獨立測試機構近期對 Anthropic 新款模型 Claude Opus 5 展開首輪評估，在某項能力指數中給出 159 分，比 Claude Fable 5 低兩分，但在程式碼審查上的成績，卻讓測試者意見嚴重分歧。
重點整理：
- Epoch AI 給予 Claude Opus 5 能力指數 159 分，Fable 5 則為 161 分，兩者在軟體工程能力上幾乎打成平手。
- CodeRabbit 測得可執行審查意見精準率 39.3%，優於 35.2% 基準值，但同時產生約四倍的「雞蛋裡挑骨頭」式瑣碎意見。
- 企業測試方 Cognition 與 Zapier 回報，Opus 5 在除錯與端對端業務自動化流程上有明顯提升。
Claude Opus 5 基準測試提早接受市場檢驗
Anthropic 上週五正式推出 Opus 5，並在官網表示，該模型以約半價逼近 Fable 5 的前沿能力，定位是「日常使用主力」，而非高度專業化工具。多數第三方評測機構同意 Opus 5 的整體實力接近 Fable 5，但對差距大小看法不一。
Epoch AI 在自家能力指數中給 Opus 5 打出 159 分，Fable 5 則是 161 分，兩者在軟體工程評分上則被視為同級。這份比較由 Latent Space 匯整發布。
另一家機構 Artificial Analysis 則在其「智能代理知識工作」基準測試上，將 Opus 5 排在首位，Elo 分數領先 Fable 5 近 150 分，同時將單次任務成本壓低約 20%。不過，有開發者質疑這些能力指標，認為「比舊版 Opus 4.8 僅多 1 分」嚴重低估了他們在日常使用中感受到的躍進；也有評測者指出，在某些程式測試情境下，中等努力等級的表現，反而優於高強度設定。
延伸閱讀： BitMEX 營運 11 年宣布關門 無人接手收購
代碼審查結果兩極 精準度拉升、瑣碎意見爆量
專攻程式碼審查的 CodeRabbit 將 Opus 5 對照約 100 種真實開源 Pull Request 錯誤樣式進行測試，每種配置跑了三輪，並測得實際可採納審查意見的精準率為 39.3%。
這一成績優於其現行產品級審查員的 35.2% 基準表現，但 Opus 5 抓到的已知錯誤反而較少，卻多產出約四倍的吹毛求疵式註解，也就是工程師最需要花時間人工篩選的低價值意見。
在預設努力等級下，精準率甚至掉到 26.4%。CodeRabbit 的結論是：團隊應將 Opus 5 視為一名偏重精準、作為「第二審查人」的工具，而不是直接替換既有、運作穩定的審查流程。負責為產品團隊評測七款模型的 Claire Vo 則在個人評論中形容這款模型「聰明但惹人厭」，指出其表現帶有某種「神經質」特質，甚至曾堅決拒絕處理一個合併衝突。
Anthropic 企業客戶：代理能力與除錯表現顯著
Cognition 執行長 Scott Wu 表示，在其 AI 工程師產品 Devin 中，Opus 5 以約半成本逼近 Fable 等級的表現，特別是在除錯與根因分析上表現突出。Zapier 執行長 Wade Foster 則指出，Opus 5 在公司內部自動化排行榜中名列前茅，且在 Token 使用量上與過去同樣以每百萬輸入 Token 收費 5 美元的 Claude 型號相當，並未帶來額外支出。
這些正面評價仍有但書。Anthropic 自家也提醒，在進攻性網路安全（offensive cybersecurity）任務上，Opus 5 明顯落後自家 Mythos 5 模型；一旦觸發公司安全分類器標記，請求會自動回退到 Opus 4.8 處理。
這種謹慎態度與其高階產品近期的波折有關：Fable 5 在 6 月正式推出，卻在上線數日後被緊急下架，直到 7 月初才重新開放使用。