модель · Anthropic · вышла 24 июля
Claude Opus 5
Передовая модель Anthropic для программирования и агентов, теперь устаревшая: её сменила Opus 5.5, которая в работе на 40% дешевле
О модели
Claude Opus 5 — модель линейки Opus. Anthropic описывает её как вдумчивую модель, которая сама проявляет инициативу, почти догоняет Claude Fable 5 и при этом стоит вдвое дешевле. Когда она вышла, выше неё у Anthropic стояли только Fable 5 и Mythos 5. В приложении Claude она стала моделью по умолчанию на подписке Max и самой сильной из доступных на Pro. В сентябре 2026 года её сменила Opus 5.5: по данным компании, новая модель работает на уровне Fable 5.1, обходится на 40% дешевле и пишет ответ на 30% быстрее. В документации Opus 5 перенесли в список устаревших моделей, но через API она пока доступна.
На новом бенчмарке Frontier-Bench v0.1 модель, по замерам лаборатории, набрала вдвое с лишним больше, чем Opus 4.8. На CursorBench 3.2 при максимальном уровне усилий она отстаёт от лучшего результата Fable 5 меньше чем на 0,5%, а задача обходится вдвое дешевле. На OSWorld 2.0, где модель сама управляет компьютером, она превзошла Fable 5, потратив немногим больше трети того, что тратит Fable 5. Anthropic подчёркивает, что Opus 5 гораздо лучше проверяет свою работу и повторяет попытки, пока не добьётся результата. Глава Lovable добавил, что на самых трудных задачах агентного программирования, где модель сама пишет код, запускает его и исправляет ошибки, она на 22% сильнее Opus 4.7, а результаты меньше скачут от запуска к запуску.
Модель берут для разработки программ, долгих агентных задач, финансового моделирования, проверки договоров и анализа геномных данных. В одной из задач Frontier-Bench ей дали чертёж детали и попросили воссоздать деталь как 3D-модель для программы FreeCAD. Opus 5 сама написала программу компьютерного зрения, извлекла из пикселей размеры и форму и собрала деталь целиком. По сравнению с Opus 4.8 она прибавила 10,2 процентного пункта в задачах по органической химии и 7,7 пункта в предсказаниях, связанных с белками. Через API можно выбрать уровень усилий, то есть баланс между качеством ответа и расходом токенов, и включить быстрый режим: ответ приходит в 2,5 раза быстрее, а стоит вдвое дороже.
Главное ограничение — кибербезопасность. Anthropic намеренно не обучала Opus 5 на таких задачах. Уязвимости она находит на уровне Mythos 5, но эксплуатирует их, то есть пишет код для атаки, заметно хуже. Защитные фильтры разрешают искать уязвимости, но блокируют тестирование на проникновение и создание эксплойтов. Срабатывают они примерно на 85% реже, чем у Fable 5, а отклонённые фильтрами запросы можно автоматически передавать другой модели. В долгих самостоятельных исследованиях по биологии Mythos 5 тоже сильнее, а биологические ограничения у Opus 5 такие же, как у Opus 4.8.
источники:Анонс Claude Opus 5 ↗Анонс Claude Opus 5.5, сменившей Opus 5 ↗Обзор моделей в документации Claude ↗
Рейтинг Epoch AIСводная оценка общих возможностей модели: статистическая модель выводит её из результатов на многих бенчмарках с учётом их сложностиПодробнее на английском ↗
весь рейтинг4место из 268индекс 163вероятный разброс 160–167
- 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 ↗96,5%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 ↗75,8%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%максимальное
- 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 ↗65,8%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
- BalrogМодель играет в шесть текстовых и клеточных игр, от простых головоломок до NetHack, где нужно выжить и продвинутьсяБалл — средний прогресс от 0 до 100 по всем играм; в NetHack даже лидеры продвигаются очень мало.Подробнее на английском ↗63,4%максимальное
- 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
Новости о модели
все упоминания · 107METR насчитала, что Anthropic улучшает модели почти вдвое быстрее прежнего
METR изучила внутренние данные Anthropic. Её вывод: с октября 2025 года модели компании прибавляют в тестах примерно в 1,9 раза быстрее прежнего, и большую часть ускорения даёт сам ИИ.
Muse Wonder Full от Meta* почти догнала Claude Opus 5.5 в независимых тестах
Muse Wonder Full от Meta набрала в индексе Artificial Analysis 56 баллов против 58 у Claude Opus 5.5, а в рейтинге агентов для кода обошла её.
Ai2 проверила, не решают ли GPT-6 и Claude задачи за школьников
Модели GPT-6 реже прежних моделей OpenAI помогают ученику сверх нужного, а в целом модели набирают в тесте больше баллов с подробной инструкцией, чем с просьбой «хорошо учить».
Агент Grok Bot будет передавать задачи Claude Opus 5.5, Midjourney и Suno
Агент SpaceXAI будет подбирать модель под задачу, в том числе у сторонних компаний, а простые запросы отдаст быстрой версии будущей Grok 4.8.
Claude Opus 5.5 сочинила Уиллисону игровую музыку в духе Monkey Island
Модель Anthropic придумала свою нотную запись, синтезатор для браузера и шесть мелодий, а разработчик и блогер Саймон Уиллисон назвал результат «на удивление хорошим».
Claude Opus 5.5 доработала Python-движок Саймона Уиллисона для запуска программ WebAssembly
С минимумом подсказок модель Anthropic доработала Python-движок Саймона Уиллисона, и теперь он поддерживает почти всю спецификацию WebAssembly — формата программ для браузера и других сред. Сам автор такому коду пока не доверяет.
Данные: models.dev (MIT) и Epoch AI (CC BY 4.0).