獨立測試機構近期公布結果，將 Anthropic 最新模型 Claude Opus 5 在一項能力指數上評為 159 分，僅比 Claude Fable 5 少 2 分，但在程式碼審查與實務效益上的解讀卻高度分歧。
重點整理
- Epoch AI 在其能力指數上給出 Claude Opus 5 159 分，Fable 5 則為 161 分，兩者在軟體工程項目並列。
- CodeRabbit 測得 Opus 5 在「具行動意義」的審查註解上精準度為 39.3%，高於 35.2% 的既有基準，但無關痛癢的挑剔註解暴增逾四倍。
- 企業用戶 Cognition 與 Zapier 回報，在除錯與端到端業務流程自動化方面，Opus 5 帶來明顯提升。
Claude Opus 5 基準測試 上線即遭放大檢視
Anthropic 於上週五正式推出 Opus 5，並在官網表示，其整體智能逼近 Fable 5 的前緣水準，價格卻只有一半，定位為日常廣泛適用的「主力工作機」，而非少數場景專用的高階利器。多數外部評測整體上同意這個說法，但在細部差距上看法不一。
Epoch AI 將 Opus 5 的能力指數定在 159 分，相較 Fable 5 的 161 分略遜一籌，且在軟體工程維度上評為實質打成平手；相關彙整由 Latent Space 在報導中揭露。
另一方面，Artificial Analysis 在其「智能代理知識工作」基準測試中，將 Opus 5 排名第一，Elo 評分幾乎領先 Fable 5 近 150 分，同時每項任務成本降低約 20%。部分開發者則質疑這類「單一能力指數」，認為只比舊版 Opus 4.8 高出 1 分，嚴重低估了他們在日常開發中感受到的躍進。有評測者甚至發現，在程式測試場景中，中等「努力等級」的設定表現，反而優於更高強度設定。
延伸閱讀：BitMEX 營運 11 年宣告關門 仍未尋獲買家接手
程式碼審查結果兩極 「精準但囉嗦」成共識
專攻自動程式碼審查的 CodeRabbit，以約 100 種實際開源 Pull Request 中常見錯誤模式為標的，針對不同設定各跑三輪測試，並統計 Opus 5 在「具行動意義」審查註解上的精準度為 39.3%。
這項成績優於其現行正式上線 Reviewer 的 35.2% 基準水準，但同時也抓漏較少已知錯誤，且產生的「雞蛋裡挑骨頭」式低價值註解約為原本四倍，工程師必須花更多時間篩選與忽略。
在預設努力等級下，精準度進一步下滑到 26.4%。CodeRabbit 的結論是：團隊應將 Opus 5 視為「第二位、偏重精準度的輔助 Reviewer」，而不是對既有穩定產線的直接升級替換。負責為產品團隊運行七款模型評測的 Claire Vo 在個人評測文中形容，Opus 5「聰明又惹人厭」，指出它在互動上帶有某種「神經質」傾向，甚至曾遇到一個 Merge Conflict，模型堅持拒絕處理。
Anthropic 企業客戶：代理能力明顯升級
Cognition 執行長 Scott Wu 表示，在該公司 AI 工程師產品 Devin 中，Opus 5 以「半價逼近 Fable 等級表現」，尤其在除錯與根因分析（root-cause analysis）等場景展現出色實力。Zapier 執行長 Wade Foster 則指出，Opus 5 在公司內部的自動化任務排行榜中奪冠，且使用 Token 量並未高於過去同樣以每百萬輸入 Token 5 美元定價的 Claude 系列前代模型。
不過，這些正面評價也伴隨明確但書。Anthropic 在一篇技術說明中強調，Opus 5 在「攻擊性資安」（offensive cybersecurity）任務上仍不及自家 Mythos 5 模型；此外，凡是被公司安全分類器標記為高風險的請求，都會自動回退改由 Opus 4.8 處理。
這種謹慎態度與此前高階產品線的波折有關：Fable 5 於 6 月正式推出，卻在上線數日後緊急下架，直到 7 月初才再度開放使用。