Anthropic Opus 5 基准领先但实战口碑分裂

近期多位社区用户针对 Anthropic 的 Opus 5 模型展开讨论，普遍认为该模型虽然在公开基准测试中表现近乎完美并击败了 Fable 5，但在真实使用场景中表现分裂，高分并未转化为更好的实际体验。这引发了业界对于模型是否“为刷榜而优化”以及现有基准测试是否已触及信噪比上限的质疑。

已确认

跑分占优：多位作者（如 @FinanceYF5、@burkov）确认 Opus 5 在公开基准测试中确实击败了 Fable 5。
实战体验不佳：@yuntatsai 与 @brandongalang 均指出 Opus 5 在实际使用中结果不稳定，非常依赖运气。@brandongalang 强调，在非一次性任务中，模型的“行为手感”比单纯的跑分更重要，而 Opus 5 在这方面表现偏飘。
前代模型在特定任务反超：@burkov 表示已重新将 Opus 4.8 用于日常非代码工作，认为其在非编程任务上比 5 代更好。
综合性价比受疑：@doodlestein 反映 Opus 5 给人“诅咒感”且不太好聊，相比之下 Fable 在把成本算进去后整体表现更好。

基准信任危机：@FinanceYF5 与 @dominguezpablo 的反馈指出，私有评测和真实体验与公开排行榜出现了严重割裂。如果用户普遍认同 Opus 5 是“为了刷榜而优化”的版本，将促使开发者与评估机构重新审视现有打分体系的权威性与有效性。
竞品实战口碑发酵：尽管 Fable 5 在跑分上落后，但 @dominguezpablo 认为其在创意类输出上更像一位“靠谱的工程师”，更少忘事且不易跑偏，这种实际体验的口碑可能会影响重度用户的模型选择。

2026-07-28 ~ 2026-07-29 · 6 条相关

第 1 集:Anthropic 模型发布陷混乱，Opus 5 被指关乎成败(2026-07-23,2 条)
第 2 集:Anthropic 发布 Claude Opus 5：性能达 SOTA 且价格减半(2026-07-25,128 条)
第 3 集:网传 Anthropic 发布 Opus 5，支持加速与科研顶配(2026-07-25,3 条)
第 4 集:Claude Opus 5 早期实测：效率提升但行为过度主动(2026-07-25,29 条)
第 5 集:Anthropic发布Claude Opus 5实测表现亮眼(2026-07-25,3 条)
第 6 集:Claude Opus 5 被指刷榜优化，实测仍落后(2026-07-25,2 条)
第 7 集:Claude Opus 5 创下 ARC-AGI-3 新纪录(2026-07-25,15 条)
第 8 集:Anthropic 内部材料曝光 Opus 5 研发进展(2026-07-25,2 条)
第 9 集:Opus 5 实测：单 prompt 生成惊艳，复杂任务仍逊 Fable(2026-07-26,24 条)
第 10 集:Claude Opus 5 发布并重写提示习惯(2026-07-27,11 条)
第 11 集:Anthropic Opus 5 基准领先但实战口碑分裂(2026-07-28,6 条)
第 12 集:Claude Opus 系列被指体验下滑：偷懒失忆引信任危机(2026-07-29,14 条)
第 13 集:Anthropic 发布 Claude Opus 5：性能比肩旗舰且成本减半(2026-07-31,2 条)
第 14 集:Anthropic 新版模型体验下滑引发开发者信任危机(2026-08-03,11 条)