Opus 4.5 发布：所有信息，全整理

Opus 4.5 发布：所有信息，全整理 Opus 4.5 发布：所有信息，全整理 Modified November 25, 2025 公众号后台回复「 Opus 4.5 」，获得这份报告 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 错误的推理，正确的答案 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 公众号后台回复「 Opus 4.5 」，获得这份报告 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 错误的推理，正确的答案 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 🔗 原文链接： https://mp.weixin.qq.com/s/8XRfO8 1... https://mp.weixin.qq.com/s/8XRfO8 1... 原创 金色传说大聪明 赛博禅心2025年11月25日 09:54 广东 今天，Anthropic 发布了 Claude Opus 4.5， 目前编程能力最强的大模型 SWE bench 对比图 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% 反正就是领先 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） 详细价格对比 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） 详细价格对比 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 公众号后台回复「 Opus 4.5 」，获得这份报告 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