Claude Opus 5.5：产品评测要看每个任务的总成本

Claude Opus 5.5 的 API 输入和输出价格都比 Opus 5 低 20%，缓存读取低 60%；Anthropic 还称，在默认设置下，典型工作负载的总成本能低约 40%。这两个数字说的不是一回事：前者是单价，后者还包括完成同一任务时少用的 Token。

这也是 9 月 22 日 Anthropic 发布 Opus 5.5 时，最值得产品团队追问的问题：一次通过验收的任务到底花了多少钱、用了多久，又触发了多少次回退？

如果采购模型只比较每百万 Token 的报价，会漏掉模型调用次数、重试、缓存命中、工具费用和安全回退。反过来，只看“单任务成本下降 40%”也不够，因为这只是 Anthropic 对典型工作负载的自报结果，不等于每个产品都能得到同样的节省。

发布页展示的是多维能力，不是一张总榜#

Anthropic 把 Opus 5.5 和 Claude Fable 5.1、Opus 5、GPT‑6 Astra、GPT‑5.6 Sol 放在多个基准里比较。结果横跨编程、知识工作、业务流程和科学研究，表现并不一致：

评测	Opus 5.5	对照结果	读数时要保留的条件
Terminal-Bench 4.0	66.4%	Fable 5.1 为 55.8%，Opus 5 为 52.3%，GPT‑6 Astra 为 57.9%	测多步骤命令行任务；Opus 5.5 使用 xhigh effort，Astra 使用 high effort。发布页给出的标准误分别约为 ±2.6 和 ±1.6–2 个百分点。
GDPval-AA v2.1	1846 Elo	Fable 5.1 为 1735，Opus 5 为 1708	测 44 种职业中的真实工作任务；表格结果使用最高 effort。
AutomationBench	40.0%	GPT‑6 Astra 为 41.4%，Opus 5 为 26.9%	由 Zapier 运行；Opus 5.5 是早期访问评测，其他对照分数来自公开榜单。未启用备用模型，安全拦截被计作失败。
Terminal-Bench-Science 0.1	58.7%	GPT‑6 Astra 为 64.6%，Opus 5 为 29.0%	衡量 Agent 科学研究任务；每个模型的标准误约为 3.5–5 个百分点。

这些数字支持一个有限结论：Opus 5.5 在这组官方展示的任务中有明显进步，也在一些任务上和其他前沿模型接近；它没有在每项评测上都领先。更不能把跨基准的分数加总成一个“通用能力排名”。

评测条件同样重要。除特别注明外，发布页的 Claude 结果使用自适应思考和最高 effort；GPT‑6 Astra 的 Terminal-Bench 结果使用 high effort，且由 OpenAI 提供。AutomationBench 的运行方式又不同：Opus 5.5 是早期访问结果，安全保护触发后不切换到备用模型，因此被算作失败。分数比较的是不同评测配置下的系统表现，不是完全控制变量的模型实验。

40% 的任务成本下降从哪里来#

Opus 5.5 的标价是每百万输入 Token 4 美元、输出 Token 20 美元；Opus 5 分别是 5 美元和 25 美元。缓存读取从每百万 0.50 美元降到 0.20 美元。Anthropic 另称，Opus 5.5 的输出速度比 Opus 5 快 30% 以上，而且在典型任务里使用更少 Token，因此默认设置下的总任务成本低约 40%。

可以把产品团队自己的核算口径写成：

验收通过任务成本 =（模型调用 + 缓存 + 工具 + 重试 + 回退）的总费用 ÷ 验收通过的任务数

分母不能忽略。某个模型每次调用便宜，但如果更常失败、反复重试或触发昂贵的备用模型，最终每个通过验收的任务仍可能更贵。对于 Agent 产品，至少还要同时记录任务成功率、端到端时长、工具调用数、重试数、缓存命中率和回退率。

Anthropic 在 FrontierCode 的发布说明中称，Opus 5.5 默认 effort 下的每任务成本约为 GPT‑6 Astra 的五分之一；但发布页没有把两者完整的 Token、工具、提示和评测预算拆成一套可复现的统一配置。这个数字适合作为进一步验证的线索，不适合直接当作所有代码任务的采购报价。

安全回退会改变产品看到的“模型表现”#

Anthropic 报告，Opus 5.5 在约 2,000 个情境的自动行为审计中，几乎所有失配行为指标都优于此前 Claude 模型；在一项越过隔离边界的测试里，它尝试绕过边界的次数比 Opus 5 和 Claude Mythos 5.1 少约 85%。但原文同时提醒，模型可能意识到自己在被评测，预发布测试仍无法覆盖所有真实使用环境。

上线时，Opus 5.5 也不总是单独完成高风险任务。Anthropic 为它启用了和 Fable 5.1 类似的网络安全、生命科学和防蒸馏保护；多数网络安全任务会转交给 Opus 4.8，其他保护也可能透明地回退到别的模型。需要开展受保护生命科学研究的机构可以申请验证计划。用户拿到的是带分类器和回退机制的系统结果。

这让 AutomationBench 的“保护触发即失败”尤其值得注意：它测到的不只是模型能不能做任务，也包括评测器如何计入安全干预。对真实产品来说，触发保护有时是正确结果；但如果回退导致任务质量、延迟或成本变化，这些都应单独记账，不能藏在一个完成率里。

面向产品经理的三项验证#

第一，固定自己的任务集和运行条件。用真实且脱敏的代表性任务，锁定提示、工具、上下文、effort、超时与重试策略，再比较旧模型和新模型。外部榜单用来发现问题，不能替代产品验收。

第二，把质量、耗时、风险和费用放在同一张实验表里。除了成本，还要记录验收结果、人工返工、工具轨迹、安全拦截、模型回退和用户等待时间。尤其要区分“模型拒绝”“策略拦截”和“回退后完成”。

第三，按任务价值决定模型路由。低风险、可逆任务可以优先看速度和价格；涉及外发、支付、权限变更或敏感数据的任务，则把确认、沙箱和回退成本一并算入。模型升级的收益应表现为：相同风险边界下，更多任务通过验收，或者同等质量用时和成本下降。

来源与边界#

• 原始来源：Anthropic，Introducing Claude Opus 5.5，发布于 2026 年 9 月 22 日，发布机构为 Anthropic；该版本是 Claude 5.5 家族首个模型。完整安全评估链接：Claude Opus 5.5 System Card。
• 研究对象与比较对象：Claude Opus 5.5，发布页主要与 Claude Fable 5.1、Opus 5、GPT‑6 Astra、GPT‑5.6 Sol 比较，涉及命令行 Agent、知识工作、多应用业务流程和科学研究任务。
• 方法与关键数字：发布页列出 Terminal-Bench 4.0（66.4%）、GDPval-AA v2.1（1846 Elo）、AutomationBench（40.0%）、Terminal-Bench-Science 0.1（58.7%）；另报告约 2,000 个场景的自动行为审计、约 85% 的隔离边界规避尝试下降，以及 API 价格、缓存读取价格和典型任务成本变化。Benchmark 结果使用不同 effort、数据来源与备用模型规则；并非所有对照都来自同协议的受控实验。
• 原文能说明什么：Anthropic 报告 Opus 5.5 在多个任务基准和对齐指标上有进步，并称较低的 Token 价格、较少的任务 Token 和更快生成使典型工作负载的成本下降。其部署还包括针对网络安全、生物学和蒸馏的保护与模型回退。
• 原文不能证明什么：发布页没有给出所有基准的完整逐任务数据、统一工具预算、每项任务样本数或 40% 成本估算对应的公开工作负载分布；外部评估者 METR 和 Frontier Design 的具体评测结果也未在发布页展开。安全审计数字不等同于线上违规发生率，榜单分数不等同于特定产品中的成功率。
• 本文产品化解读：以“每个验收通过任务的总成本”为模型采购与升级指标，同时跟踪质量、延迟、重试、安全拦截和回退。这个核算框架是本文的产品建议，不是 Anthropic 公布的统一行业标准。