Επιδόσεις επιπέδου Fable 5 με 50% χαμηλότερο κόστος

Σύνοψη

• Το νέο μοντέλο Claude Opus 5 είναι άμεσα διαθέσιμο ως η προεπιλογή στο Claude Max και το ισχυρότερο εργαλείο στο Claude Pro, εστιάζοντας σε καθημερινά tasks με μέγιστη αποδοτικότητα.
• Διατηρεί την κοστολόγηση του Opus 4.8 στα $5 ανά 1 εκατομμύριο input tokens και $25 ανά 1 εκατομμύριο output tokens, προσφέροντας ταυτόχρονα νοημοσύνη που προσεγγίζει το κορυφαίο (και διπλάσιου κόστους) Fable 5.
• Στο benchmark αξιολόγησης προγραμματισμού Frontier-Bench v0.1 υπερδιπλασιάζει την απόδοση του Opus 4.8, ενώ σημειώνει 1.5x μεγαλύτερο ποσοστό επιτυχίας στο Zapier AutomationBench για business tasks.
• Ενσωματώνει τη νέα λειτουργία “Fast mode” η οποία εκτελείται με 2,5 φορές μεγαλύτερη ταχύτητα έναντι διπλάσιου κόστους, καθώς και δυναμική εναλλαγή εργαλείων στο API.
• Αναδεικνύεται στο ισχυρότερο μοντέλο της Anthropic για βιολογική έρευνα, υπερτερώντας κατά 10,2 ποσοστιαίες μονάδες στην οργανική χημεία σε σχέση με το προηγούμενο μοντέλο, παραμένοντας ταυτόχρονα ασφαλές χάρη στους νέους περιορισμούς κυβερνοασφάλειας.

Η Anthropic ανακοίνωσε επίσημα τη διάθεση του Claude Opus 5, του νεότερου γλωσσικού μοντέλου της το οποίο φιλοδοξεί να αποτελέσει τον χρυσό κανόνα στην αναλογία κόστους προς απόδοση. 

Το νέο AI μοντέλο ενσωματώνεται άμεσα στο οικοσύστημα της εταιρείας, αντικαθιστώντας πρακτικά το Opus 4.8. Σχεδιασμένο με γνώμονα τη συνεχή, καθημερινή χρήση σε περιβάλλοντα παραγωγής, το Opus 5 αναλαμβάνει πλέον ρόλο προεπιλεγμένου μοντέλου στο Claude Max και του ισχυρότερου διαθέσιμου μοντέλου στο πακέτο Claude Pro.

Η τιμολόγηση παραμένει ακριβώς η ίδια με του Opus 4.8, στα $5 ανά 1 εκατομμύριο input tokens και $25 ανά 1 εκατομμύριο output tokens, ενώ είναι ήδη διαθέσιμο μέσω του Claude API.

Οι επιδόσεις στο Coding και τα Agentic Tasks

Η σημαντικότερη αναβάθμιση του Opus 5 εντοπίζεται στην ικανότητά του να διαχειρίζεται πολύπλοκα συστήματα και να αναλύει πηγαίο κώδικα (software engineering tasks). Η Anthropic έχει δώσει ιδιαίτερη βαρύτητα στη μείωση των σφαλμάτων και στην αύξηση της ικανότητας του μοντέλου να επαληθεύει αυτόνομα τον εαυτό του πριν παραδώσει το τελικό αποτέλεσμα.

Τα κυριότερα τεχνικά συμπεράσματα από τα benchmarks:

• Frontier-Bench v0.1: Το Opus 5 ξεπερνά όλα τα υπόλοιπα μοντέλα της αγοράς και διπλασιάζει την απόδοση του Opus 4.8. Μάλιστα, σε ένα συγκεκριμένο τεστ όπου του ζητήθηκε να γράψει κώδικα για να ανακατασκευάσει ένα 3D FreeCAD μοντέλο χωρίς απευθείας οπτική πρόσβαση στο αρχικό σχέδιο, το μοντέλο έγραψε το δικό του computer vision pipeline για να εξάγει τη γεωμετρία από τα raw pixels, κάτι που κανένα ανταγωνιστικό μοντέλο δεν κατάφερε σε πέντε προσπάθειες.
• CursorBench 3.2: Στη ρύθμιση μέγιστης προσπάθειας, το Opus 5 φτάνει σε απόσταση αναπνοής (0,5%) από το μέγιστο σκορ του ισχυρότερου (αλλά ακριβότερου) Fable 5, αλλά με το μισό κόστος ανά εργασία.
• ARC-AGI 3 & OSWorld 2.0: Σε δοκιμασίες επίλυσης νέων, άγνωστων προβλημάτων, η βαθμολογία του Opus 5 είναι τρεις φορές υψηλότερη από το αμέσως επόμενο καλύτερο μοντέλο. Στο περιβάλλον του OSWorld 2.0 (ένα computer use benchmark), ξεπερνά το καλύτερο αποτέλεσμα του Fable 5 κοστίζοντας μόλις το 1/3.
• Zapier AutomationBench: Ολοκληρώνει business tasks από την αρχή μέχρι το τέλος με ποσοστό επιτυχίας 1,5 φορές υψηλότερο από το επόμενο μοντέλο, στο ίδιο ακριβώς κόστος.

Επιστημονική έρευνα και δημιουργία visuals

Το Opus 5 σηματοδοτεί μια ουσιαστική εξέλιξη στην ικανότητα των συστημάτων τεχνητής νοημοσύνης να υποστηρίζουν την επιστημονική κοινότητα. Οι αναφορές της εταιρείας δείχνουν ξεκάθαρη βελτίωση στις αξιολογήσεις των βιοεπιστημών, περιλαμβάνοντας τη δομική βιολογία και τη βιοπληροφορική.

Συγκεκριμένα, στην οργανική χημεία σημείωσε άνοδο 10,2 ποσοστιαίων μονάδων (σε σχέση με το 4.8) στην εξαγωγή μοριακών δομών από δεδομένα φασματοσκοπίας. Στις πρωτεϊνικές δοκιμασίες, η ικανότητα του να προβλέπει πώς οι παραλλαγές στην αλληλουχία επηρεάζουν τη λειτουργία μιας πρωτεΐνης βελτιώθηκε κατά 7,7 ποσοστιαίες μονάδες.

Επιπρόσθετα, η ικανότητα παραγωγής οπτικών εξόδων έχει αναβαθμιστεί εντυπωσιακά. Παραδείγματα όπως η δημιουργία διαδραστικών, απλοποιημένων απεικονίσεων κυττάρων ή η οπτικοποίηση της ροής του αέρα πάνω από αεροδυναμικά αντικείμενα αποδεικνύουν την ευελιξία του μοντέλου να εξηγεί πολύπλοκες έννοιες με οπτικό τρόπο.

Η εμπειρία στο enterprise περιβάλλον

Η πραγματική αξία του μοντέλου επιβεβαιώνεται ήδη κατά την ενσωμάτωση του σε παραγωγικά περιβάλλοντα. Σύμφωνα με τα δεδομένα του προγράμματος πρώιμης πρόσβασης, η πλατφόρμα Zapier κατέγραψε 100% επιτυχία στο AutomationBench χωρίς να αυξηθεί η κατανάλωση tokens.

Αντίστοιχα, μεγάλες εταιρείες ανάπτυξης λογισμικού αναφέρουν άμεση βελτίωση στον εντοπισμό σφαλμάτων και στη δημιουργία αρθρωτών συστημάτων. Σε πλατφόρμες όπως το Cursor, το Opus 5 διατηρεί παρόμοια συμπεριφορά με το Fable 5, ενώ αναλυτές του χρηματοοικονομικού τομέα καταγράφουν ταχύτερη εξαγωγή δομημένων δεδομένων και μειωμένα εργαλεία ελέγχου κατά 30%. Το κοινό χαρακτηριστικό που αναφέρουν οι προγραμματιστές είναι η έννοια της «ορθής κρίσης», καθώς το μοντέλο πλέον ελέγχει ενδελεχώς τον κώδικά του, βρίσκει το ίδιο τις αδυναμίες του κατά τον σχεδιασμό και προτείνει στοχευμένες λύσεις πριν την οριστική σύνταξη.

Οι νέες λειτουργίες: Fast Mode και API Updates

Στο κομμάτι του deployment, η αναβάθμιση φέρνει ισχυρά χαρακτηριστικά που αυξάνουν την παραγωγικότητα των developers.

• Λειτουργία Fast Mode: Το Opus 5 προσφέρεται και σε Fast λειτουργία, τρέχοντας περίπου 2,5 φορές ταχύτερα από την κανονική του ταχύτητα. Το κόστος της υπηρεσίας αυτής είναι διπλάσιο από τη βασική τιμή και διατίθεται στην πλατφόρμα Claude.
• Δυναμική εναλλαγή εργαλείων (Beta): Οι προγραμματιστές μπορούν πλέον να αλλάζουν δυναμικά ποια εργαλεία μπορεί να χρησιμοποιήσει το Claude κατά τη διάρκεια μιας συνομιλίας, χωρίς να ακυρώνεται η προσωρινή μνήμη.
• Αυτόματα Fallbacks (Beta): Στο API, τα αιτήματα που επισημαίνονται από τους ταξινομητές ασφαλείας στο Opus 5 μπορούν πλέον να προωθούνται αυτόματα σε άλλο μοντέλο (όπως το Opus 4.8) αντί να μπλοκάρονται πλήρως, μειώνοντας τις διακοπές στο workflow.

Ευθυγράμμιση, ασφάλεια και περιορισμοί

Ο εσωτερικός έλεγχος συμπεριφοράς έδειξε ότι το Opus 5 είναι το πλέον ευθυγραμμισμένο μοντέλο της εταιρείας μέχρι σήμερα. Βαθμολογείται με το χαμηλότερο σκορ παραπλανητικής συμπεριφοράς και ακολουθεί με συνέπεια τους κανόνες του Claude Constitution.

Στον τομέα της κυβερνοασφάλειας, παρόλο που το μοντέλο έρχεται κοντά στο ισχυρότερο Mythos 5 όσον αφορά την αναγνώριση ευπαθειών σε κώδικα, υστερεί σκόπιμα στο κομμάτι της εκμετάλλευσης τους. Ενσωματώθηκαν αυστηροί classifiers που επιτρέπουν τον εντοπισμό κενών ασφαλείας, αλλά μπλοκάρουν ρητά τεχνικές όπως το penetration testing και τα binary-based vulnerability scans. Οι οργανισμοί ωστόσο που έχουν πιστοποιηθεί μέσω του Cyber Verification Program (CVP) αποκτούν πρόσβαση σε εκδόσεις με λιγότερους περιορισμούς για εταιρικά Security Audits.