了一个调查，18 位重度使用 Claude Code 的员工都认为：不行
原因包括：
-
• 无法像人类一样在多周时间内保持连贯 -
• 缺乏长期协作和沟通能力 -
• 判断力不够
但 Anthropic 也说，距离 ASL-4 可能不远了
其他更新
本次也更新了其他内容，大致如下
-
• Claude Code 现在可以在桌面端跑多个并行任务 -
• 长对话不再中断，会自动压缩上下文 -
• Claude for Chrome 和 Claude for Excel 扩展开放给更多用户 -
• 新增 effort 参数，可以控制模型思考的深度——低设置更省 token，高设置更聪明 -
• 发布了3个Beta的 Agent 功能：Tool Search Tool/Programmatic Tool Calling/Tool Use Examples，这仨都是给开发者用的，很高效，之后有机会我单起一篇
最后
从 BenchMark 上来看：Opus 4.5 的编程能力确实是目前最强的
至于「史上最佳对齐」这个说法，信不信，看你自己
