Anthropic 把 Claude Opus 5.5 放出来了，这是 Claude 5.5 系列的第一个模型。比起"又强了多少"，我更关心另一组数字：典型负载成本比 Opus 5 低 40%。在一个各家都能把榜单刷到高位的年份里，便宜四成往往比强一点点更能改变实际用起来的样子。
便宜四成，比强一点更值得聊
先谈钱，因为钱决定了能力能不能被用上。模型再强，如果一次任务跑下来账单让人肉疼，团队自然会把它锁进"高价值、低频次"的角落里。40% 的降幅，足以把 Opus 5.5 从那个角落拽出来。
成本降下来，调用姿势就会变
过去两年，团队用旗舰模型的典型姿势是"省着用"：先让便宜模型跑一轮，拿不准的再升级；一次任务最多重试两次；上下文能截就截。这套纪律不是审美偏好，是被账单逼出来的。成本砍掉四成之后，纪律会松动。重试三次变成五次，检索结果多塞两轮，让模型自己反思一遍再输出——这些动作单独看都是小事，加在一起就是产品体验的台阶。省下来的钱本身不重要，重要的是原来不敢做的那些调用，现在敢做了。
每百万 token 的账，成了新的比分区
榜单分数同质化的速度比想象中快。前十名挤在几分之内，用户根本分辨不出差别。于是决策依据往下沉，落到输入输出单价、缓存命中率、批量折扣这些冷冰冰的条目上。行业成熟了，才会把注意力放到成本结构上。旗舰和次旗舰之间的价格差在收窄，对做长链路产品的团队来说，这是实打实的利好。
越过 Fable 5.1 这条线之后
Anthropic 给 Opus 5.5 的定位说法很克制：在多数工作上达到 Fable 5.1 的水平。这句话值得拆开看。
"多数工作"这四个字留了余地
"多数"意味着还有少数。哪些是少数，官方没细说，但按模型发布的一般规律推，吃亏的通常是那些需要超长上下文一致性、多模态精细判断、或者高度专业领域推理的任务。对绝大多数产品团队来说，这个"多数"覆盖了日常百分之八九十的调用场景——写代码、改文案、跑数据分析、做客服分流。所以这句话的实际含义是：你不必为了顶配能力付顶配的钱，主流场景已经够用。真正落到那"少数"里的需求，才值得继续往上一档看。
长任务才是分水岭
短问答早就不是问题了。难的是让模型自己跑二十分钟，中间调十几个工具，还不能在第八步就跑偏。长任务里误差会累积，一次小的判断失误会在后面被放大成完全错误的结果——这也是"多数工作达标"这句话在长任务语境下要打个折扣的原因。如果场景是一次性生成，Opus 5.5 大概率够用；如果是端到端的自动化流程，还是得拿真实数据自己跑一遍，别信任何人的评测，包括官方的。
Agent 与编码，被改写的部分在这里
标签里写着 Agent 和编码，这不是随手贴的。这两件事恰好最吃 token，也最在意单次成本。
写代码的重心正在后移
补全式的代码助手已经没什么可卷的了。真正的战场往后挪到了"给一个 issue，让模型自己读仓库、改文件、跑测试、提交 PR"。这条链路里，模型要读的上下文动辄几十万 token，要来回修改十几轮。成本每降一点，能跑完的链路就长一截。Opus 5.5 强调智能体编码上的能力提升，配合成本下降，针对的正是这个位置：帮你把整段流程接过去，而不是让你敲得快一点。工程团队的衡量指标也会跟着变，从"补全接受率"变成"这个 PR 有多少不需要人来返工"。
Agent 能跑多久，取决于账单
做 Agent 的人都懂一个残酷现实：架构设计最后都会被成本约束改写。要不要保留完整历史、要不要每步都做自我验证、能不能并行开三条支线探索——这些看起来是技术决策，本质上是财务决策。单次调用便宜四成，意味着原先因为太贵而砍掉的设计可以捡回来。反过来，如果模型在长任务上确实更强，一次做对的概率提高，重试次数下降，实际成本的降幅会比标称的 40% 还大。两个因素叠在一起，才是这次发布对 Agent 生态的真正意义。
58 分、安全报告，以及榜单没说的事
按第三方评测，Claude Opus 5.5 在 Artificial Analysis 智能指数上拿到 58 分，排在第一。榜单值得看一眼，但别盯着看。
登顶智能指数的边际意义
第一名和第三名之间那几分，对实际产品的意义非常有限。榜单测的是标准化任务，你的业务跑的是非标准化任务，两者相关性没有想象中高。真正有参考价值的是分数背后的分布——哪些维度领先得多，哪些垫底。如果领先集中在推理和编码，那它就不是通用型选择，而是有明确适用面的工具。榜单的正确用法是排除法：先用它筛掉明显不合适的，剩下的交给自己的测试数据。
安全评测里不热闹的部分
Anthropic 照例给了安全评测细节，这部分通常没人爱读，却是企业采购流程里绕不过去的一环。对合规敏感的行业来说，模型能不能上线，往往不取决于它多聪明，而取决于风险披露是否完整、滥用防护是否可验证。Opus 5.5 在长任务上的自主性越强，这部分的权重就越高——一个能自己跑二十分钟、调十几个工具的模型，出错的方式和只会问答的模型完全不是一回事。上线前把权限边界和人工确认点重新过一遍，别沿用上一代模型的假设，这一条比看榜单有用得多。
5.5 系列刚开门
Opus 5.5 是 5.5 系列的第一个模型。开局之作的任务不是封顶，是定调。
首发模型定的是什么调
从定价策略看，这一代的基调是"把旗舰能力做成能批量使用的东西"。成本下降四成、能力对齐前沿参照、主打智能体与编码，三条线指向同一个方向：让模型从偶尔被请出来的专家，变成流水线上稳定运转的一环。这意味着后续几个模型大概率会沿同一路径走，继续压成本、补长任务短板，而不是去追某个单项纪录。对开发者来说这是好消息，它降低了押注的风险。
开发团队现在该做的三件事
第一，拿你自己的任务集重跑一遍基准，重点看长链路任务的失败模式，而不是平均分。第二，把成本算清楚，但要用真实的调用次数和重试率，别只乘单价——重试率的变化往往比单价更能决定总账。第三，重新翻一遍当年因为成本被砍掉的功能清单，它们现在可能重新可行了。技术选型里最贵的从来不是模型费用，而是你因为成本假设而放弃的那些产品形态。
