Claude Opus 5 发布：基准成绩怎么看，Max 用户该不该立刻切换

大家好，我是 Codex 中文网的站长宇哥。

根据本次发布材料，Claude Opus 5 已上线。材料将它定位为面向复杂推理、Agent 编程、网页搜索和电脑操作的旗舰模型，并称其已在各平台提供；对于 Max 订阅用户，Opus 5 被设为默认模型。最值得关注的不是“新模型”这个名字，而是它声称在若干高难任务上的提升到底意味着什么，以及日常工作是否值得马上迁移。

本文的成绩和可用性描述均以读者提供的发布信息及配图为准，跑分仍应结合任务集版本、是否允许使用工具、成本和实际项目验证来判断，不能直接等同于所有真实场景的能力排名。

发布材料里有哪些重点

配图将 Opus 5 与 Fable 5、Opus 4.8、GPT-5.6 Sol 放在同一表格中比较。按图中的数字，Opus 5 在下列项目中给出较高成绩：

• Agentic terminal coding（Frontier-Bench v0.1）为 43.3%，高于图中 Fable 5 的 33.7% 和 GPT-5.6 Sol 的 34.4%。
• 知识工作（GDPval-AA v2）为 1861，高于图中其他三个模型的 1747、1593 和 1736。
• 新颖问题求解（ARC-AGI-3）为 30.2%，图中 Fable 5 没有对应分数，Opus 4.8 为 1.5%，GPT-5.6 Sol 为 7.8%。
• Agent 搜索（BrowseComp）为 90.8%，略高于图中 GPT-5.6 Sol 的 90.4%。
• 电脑操作（OSWorld 2.0）为 70.6%，高于图中 Fable 5 的 66.1%、Opus 4.8 的 55.7% 和 GPT-5.6 Sol 的 62.6%。
• 自动化工作流（AutomationBench）为 26.0%，高于图中其他对比项。

图表并不意味着 Opus 5 在每一项中都是第一。例如 Agent 编程的 DeepSWE v1.1 一栏，图中 GPT-5.6 Sol 为 72.7%，Fable 5 为 69.7%，Opus 5 为 68.8%。Humanity's Last Exam 的无工具成绩也是 Fable 5 略高。这正是选模型时要先看任务类型、再看总分的原因。

ARC-AGI-3 的 SOTA 该怎么理解

发布材料称 Opus 5 在 ARC-AGI-3 达到 SOTA，图中对应数字是 30.2%。这类测试强调面对新规则时的抽象、归纳和迁移能力，不是记住已见题目的知识问答。对开发者而言，它更接近以下能力：

• 在需求不完整时先找出隐含规则，再提出可验证方案。
• 面对陌生代码库时，从少量样例推断数据流、约束和边界条件。
• 遇到没有现成模板的问题时，拆分假设并通过工具调用逐步证伪。

但“某项基准 SOTA”不等于真实项目会自动完成。ARC-AGI-3 的题目、评分和工具条件都与生产环境不同。真实任务常常被权限、上下文缺失、第三方接口波动、测试数据质量和业务规则限制。把它当作能力信号是合理的，把它当作交付承诺则不够严谨。

哪些任务更值得先用 Opus 5 验证

如果你使用 Max，并且发布材料所述的默认设置已经生效，可以先挑一件高价值但可回滚的任务做对比。不要一上来让模型改整套生产系统。

推荐优先测试三类工作：

• 跨文件修复：给出可复现的 Bug、失败测试和关联目录，观察它是否先定位根因，再做小范围修改。
• 终端型 Agent 任务：例如补齐测试、升级依赖、迁移配置。重点检查它是否会在每一步读取实际输出，而不是凭假设连续执行。
• 浏览器或电脑操作：例如后台录入、页面回归检查和跨系统信息核对。先使用测试账号，任何发送、删除、付款或发布动作都要人工确认。

对于简单的改文案、格式转换、单文件样式调整和固定模板生成，旗舰模型不一定带来成比例收益。更快或成本更低的模型通常已经足够，关键是把规则、输入和验收标准写清楚。

切换默认模型前，做一次自己的对照测试

同一个提示词跑一次并不能证明模型优劣。更可靠的做法是建立一个小型评测集，至少包含 5 到 10 个你日常重复出现的任务。每个任务固定输入、允许的工具和验收标准，再记录结果。

建议记录这些指标：

• 首次完成率：不需要人工返工即可通过测试或验收的比例。
• 返工成本：你为补充上下文、纠正方向和修复错误投入的时间。
• 工具纪律：是否先读取文件、运行测试和核实输出，是否会跳过关键确认。
• 延迟与额度：单个任务的耗时、消耗以及遇到限额时的表现。
• 风险控制：是否正确识别删除数据、外发信息、覆盖配置等需要停下来确认的操作。

完成一轮后，再决定是否将 Opus 5 用作默认模型。对大多数团队，更实用的策略是把旗舰模型留给复杂规划、疑难排错和高价值审查，把高频明确任务交给更快的模型处理。

对 AI 编程用户的实际影响

若图中 Agent 终端编程、FrontierCode 和 OSWorld 数据能在你的环境中复现，Opus 5 的价值可能主要在“长链路任务的稳定性”：它需要连续读取状态、使用工具、根据结果修正计划，而不是只生成一段看起来合理的代码。

不过，模型再强也不能替代工程约束。把仓库说明、运行命令、测试命令、编码规范和禁止操作写进项目指引，依然是提升成功率最快的手段。对任何模型都应坚持：先看 diff，再跑测试，最后人工确认对外动作。

常见问题 FAQ

Max 用户需要手动选择 Opus 5 吗

按本次发布材料的说法，Opus 5 会作为 Max 订阅的默认模型。不同客户端的更新节奏和模型选择界面可能不同，实际以你账号内显示的模型名称、版本说明和可用额度为准。

Opus 5 是否在所有基准中都超过 Fable 5

不是。配图显示 Opus 5 在多项指标中领先或给出更高分数，但 DeepSWE v1.1、Humanity's Last Exam 无工具和部分专业领域项目中，图中其他模型仍有更高数字。基准必须逐项比较，并注意是否使用工具。

ARC-AGI-3 的 30.2% 能说明什么

它是发布材料中对新颖问题求解能力的一项成绩，说明模型在该测试设置下具备较强的模式归纳能力。它不能单独预测你项目中的成功率，建议用自己的真实任务集做验证。

能否直接让模型操作电脑或发布内容

不建议直接开放高风险权限。先使用测试环境和最小权限，涉及删除文件、发送消息、发布内容、支付和生产配置时，必须在动作执行前人工确认。

结论

Opus 5 的发布材料给出了一个明确方向：旗舰模型正在把竞争从单轮回答扩展到终端编程、搜索、电脑操作和复杂工作流。对 Max 用户而言，默认模型的变化值得关注；对团队而言，更重要的是用一组真实、可验收的任务验证它是否真的减少返工和失败，而不是只根据一张跑分表切换工作流。