1818 分。Claude Opus 5.5 (Max) 把 Code Arena: WebDev 的榜首位置拿走了。第二名 GPT-6 Astra (Max) 停在 1792 分，差 26 分。更有意思的不是横向对比，而是纵向——上一代 Opus 5 (Max) 是 1692 分，一年不到的时间，同一个模型家族往前挪了 126 分。这个数字放在任何一个成熟的评测榜单上，都不算小动作。
26 分，在榜单上到底算不算多
WebDev 这条赛道不是刷题
Code Arena 把评测切成了很多分支，WebDev 针对的是网页开发——给一段需求，让模型把能跑起来的东西交出来。它不像 HumanEval 那种单函数补全，写对边界条件就得分。前端和全栈任务的麻烦在于，正确与否要靠眼睛看、靠交互试：布局是不是塌了，状态管理有没有绕进去，接口对不上时它会不会自己发现并修。
这类评测天然带有偏好噪声。评分里掺了人类投票，也掺了自动判定，风格讨喜的模型偶尔会占便宜。所以看这个榜单，别只盯着小数点，要看名次之间的落差。
头部模型挤成一团，26 分就是跨档
熟悉这类榜单的人都清楚，前五名通常只差个位数到十几分。大家的分数都贴着天花板，谁也没法拉开距离。26 分意味着 Opus 5.5 不是在混战里多赢了两票，它已经站到另一层。Code Arena 的分数分布越密集，这个差距的含金量就越高。
真正吓人的是那 126 分
横向领先可以靠对手失误，纵向拉开只能靠自己长本事。1692 到 1818，中间隔着的是一次完整的模型迭代。Anthropic 没有把 Opus 5.5 当成小版本号来发，它更像是把编码这件事的底层能力重新做了一遍。榜单是一个快照，但版本号自己会说话。
能力涨了，账单也跟着涨
默认 1M token，意义比数字大
Opus 5.5 发布时把 1M token 上下文设成了默认值，目标写得很直白：长时间运行的智能体编码。这个方向选得没错。真实的编码 agent 不是一问一答，它要读仓库、翻历史、跑工具、看报错、改回来。上下文窗口不够，它就得反复丢信息、反复重建理解，效率全耗在遗忘和回忆上。
但窗口开大也有代价。塞进去的东西越多，模型对关键细节的注意力就越容易被稀释，同时每一次调用的账单也在往上走。长上下文是个好东西，前提是你真的用得上。
单任务 13.04 美元，贵还是不贵
Artificial Analysis 的 Coding Agent Index 给出了一个更接地气的信号：Opus 5.5 排到了第一，但单任务成本升到了 $13.04。这个数字要分两头看。
拿它去对比一个工程师的小时成本，13 美元便宜得像白送。可如果你跑的是批量任务、CI 里挂着的自动修复、每天上千次的代码审查，这个单价会迅速堆成一条很难看的曲线。更关键的是它不保证一次成功——失败重试的每一次，都是新的 13 美元。
降本不靠换模型，靠改流程
最省钱的优化往往不在模型层。把不相关的文件挡在上下文之外，把一次大任务拆成几个边界清楚的小任务，让缓存真正命中而不是每轮重算，这些动作能砍掉的开销，比换一个便宜模型带来的质量损失划算得多。
对手没在旁边看着
GPT-6 Astra 差的那 26 分
Astra 不是被碾压出局的那种第二名。它落在 1792 分，位置依然在头部集团里。对 OpenAI 来说，26 分的缺口是可以靠一次迭代补上的距离，而不是需要重新思考路线的鸿沟。这张榜单真正稳定下来的东西不多，下周换个人坐头把交椅也不奇怪。
开源一侧换了打法
同期还有一条值得留意的消息：Fireworks Research 发布了 Ember-1，卖点是用更少的推理 token 保持住 Kimi K3 的质量。这条路线瞄准的正是 Opus 5.5 的软肋——不是能不能做对，而是做对要烧多少钱。
闭源模型在榜首争夺分数，开源模型在下方争夺单位成本。两条线暂时还没交汇，但方向是明确的。
这份榜单，你的团队该怎么用
第一名不等于你的项目第一名
Code Arena 测的是通用网页开发任务，你的项目有自己的技术栈、自己的历史包袱、自己那套没人愿意碰的祖传代码。榜单能告诉你谁的上限高，不能告诉你谁在你的仓库里不闯祸。别拿总分做决策，拿你自己的任务集做决策。
先挑那类任务试水
适合先交给 Opus 5.5 的，是需要长链条推理、要看多个文件才能动手的活儿：跨模块重构、陌生的老系统加功能、写得含糊但必须落地成页面的需求。反过来，格式转换、简单的样板生成、规则明确的替换，用贵的模型纯属浪费——它们本来就不值这个价。
把分数换算成你自己的账本
1818 分是个漂亮的数字，但它不会替你付账单。真正值得建的那张表，是任务成功率、平均重试次数、单次完成成本、人工返工比例。跑上两周，你会得到一份比任何公开榜单都准确的排名——而且只对你的团队成立。
模型在加速，这是事实。但加速的收益最终流向哪一边，取决于你是跟着分数走，还是跟着自己的成本曲线走。
