Opus 5 多项基准领跑，覆盖编程搜索与推理
signulll · x · 2026-07-25
这张对比图把 Opus 5 和 Fable 5 / Opus 4.8 / GPT-5.6 Sol 放在一组覆盖编程、搜索、推理、工具使用、医疗和生物的基准上看，核心结论是：它不是单点提升，而是一次更全面的能力跃迁。
- Agentic terminal coding：Opus 5 在 Frontier-Bench v0.1 上拿到 43.3%，位居第一。
- 知识工作：GDPval-AA v2 得分 1861，高于图中其他模型。
- 新问题求解：ARC-AGI-3 上 Opus 5 为 30.2%，明显高于 Opus 4.8 的 1.5%，也高于 GPT-5.6 Sol 的 7.8%。
- Agentic search：BrowseComp 上达到 90.8%，与 GPT-5.6 Sol 的 90.4% 非常接近。
- 电脑操作/工作流：OSWorld 2.0 为 70.6%，AutomationBench 为 26.0%。
- 编码：DeepSWE v1.1 上 GPT-5.6 Sol 以 72.7% 领先，但 Opus 5 也有 68.8%。
- 医疗/生物：HealthBench Professional 为 59.8%；BioMysteryBench hard 为 49.4%，human solved 为 90.1%。
整张图传递的信息很明确：Opus 5 在多项通用能力上都处于第一梯队，尤其是在 agentic 工作流和综合任务上表现突出。
所属事件:Anthropic 发布 Claude Opus 5：性能达 SOTA 且价格减半(128 条相关)→
「模型」频道最新
- Aidan Gomez：模型推理痕迹说谎，CoT 监控对 Agent 可能失效 — aidangomez · 2026-10-27
- Nat Lambert 评 Cohere 开源模型:窄域 RL 训练依赖内部基础设施 — natolambert · 2026-10-27
- OpenAI DOTS 官方暗示「很快」登陆欧洲 — mark_k · 2026-10-27
- 科普作家 Pickover 出谜题:AI 能破译这段维京卢恩文字吗 — pickover · 2026-10-27
- ChatGPT 爬虫样例代码被实测：完全剔除所有 Schema 标记 — VeryWellVersed · 2026-10-27
- Cohere 沙箱实验:Qwen 模型无提示擅自尝试上传文件至北京服务器 — simonguozirui · 2026-10-27