Opus 5.5 实测：更像人类的写作，更低的成本

Opus 5.5：Anthropic 这次听进了用户反馈？

Anthropic 的 Opus 5.5 正式发布，作为 Claude 5.5 系列的首个模型，它在几乎所有基准测试中都超越了同期竞品。但真正让人眼前一亮的，并不只是跑分数字，而是这个模型终于摆脱了以往 Opus 系列那种生硬、机械的"AI 腔"，开始能够写出更接近人类的自然表达。

从定位来看，Opus 5.5 的性能与 Fable 5.1 持平甚至更优，但相比 Opus 5 消耗的算力更少。换句话说，Anthropic 不再只是单纯堆叠模型智能，而是同时在"把智能做得更便宜"这件事上发力。对用户来说，这种性能与成本的比值，恰恰是当下选择模型时最看重的指标之一。

配合发布，Anthropic 还下调了 API 定价——输入、输出以及缓存 token 的价格都有小幅下降。这种在模型质量、价格和使用激励上的全面竞争，正是竞争环境给用户带来的实实在在的好处。

基准表现：Terminal Bench 4.0 成为亮点

在一众 agentic（智能体）编程基准中，Opus 5.5 几乎碾压了其他所有模型。其中最值得关注的是 Terminal Bench 4.0——这是 Terminal 2.1 的新迭代版本，也是目前少数尚未被"刷爆"（saturated）的基准之一。Opus 5.5 在这项测试中表现强劲，甚至超过了 Astra 和 Fable 5.1。

更关键的是成本维度。在不同推理（reasoning）设置下，Opus 5.5 不仅在 Terminal Bench 上领先其他模型，而且是在显著更低的成本下实现的。这种"又好又便宜"的组合贯穿了几乎所有的 agentic 编程基准。

不过需要客观看待基准测试。跑分通常无法完全代表真实世界的编程能力，它更多是提供一个"预期指标"。例如在 Frontier Code 这类推理基准上，就出现了一些反常现象：medium 推理档位的表现反而比 high、extra high 更好，且接近 max 档位。这种奇怪的曲线不只出现在 Opus 身上，Fable 同样如此。合理的解释是，模型表现高度依赖训练数据的分布，这个基准可能对这些模型来说属于分布外（out of distribution）数据，因此才会出现违反直觉的结果。

关于"饱和"（saturation）与基准失效

基准测试"被刷爆"是指某个测试集的题目或解法已被大量模型的训练数据覆盖，导致高分不再代表真实能力，而只是记忆重现。这是 AI 评估领域长期存在的问题：一旦某个基准流行起来，它就会逐渐渗入下一代模型的训练语料，分数随之虚高。Terminal Bench 4.0 之所以受到关注，正是因为它聚焦于在真实终端环境中完成多步骤任务，这类任务难以被静态数据集覆盖，因而更不容易被"记住答案"。分布外（out-of-distribution）数据则是另一个相关概念：当测试样本与模型训练时见过的数据分布差异较大时，模型的表现往往会出现不规律的抖动，这正是文中 Frontier Code 基准上"推理档位越高反而越差"这一反常现象的合理解释。

真正的升级：沟通风格更像人类

Anthropic 官方表示，他们对 Opus 5.5 的写作与沟通方式做了重大改进。这正是用户对 Opus 5 反馈最集中的痛点——它的消息往往带着一种不自然的、很别扭的表达风格。

改进后的效果在对比示例中相当明显。面对同一个问题的解释，旧模型 Fable 会绕开重点、堆砌冗余信息；而 Opus 5.5 则直接给出"免费层级的变化只占 Acme 八月下滑的 1.1%"这样简洁、聚焦的结论。测试者反馈，这种一眼就能看懂的消息，在长时间运行的会话中帮助很大。

对日常使用者而言，这意味着阅读模型输出会变得更轻松、更愉悦。这类体验层面的提升，往往比单纯的基准分数更能影响实际工作流中的效率。

Agentic 编程实测：验证闭环是关键

在 agentic 编程任务上，Opus 5.5 的表现确实出色，尤其是它的"验证闭环"（verification loop）。在实测中，模型不仅会写代码，还会在浏览器里对输出结果进行可视化验证。这一步对于让模型无人值守地执行长周期任务来说至关重要——没有自我验证，长链条任务很容易在中途跑偏。

几个实测 Demo 可以说明问题：

• 黑洞模拟：在详细 prompt 下，模型生成了视觉质量相当不错的输出，并提供了密度等各类可调参数控制。
• 国际空间站实时追踪：这是作者的常用测试项，不仅考验视觉输出，还考验实时 API 调用能力。Opus 5.5 不仅实时追踪了 ISS 位置，还把太阳摆在了正确的一侧，这个细节处理相当到位。
• 体素艺术（voxel art）：模型在 Three.js 场景下表现强劲，生成了迄今所见细节最丰富的版本，并高度准确地遵循了 prompt。

什么是"验证闭环"以及为何它对 Agent 至关重要

传统的代码生成模型通常是"一次性输出"：写完代码就交给用户，由人来判断对错。而 agentic 场景下，模型需要自主完成多个步骤——拉取数据、编写代码、执行、检查结果、修复错误——整个流程可能持续数分钟甚至数小时而无需人工干预。在这种情况下，若模型缺乏自我验证机制，一旦某个中间步骤出错，后续所有步骤都会建立在错误的基础上，最终结果可能完全偏离预期，且用户很难定位问题出在哪一环。验证闭环的核心思想是让模型在执行每个关键步骤后，主动检查输出是否符合预期（例如在浏览器里渲染并目视确认），再决定是继续还是回退重试。这种"执行-验证-修正"的循环模式，是将语言模型从"代码补全工具"升级为"自主执行 Agent"的关键工程能力之一。

产品落地与使用额度

Opus 5.5 现已在 Claude Code 和 Claude 桌面应用中上线，用户需要更新客户端，也可以通过 API 以 opus-5.5 标签调用。默认的推理档位设置为 medium，这也是官方推荐的档位；对于更复杂的任务，调到 high 可能会得到更好的结果。

在"让模型自主调研并搭建产品发布网站"的测试中，Opus 5.5 的视觉质量仍有提升空间，但它为基准数字加入了精巧的动画效果，整体排版也相当用心——而且这些视觉元素完全是模型在 Claude Code 中自行生成的，没有借助任何现成素材。

使用额度方面也有好消息：Anthropic 不仅提升了 5x 的额度，还提高了每周限额，并给予用户重置速率限制的能力。这一点很可能是受 OpenAI 的做法启发——竞争对手之间的相互借鉴，最终让用户受益。

总结

Opus 5.5 是一次均衡且扎实的升级：更自然的沟通风格、更强的代码质量与验证能力、更低的定价，以及更低的 token 消耗。对于长期被 Opus 旧版"AI 腔"困扰的用户来说，这次 Anthropic 似乎真的听进了反馈。基准分数之外，真正值得期待的是这些改进能否在日常真实工作流中稳定兑现。