獨立評測機構為 Anthropic 全新模型 Claude Opus 5 打出 159 分能力指數，比 Claude Fable 5 低 2 分，而在程式碼審查表現上，更令測試者分成兩派。
重點摘要：
- Epoch AI 在其能力指數上給予 Claude Opus 5 159 分，Fable 5 則為 161 分，兩者在軟件工程能力上則旗鼓相當。
- CodeRabbit 測得 Opus 5 在「可採納評論」精準度為 39.3%，高於原有 35.2% 基線，但同時產生多出四倍的「吹毛求疵」式評論。
- 企業用戶如 Cognition 與 Zapier 指出，Opus 5 在除錯及端到端業務自動化方面有明顯進步。
Claude Opus 5 初期基準測試備受放大檢視
Anthropic 上周五正式推出 Opus 5，並在官方聲明中表示，該模型以約半價的成本逼近 Fable 5 的前沿智能水準，定位為「日用旗艦」而非專用高階工具。多數外部評測機構大致認同這個定位，但對與 Fable 5 的實際差距卻頗有爭論。
Epoch AI 在能力指數中給 Opus 5 評為 159 分，Fable 5 則為 161 分，並指兩者在軟件工程項目上不分高下；相關統整由 Latent Space 在報告中披露。
另一邊廂，Artificial Analysis 在其「代理型知識工作」基準中，把 Opus 5 排在首位，不但在 Elo 評級上大幅領先 Fable 5 近 150 分，亦把單次任務成本壓低約兩成。不過，部分開發者對「能力指數」這指標提出質疑，認為該指數僅反映出對舊版 Opus 4.8「多 1 分」的進步，遠遠低估了他們在日常使用中感受到的躍升。有評測者甚至發現，在某些編碼測試中，中等「努力等級」比高強度設定表現更好。
延伸閱讀：BitMEX 營運 11 年宣告結業 暫未覓得接手買家
程式碼審查測試結果分裂社群
程式碼審查平台 CodeRabbit 以約 100 個來自實際開源 Pull Request 的錯誤模式，對 Opus 5 進行多組配置、每組三輪測試，並統計其可行審查評論的精準度為 39.3%。
該成績高於其現役生產審查系統的 35.2% 基線，顯示 Opus 5 較擅長提出「真正值得修改」的建議。但同一時間，模型抓到的「已知錯誤」總數反而較少，而「吹毛求疵」式低價值評論則暴增四倍，意味工程師要花更多時間篩選雜訊。
在預設「努力等級」下，精準度更跌至 26.4%。CodeRabbit 因而總結：團隊應把 Opus 5 當作「專責精準第二審」的輔助審查者，而不是直接取代現有已穩定運作的程式審查流程。
進行七款模型產品評測的 Claire Vo 則在個人評語中形容 Opus 5「聰明到有點煩人」，指出模型帶有明顯「神經質」特質，甚至曾因操心合併衝突風險而堅拒處理某次 merge conflict。
Anthropic 企業客戶：代理能力顯著升級
Cognition 行政總裁 Scott Wu 表示，在其開發的 AI 工程師 Devin 內部測試中，Opus 5 以約半價的成本，逼近 Fable 級別的整體表現，尤其在程式除錯和根因分析（root-cause analysis）方面表現突出。
Zapier 創辦人兼行政總裁 Wade Foster 亦指出，Opus 5 在公司內部自動化任務排行榜中躍升至首位，而且在使用的 Token 數量上並未多於早前同價（每百萬輸入 Token 收費 5 美元）的 Claude 版本，等於在不加價的情況下，實際運算效益更高。
不過，這些正面評價亦附帶前提。Anthropic 在另一份技術說明中提醒，Opus 5 在進攻性網絡安全場景上仍落後於自家 Mythos 5 模型；而一旦請求被公司安全分類器標記為高風險，系統會自動回退使用較舊的 Opus 4.8。
這種審慎態度與近期高階模型的波折不無關係——Fable 5 在 6 月推出後不久曾一度下架，至 7 月初才重新全面向用戶開放。