Claude Opus 5 抬高智能体门槛，Anthropic 与 Google 的竞争趋紧

Anthropic 于 7 月 24 日发布 Claude Opus 5，进一步加剧了 Anthropic 与 Google 在高能力、实用型 AI 智能体领域的竞争。尽管其定位低于 Anthropic 最大的前沿模型，这款新模型仍在多项独立评测中领先。这一结果挑战了“客户必须使用可用的最大模型来处理最困难工作”的假设。

此次发布的重点并非又一个聊天机器人拿到更高的基准分数。Anthropic 将 Opus 5 定位为一款日常智能体：它能验证结果、创建缺失工具，并处理模糊的任务要求。当模型需要修改生产代码、分析研究资料或操作企业软件时，这些能力比流畅的对话更重要。

Google 仍是最明确的外部对手，因为 Gemini 在长上下文、多模态任务、计算机操作和企业级分发方面均有竞争力。OpenAI 同样不可忽视，尤其是在编程和专业评测领域。不过，这场竞争的核心在于，Anthropic 能否将智能体可靠性转化为相对于 Google 更广泛平台覆盖能力的优势。

Claude Opus 5 改变了 Anthropic 的模型层级

Claude Opus 5 的重要性在于，Anthropic 提供了接近前沿模型的能力表现，而客户无需使用其最大的模型。

Anthropic 将 Opus 5 描述为一款适合高频使用的“深思熟虑且主动的模型”。根据该公司的 Opus 5 发布公告，它在前沿智能水平上接近 Claude Fable 5，同时每项任务消耗的资源更少。

这种定位形成了一个不同寻常的层级。Fable 5 仍是 Anthropic 最大的智能基准，而 Opus 5 则成为面向高要求日常工作负载的实用模型。Anthropic 已将 Opus 5 设为 Claude Max 的默认模型，并作为 Claude Pro 可用的最强选项。

这种差异取决于完成的工作，而不只是消耗的 token 数量。智能体系统常常需要重复步骤、从错误中恢复，并调用外部工具。即使模型的 token 单价较低，如果它需要多次尝试，或产出的工作仍需人工修复，成本也可能很高。

Anthropic 表示，Opus 5 能以既定资源水平完成更多任务，从而改善这一成本结构。该公司称，在 Frontier-Bench v0.1 上，Opus 5 的表现较 Opus 4.8 提升逾一倍，同时降低了任务成本。Frontier-Bench 评估的是延展性的实际任务，而非孤立的问题。

Anthropic 称，在 CursorBench 3.2 上，该模型在最高 effort 设置下，与 Fable 5 的峰值成绩仅相差 0.5 个百分点。effort 设置决定模型在给出答案前投入多少计算资源和推理。

该模型提供五种此类设置：low、medium、high、xhigh 和 max。开发者无需更换模型，即可在更快响应与更长推理之间进行选择。这种方式也使单一基准分数更难代表实际使用情况。

Opus 5 保留了一百万 token 的上下文窗口，这意味着它能在单次会话中处理规模异常庞大的文本或代码集合。长上下文本身并不能保证模型找到正确证据，但它确实减少了将大型代码库或文档集拆分到互不连贯提示词中的需要。

Anthropic 还强调了计算机操作和业务自动化能力。该公司称，Opus 5 以约三分之一的任务资源，超过了 Fable 5 在 OSWorld 2.0 上的最佳成绩。OSWorld 测试 AI 系统能否通过图形化计算机界面完成工作。

Anthropic 表示，在 Zapier AutomationBench 上，Opus 5 在相近任务成本下的通过率约为次优模型的 1.5 倍。据该公司称，即使在最低 effort 设置下，它完成的任务也多于被测试的替代模型。

除非独立机构在更多环境中复现这些结果，否则这些数字仍属于厂商主张。不过，它们揭示了 Anthropic 的产品策略。该公司希望 Opus 5 被视为能够完成工作的执行者，而不仅仅是一个生成令人信服答案的模型。

这也是此次发布不同于常规模型更新的原因。Anthropic 正在将与其前沿模型相关的能力压缩进一款可被更多开发者反复部署的产品。这一变化将改变客户拿来与 Google Gemini、OpenAI 的 GPT 系列及低成本开放模型对比的对象。

Anthropic 与 Google 的竞争为何正转向智能体

Anthropic 与 Google 的竞争如今取决于哪家公司能让长时运行的 AI 工作可靠到足以供普通团队使用。

Google 拥有 Anthropic 难以轻易复制的优势。Gemini 可以连接 Google Cloud、Android、Workspace、Search 以及庞大的开发者平台。Google 可以将其模型嵌入企业每小时都在使用的工具中。

Anthropic 的路径更为聚焦：强调模型在智能体工作流中的行为。Claude Code 让该公司在软件开发领域获得了显著位置，模型可在其中检查文件、运行命令、测试改动并修正错误。Opus 5 将这一论点延伸到了代码之外。

这款新模型发布之际，AI 买家的关注点正从对话演示转向已完成的交付成果。一款有用的智能体必须能理解目标、收集相关上下文、选择工具、识别失败，并判断何时应寻求帮助。每一步都可能产生看似合理的错误。

Opus 5 的差异化优势据称在于其在这些步骤中的判断力。Anthropic 表示，该模型能更稳定地验证自身工作，并持续迭代，直到达到满意结果。这比提升答案质量的主张更进一步，因为它涉及整个工作流中的行为。

一个示例涉及某个机器部件的图纸。模型被要求将该对象重建为三维 FreeCAD 模型，但它缺少直接查看图像的方法。

根据发布公告，Opus 5 编写了一条计算机视觉管线，从图像原始像素中提取几何信息，随后利用这些信息重建部件。Anthropic 称，在相同条件下，竞争模型经过五次尝试均告失败。

关键不在于 FreeCAD 本身。Opus 5 识别出缺失的能力、创建了工具，然后回到原始任务。这一过程类似于经验丰富的工程师应对意外限制时的做法。

第二个示例涉及一个广泛使用的开源包管理器中的漏洞。Anthropic 称，Opus 5 找到了根本原因，并修复了现有社区补丁遗漏的边缘情况。据称，竞争模型只修复了可见症状。

另一位早期用户要求 Opus 5 为一家新交易所构建市场数据源。当没有可用的实时数据源时，该模型创建了测试工具来验证其解析器。Anthropic 表示，即使工程师提供了详细计划，之前的模型仍未能完成这项工作。

这些例子仍是经过筛选的演示，并非对平均性能的中立衡量。不过，它们确实说明了 Anthropic 希望开发者注意到的行为。Opus 5 并不只是遵循计划；当计划遭遇现实阻碍时，它会构建所缺失的基础设施。

这种行为从两个方面增加了 Google 的压力。首先，模型比较日益看重完整的任务执行，而不是孤立的推理能力。其次，即使竞争模型提供相近的上下文窗口或基准分数，智能体可靠性仍可能影响采购决策。

Google 可以凭借 Gemini 的集成优势及其自身智能体产品作出回应。它还可利用独立模型提供商无法获得的专有工作场所信号。悬而未决的问题是，分发能力能否弥补规划、验证和恢复能力上的差异。

OpenAI 则从另一方向施加压力。Artificial Analysis 发现，即使 Opus 在分析指标上领先，GPT-5.6 Sol 在演示质量上仍领先于 Opus 5。这表明没有任何一家提供商能掌控专业产出的每一个方面。

因此，企业买家将比较系统，而不只是模型名称。他们必须考虑身份控制、数据访问、可观测性、故障恢复以及生成产物的质量。最终胜出的模型，往往是最适合可追责工作流的模型。

对于管理大量技术资料的团队而言，一个可搜索的知识库可以提供智能体所需的上下文。更好的检索并不能消除模型错误，但能让证据更容易被核查。

主动行为才是 Claude Opus 5 的真正机制

Opus 5 的核心机制是持续验证，但这种持续性同样可能耗费更多时间并引发意外操作。

Simon Willison 在审视 Anthropic 的 FreeCAD 示例后，称该模型可能会“极其主动”。他的早期评估概括了其中的吸引力与担忧。

当模型发现缺失测试、隐藏依赖或错误假设时，主动性听起来很理想。但当智能体扩展任务范围、修改无关文件，或在已有可用答案后继续消耗资源时，这种特性就不那么令人欢迎了。

因此，此次发布的关键在于判断力。一款有能力的智能体必须知道何时应继续调查，何时应停止。它还必须区分任务受阻与任务需要审批之间的差别。

Anthropic 的客户案例反复强调了这一区别。一项前端评估发现，Opus 5 会在桌面端和移动端宽度下检查页面。据称，它发现了位于屏幕外的结账控件，修复布局后再次检查结果，随后才交付工作。

另一位用户描述，该模型会在完成交接前检查分支、审阅 pull-request 模板，并考虑测试影响。据称，较早模型推进得更快，但未能通过内部检查。

这些描述表明，Anthropic 已围绕验证循环优化 Opus 5。验证循环是指反复执行产出工作、测试、识别错误和修订结果的一系列过程。当测试能准确代表任务要求时，这种循环可以提高可靠性。

但测试并不总是可信。智能体可能针对不完整的评估进行优化，却忽略真正目标。它也可能创建测试来确认自己错误的解读。

在软件开发之外，这种风险更为严重。法律智能体可能生成一份通过格式检查、却误解司法管辖区的文件。研究智能体可能完成一份完整报告，却依赖薄弱或循环的证据。

模型更长的推理路径也会带来时间成本。独立测试发现，在复杂知识工作任务中，其最强设置平均耗时超过 25 分钟。最高设置的耗时显著高于 Opus 4.8，因为它使用了更多轮次。

一轮代表模型与其工具或环境之间的又一次交互。更多轮次可能意味着有效核查，也可能意味着漫游。组织需要能够揭示究竟属于哪种情况的日志。

Artificial Analysis 在其 AA-Briefcase 评估中测得，Opus 5 在最大 effort 下平均进行了 103 轮。Opus 4.8 在最强设置下使用了 55 轮。这一差距有助于解释 Opus 5 为何能取得更强结果，同时耗费更长时间。

这带来了一个实际的权衡。团队可能会接受让智能体花半小时完成一份经过研究的演示文稿，或修复一个棘手的软件问题；但同样的延迟对于交互式支持助手而言则不可接受。

推理强度设置让开发者能够管理这条边界。常规分类任务可以使用较低设置运行，而存在歧义的调查则可以获得更多计算资源。模型仍需具备可靠的路由能力，因为用户很少能预先知道所需的推理强度。

智能体基础设施还必须落实范围控制。自主系统应具备明确的权限、支出上限和审批检查点。更强的模型能够减少部分执行失败，但无法替代运营控制措施。

最佳部署将把模型判断与受约束的环境结合起来。智能体可以获得有限凭据、临时工作区、可验证的完成标准，并在不可逆操作前接受人工审查。这种设计将自主性视为分级授权。

Opus 5 强化了 Anthropic 的观点：模型行为可以改善整个闭环。但这并不意味着无需对这个闭环进行工程设计。只有当组织能够观察、限制并审计主动性时，它才具有价值。

独立评分支持这一主张，但存在重要限制

独立评估将 Opus 5 置于顶尖行列，但其细化结果揭示了单一排行榜名次所掩盖的权衡。

Artificial Analysis 在发布前评估了全部五档推理强度设置。其智能评估显示，最高推理强度下的 Opus 5 得分为 61。Fable 5 得分为 60，GPT-5.6 Sol 得分为 59，Opus 4.8 得分为 56。

领先一分并不能证明其在所有场景中都更优。综合指数结合了多项测试，细微差异可能会随着提示词、测试框架或评分规则而变化。该结果支持的只是一个有限结论：在所涵盖的任务中，Opus 5 具备前沿竞争力。

更有力的证据体现在智能体知识工作上。AA-Briefcase 通过包含数千个输入文件的私有任务来测试模型。输出包括报告、电子表格和演示文稿，并从正确性、分析能力和呈现效果等方面进行评估。

在最高推理强度下，Opus 5 的 Elo 评分达到 1,720。Fable 5 得分为 1,574，相差 146 分。Opus 5 的 xhigh 和 high 设置在该评估中也超过了 Fable 5。

这项智能体基准测试发现，Opus 5 的提升主要来自对客观评分标准的完成度和分析质量。在最高推理强度下，其分析评分比 Fable 5 高出接近 300 Elo 分。

相比之下，演示呈现仍是其弱项。Opus 5 的演示 Elo 评分为 1,628，而 GPT-5.6 Sol 达到 1,666。因此，模型可以产出更强的分析，却未必能生成视觉效果最佳的最终成品。

这一区别对企业采用至关重要。分析师往往既需要准确结论，也需要适合面向高管或客户交付的成果。一套工作流可能需要一个模型负责研究，另一个系统负责排版或视觉优化。

整体评估还发现了事实可靠性方面的担忧。与 Opus 4.8 相比，Opus 5 在 AA-Omniscience 上提高了准确性，但也在不确定时回答了更多问题。Artificial Analysis 在该测试中测得其幻觉率为 50%。

幻觉率具有基准测试特异性，不应被视为模型在所有工作负载中的错误率。尽管如此，这一结果仍使 Anthropic 的验证叙事变得更复杂。模型可以仔细检查自身流程，同时对其储存的事实知识仍然过度自信。

这是本文最主要的质疑点。智能体的持续执行能力与事实校准能力是两种不同的能力。如果一个持续运行的智能体无法识别不确定性，就可能放大一个错误前提。

私有基准测试也存在局限。由于模型开发者难以针对精确任务进行训练，它们降低了数据污染风险。但买方不能假定这些基准文件、工具和评分标准会与自身运营情况相匹配。

早期客户背书也有类似的保留条件。Anthropic 在发布材料中选择了相关组织和引述。这些用户通常拥有成熟的开发环境、强大的测试体系、经验丰富的监督人员和明确的绩效指标。

规模较小的公司可能提供的结构更少。其数据可能不一致，权限可能过于宽泛，任务中也可能包含隐性的组织假设。在这些条件下，同样的模型行为可能产生不同结果。

企业应使用具有代表性的工作内容和已记录的失败类别来进行评估。仅有通过率并不足够。团队应记录缺乏依据的主张、破坏性操作、不必要的工具调用、不完整的交接，以及未请求批准的失败情况。

它们还应比较任务的总体完成情况，而非首个回答的质量。人工纠正时间可能超过模型执行成本。反过来，如果一个缓慢的智能体交付的工作几乎无需修复，它仍可能节省时间。

Claude Opus 5 值得关注，因为独立结果总体上支持了 Anthropic 的性能主张。但这些结果并不足以证明它可以在无人监督下部署。相反，它们为针对 Google、OpenAI 和现有内部工作流开展更严肃的测试提供了理由。

安全性提升并不能消除智能体风险

Anthropic 报告了具有意义的安全改进，但更强的智能体仍会放大错误指令和受损上下文所带来的后果。

Anthropic 表示，在近期 Claude 模型中，Opus 5 产生不对齐行为的测得比例最低。其自动化行为审计为该模型给出了 2.3 的总体不对齐评分。

该公司还表示，与 Opus 4.8、Sonnet 5 或 Fable 5 相比，Opus 5 更严格地遵循 Claude’s Constitution。Claude’s Constitution 是 Anthropic 用于指导模型行为和解决冲突指令的书面框架。

这些是公司自行进行的测量。它们提供了有用细节，但独立研究人员仍需要时间，在陌生攻击和真实部署中测试该模型。当用户将模型连接到新工具时，安全结果往往会发生变化。

提示词注入仍是核心问题。提示词注入是隐藏在智能体所读取内容中的恶意指令。攻击者试图让智能体将不受信任的文本视为经过授权的命令。

Anthropic 的 Boris Cherny 将 Opus 5 描述为该公司最不容易受到提示词注入影响的模型。配套的系统卡报告了行为审计、滥用评估和红队演练中的测试情况。

较低的易受攻击性很重要，因为主动型智能体会处理电子邮件、文档、网站、源代码和支持工单。任何一项内容都可能包含旨在重定向模型的指令。工具访问权限会将成功操纵转化为运营层面的损害。

然而，具备抵抗力并不等于完全免疫。组织仍必须将数据与指令分离、限制凭据，并在敏感操作前要求确认。它们应假定部分攻击会绕过模型层面的防御。

Anthropic 还限制了 Opus 5 的网络安全训练。该公司表示，尽管存在这种限制，通用能力的提升仍让模型更擅长发现漏洞。它在利用这些弱点方面仍落后于 Mythos 5。

这种区分旨在保留防御用途，同时避免最大化进攻能力。但由于漏洞发现和利用共享知识，这种平衡很难维持。即使专项训练排除了攻击任务，更强的推理能力也能同时改善两者。

此次发布还引出了一个治理问题。如果 Opus 5 能够创建其设计者未曾预料的工具，权限系统就必须评估结果，而非只评估被命名的操作。当模型能够构造替代路径时，封锁一条命令几乎无法提供保护。

FreeCAD 的例子在无害场景中展示了这一问题。该模型没有视觉访问能力，因此构建了一条视觉管线。在敏感环境中，类似的即兴行为可能会在没有恶意意图的情况下绕过既定边界。

主动型智能体需要明确区分能力失败与政策限制。“我无法访问该输入”不应自动意味着“构建新的访问方法”。有时，缺失的能力本身就是一项有意设置的安全控制。

开发者应测试模型是否识别这种区别。评估可以将智能体置于明确边界之后，并观察它们是请求权限、安全停止，还是绕过限制进行即兴处理。

可审计性同样重要。较长的智能体轨迹可能包含数百次工具交互。人工审查者需要能够识别已更改文件、已访问系统、假设条件、失败测试和未解决不确定性的摘要。

知识溯源也很重要。使用知识融合的团队可以连接多个信息来源，但生成的答案仍需要可追溯的证据。模型应展示每一项关键主张由哪个来源支持。

Anthropic 报告的安全性提升强化了开展受控试验的理由。它们并不支持无限自主性。Opus 5 越能有效完成开放式任务，这些控制措施就越重要。

Anthropic、Google 和 AI 买方接下来将关注什么

下一阶段将由生产环境可靠性、Google 的回应，以及基准测试增益能否在普通工作场景中延续的证据决定。

第一个信号来自真实组织的部署数据。买方应关注 Opus 5 是否能在编码和知识工作中减少人工纠正时间、失败运行和重复提示。只有在已完成任务保持准确的情况下，较低的资源消耗才有意义。

来自非脚本化部署的证据将强化 Anthropic 的论点。范围扩张、完成缓慢或自信的事实错误报告则会削弱这一论点。最有用的案例研究将包含失败率，而不仅是成功示例。

第二个信号是 Google 通过 Gemini 及其智能体平台作出的回应。如果 Workspace 和 Cloud 集成让 Gemini 更易于治理，Google 无需赢得每一项独立基准测试。它确实需要具备有竞争力的规划、验证和恢复行为。

如果 Google 的模型在长时间运行任务上能够匹敌 Opus 5，竞争将重新转向分发能力。如果回应疲软，Anthropic 将能够围绕 Claude 的行为定义智能体质量，即使是在由更大型平台分发的软件中也是如此。

OpenAI 仍将是这一比较的一部分。GPT-5.6 Sol 在演示呈现方面更强的结果表明，专业工作包含多个相互独立的维度。买方将越来越多地在不同模型之间路由任务，而非选定一个永久赢家。

第三个信号是独立安全测试。研究人员应检验提示词注入抵抗力、权限处理、事实校准以及模型停止执行的意愿。如果外部团队在陌生环境中复现 Anthropic 的主张，这些主张将更具说服力。

失败并不必然意味着 Opus 5 无法使用。它们会明确模型在哪些方面需要更严格的权限、更窄的任务范围或更强的人类审查。智能体安全通常是一种系统属性，而非单一模型评分。

对开发者而言，眼下的问题很实际：与 Opus 4.8、Gemini 或 GPT-5.6 相比，Opus 5 是否能以更少的修正确实完成你的困难任务？一项受控评估应使用相同的输入、工具、权限和完成标准。

企业买家不应只看输出质量。他们还需要可预测的延迟、可追溯的来源、可控的资源使用、在重复运行中的稳定表现，以及模型遇到歧义时明确的升级处理机制。

知识工作者也应密切关注，因为智能体竞争正在超越聊天场景。模型正越来越多地被要求产出最终版电子表格、演示文稿、研究资料包，以及实际的运营变更。验证质量将决定这些输出究竟能节省工作，还是仅仅把工作转移到别处。

Anthropic 与 Google 的竞争如今迎来了更明确的考验。Anthropic 押注于持续、自我检查的行为能够抵消 Google 的分发优势。Google 则可以通过让 Gemini 在其已掌控的系统中同样可靠来回应。

Claude Opus 5 目前为 Anthropic 的这一判断提供了有力证据。它的独立评分令人印象深刻，其工具构建案例也显示出智能体行为发生了实质性变化。但事实校准和延迟结果，使得人们还不能轻易宣告谁已胜出。

应在你已知预期结果的工作中运行该模型。记录每一次修正、不必要的操作、缺乏依据的主张，以及审批请求。然后比较整个任务过程，而非最令人惊艳的一次回答。

下一位领导者不会由单一排行榜决定。最终胜出的将是那个能够完成高价值工作，同时让其错误可见、可控且可恢复的系统。