Модель · Anthropic
Claude Opus 5
Передовая модель Anthropic для программирования, агентов и офисной работы, почти на уровне Fable 5 за полцены
вышла 24 июля
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиШкала условная (Claude 3.5 Sonnet = 130, GPT-5 = 150); интервал — 90-процентный диапазон оценки, и модели с перекрывающимися интервалами надёжно не различаются.Подробнее на английском ↗
4 место из 266
индекс 162, вероятный разброс 160–166 · весь рейтинг →
| Бенчмарк | РезультатОбычно — доля заданий теста, которые модель решила. У некоторых тестов свой счёт; как он устроен, сказано в пояснении к названию теста | УсилиеНасколько долго модель рассуждала перед ответом, когда её проверяли: низкое, среднее, высокое, очень высокое, максимальное. Чем выше усилие, тем обычно выше результат — и тем дольше и дороже ответ. Показан лучший результат и усилие, на котором он получен |
|---|---|---|
| DTBenchВопросы с выбором ответа по теории принятия решений в задачах вроде парадокса Ньюкома, где твой выбор говорит о выборе похожих на тебяСлучайный выбор даёт около 40%, так что это нижняя планка, а не ноль.Подробнее на английском ↗ | 96,0% | максимальное |
| LMCAНасколько оценки моделью доводов в философии, теории решений и безопасности ИИ совпадают с оценками экспертовБалл — корреляция с оценками экспертов, умноженная на 100; практический потолок около 85, а не 100.Подробнее на английском ↗ | 74,5% | максимальное |
| Mystery Game Puzzles100 позиций из головоломочного варианта известной игры, название которой скрыто: нужно найти единственный лучший ходПодробнее на английском ↗ | 54,8% | |
| EBR-benchУчится ли модель на опыте: она раз за разом играет в малоизвестную карточную настольную игру Earthborne Rangers и ведёт заметкиБалл — доля из 21 игровой цели в лучшей из двух итоговых партий после тренировочных; сам по себе он не показывает, выросла ли модель.Подробнее на английском ↗ | 45,7% | максимальное |
| OSWorld 2.0Долгие задачи на настоящем компьютере в десктопных и веб-приложениях; у человека уходит около 1,6 часа на задачуЗадача оценивается по многим взвешенным контрольным точкам, поэтому засчитывается и частичное выполнение.Подробнее на английском ↗ | 31,4% | низкое |
| FrontierMath-Tier-4-v2-PrivateЗакрытый набор самых трудных задач FrontierMath: исследовательская математика, на которую у специалистов уходят часы и дниПодробнее на английском ↗ | 73,2% | максимальное |
| FrontierMath-Tiers-1-3-v2-PrivateСотни новых задач исследовательской математики от профессиональных математиков; эксперту на задачу нужны часы или дниПодробнее на английском ↗ | 85,6% | максимальное |
| FrontierCodeМодель исправляет проблему в открытом проекте, а правку оценивают по тому, приняли бы её сопровождающие проектаБалл выставляют по критериям сопровождающих и усредняют по пяти запускам; если нарушен хотя бы один обязательный критерий, за задачу ставят ноль.Подробнее на английском ↗ | 53,4% | максимальное |
| DeepSWE113 долгих задач по программированию в 91 открытом проекте на пяти языках; задачи написаны с нуля и не публиковалисьEpoch нашла, что примерно в 20% задач проверка отклоняет верные решения, поэтому реальный потолок заметно ниже 100%.Подробнее на английском ↗ | 73,6% | максимальное |
| PostTrainBenchМожет ли ИИ-агент сам дообучить базовую языковую модель за 10 часов на одной видеокарте H100, без готового кода и данныхБалл — результат дообученной модели на нескольких тестах; официальные версии тех же моделей от разработчиков набирают около 51%.Подробнее на английском ↗ | 35,0% | |
| ProofBench100 закрытых задач по математике уровня старших курсов и аспирантуры: модель пишет доказательство на Lean 4, его проверяет программаПодробнее на английском ↗ | 99,0% | максимальное |
| APEX-Agents480 многошаговых рабочих задач из инвестбанкинга, консалтинга и корпоративного права: агент работает с файлами, почтой, таблицамиЗадача засчитывается, только если выполнены все пункты экспертного списка критериев; проверяет их другая модель.Подробнее на английском ↗ | 43,5% | максимальное |
| Chess Puzzles100 новых шахматных задач, позиция дана текстом: нужно найти единственный лучший ход по оценке движка StockfishПодробнее на английском ↗ | 39,0% | низкое |
| SimpleQA Verified1000 коротких вопросов на факты, на которые модель отвечает по памяти, без поиска в интернетеБалл — F1: учитываются и доля верных ответов, и точность там, где модель решилась ответить, так что честное «не знаю» лучше ошибки.Подробнее на английском ↗ | 59,9% | максимальное |
| ARC-AGI-2Вторая, более трудная версия головоломок на клетках: по примерам найти скрытое правило и применить его к новой картинкеНа каждое задание даётся две попытки; люди в среднем решают около 60% заданий.Подробнее на английском ↗ | 90,4% | максимальное |
| WeirdMLНеобычные задачи по машинному обучению: модель пишет код, который на выданных данных обучает классификатор, например для распознавания фигурБалл — средняя точность обученных моделью классификаторов, а не доля решённых задач.Подробнее на английском ↗ | 91,8% | максимальное |
| OTIS Mock AIME 2024-202545 олимпиадных задач по математике из пробных экзаменов AIME школы OTIS; ответ — целое число от 0 до 999Подробнее на английском ↗ | 98,9% | низкое |
| SimpleBenchВопросы с подвохом на здравый смысл: пространство, время, поведение людей. 213 вопросов, у каждого шесть вариантов ответаЛюди в проверке авторов набрали около 84%, а балл модели — средняя точность по пяти прогонам.Подробнее на английском ↗ | 76,7% | |
| GPQA diamond198 вопросов с выбором ответа по физике, химии и биологии уровня аспирантуры — такие, что ответ не найти поискомСлучайный выбор даёт 25%, а специалисты с учёной степенью в своей области набирают около 70%.Подробнее на английском ↗ | 91,8% | |
| ARC-AGIГоловоломки на цветных клетках: по паре примеров нужно понять правило преобразования картинки и применить его к новойПодробнее на английском ↗ | 97,5% | максимальное |
Характеристики
- Вышла
- 24 июля
- КонтекстСколько текста модель учитывает за один запрос: вопрос, приложенные документы и её собственный ответ вместе. Токен — кусок слова; слово обычно занимает один–три токена
- 1 млн токенов
- Длина ответаСколько токенов модель может выдать за один ответ, вместе со скрытыми рассуждениями, если они есть
- до 128 тыс. токенов
- Цена входаСколько стоит миллион токенов, отправленных модели: вопрос, документы, вся история переписки
- $5 за миллион токенов
- Вход из кэшаЦена входа для повторяющегося начала запроса, которое лаборатория уже сохранила у себя. В длинной переписке и у агентов это большая часть входа — и в разы дешевле
- $0,50 за миллион токенов
- Цена ответаСколько стоит миллион токенов, написанных моделью, — включая скрытые рассуждения
- $25 за миллион токенов
- Понимает
- текст, изображения, PDF
- Отвечает
- текст
- РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах
- да
- Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты
- да
- ВесаОткрытые — файлы модели можно скачать и запустить на своих серверах. Закрытые — доступ только через сервис лаборатории
- закрытые
- Знания до
- май 2026
- Идентификатор в API
- claude-opus-5
Что это за модель
Claude Opus 5 — старшая модель линейки Opus. Anthropic вывела её 24 июля 2026 года как преемницу Opus 4.8 и описывает как вдумчивую модель, которая сама берёт инициативу. В приложении Claude она стала моделью по умолчанию для подписки Max и самой сильной из доступных на Pro. Выше неё у Anthropic стоят только Fable 5 и Mythos 5: по словам компании, Opus 5 почти догоняет Fable 5, а стоит вдвое меньше.
По замерам лаборатории, от Opus 4.8 модель ушла вперёд почти во всех областях. На новом бенчмарке Frontier-Bench v0.1 её результат вдвое с лишним выше, чем у предшественницы. На самых трудных задачах агентного программирования (когда модель сама пишет код, запускает его и исправляет) она на 22% сильнее Opus 4.7. Кроме того, результаты меньше скачут от запуска к запуску: модель лучше проверяет свою работу и доводит её до конца. На CursorBench 3.2 при максимальном уровне усилий она отстаёт от Fable 5 меньше чем на 0,5%, а задача обходится вдвое дешевле. На OSWorld 2.0, где модель управляет компьютером, она, по данным Anthropic, превзошла лучший результат Fable 5 примерно за треть его стоимости.
Модель выбирают для разработки программ, долгих агентных задач, автоматизации офисной работы, финансовой аналитики и проверки юридических документов. Anthropic отдельно называет науку: в органической химии и анализе белков модель прибавила 10,2 и 7,7 процентного пункта. Через API можно выбрать уровень усилий: он задаёт баланс между качеством ответа, скоростью и ценой. Есть и быстрый режим: ответы приходят в 2,5 раза быстрее, но стоят вдвое дороже. Набор инструментов теперь можно менять посреди разговора, и кэш запроса при этом не сбрасывается.
Главное ограничение — кибербезопасность. Компания намеренно не обучала модель на таких задачах, и в эксплуатации уязвимостей она сильно уступает Mythos 5, хотя находит уязвимости на том же уровне. В самостоятельных долгих исследованиях по биологии Mythos 5 тоже сильнее. Запросы, которые срабатывают на фильтры безопасности, по умолчанию уходят к другой модели. Кибер-фильтры у Opus 5 мягче, чем у Fable 5: вмешиваются примерно на 85% реже. Биологические ограничители такие же, как у Opus 4.8. Проверенные компании получают менее строгие версии модели через программы допуска для кибербезопасности и наук о жизни.
Источники: Анонс Claude Opus 5, Системная карта Claude Opus 5
Того же уровня по индексу Epoch
-
GPT-5.5 Pro
OpenAI5-е место в Epochконтекст 1,1 млн$30 / $180рассуждениядороже в 7,2 раза
-
GPT-5.6 Sol
-
Claude Fable 5
Anthropic3-е место в Epochконтекст 1 млн$10 / $50рассуждениядороже в 2 раза
-
Другие модели семейства
-
-
-
-
Новости о модели
- 01
- 02
- 03
- 04
- 05
- 06
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).