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。

「模型」频道最新