独立评测机构给 Anthropic 新一代模型 Claude Opus 5 打出 159 分的能力指数，仅比 Claude Fable 5 低 2 分，但在代码审查方面的表现却让测试方意见分化。
要点速览
- Epoch AI 将 Claude Opus 5 评为能力指数 159 分，Fable 5 为 161 分，在软件工程维度两者持平。
- CodeRabbit 测得其「可执行评论」精确率为 39.3%，高于 35.2% 的基线，但吹毛求疵式的低价值评论增加了 4 倍。
- 企业级客户 Cognition 与 Zapier 报告称，其在调试和端到端业务自动化方面带来明显提升。
Claude Opus 5 基准测试遭遇「放大镜」审视
Anthropic 上周五正式发布 Opus 5，并在公告中称，该模型以「半价」逼近 Fable 5 的前沿智能水准，更定位为日常通用工作马，而非高端专用机。多数第三方评测基本认可这一定位，但对具体差距并不一致。
据 Latent Space 整理的评测显示，Epoch AI 给出 Opus 5 能力指数 159 分，Fable 5 为 161 分，两者在软件工程上打成平手。
Artificial Analysis 则在其「代理式知识工作」基准中，将 Opus 5 排名第一：相较 Fable 5，Elo 评分高出近 150 点，同时单任务成本降低约 20%。部分开发者则对「能力指数」这一单一指标提出质疑，认为相较旧版 Opus 4.8 只有 1 分提升，严重低估了他们在日常使用中感受到的跳跃式进步。一位评测者甚至发现，在某项编程测试中，中等「努力等级」设置的表现优于高强度设置。
延伸阅读：BitMEX Is Shutting Down After 11 Years With No Buyer In Sight
代码审查：测评结果严重分化
CodeRabbit 选取了约 100 种来自真实开源 Pull Request 的错误模式，对 Opus 5 进行多轮（每种配置 3 轮）对比测试，并统计其可执行代码审查评论的精确率为 39.3%。
这一结果高于其线上生产审查器 35.2% 的基线，但代价是模型命中的已知缺陷更少，却多出了 4 倍的「鸡蛋里挑骨头」式细枝末节评论——这些低价值意见最终都要由工程师人工筛查。
在默认「努力等级」下，精确率进一步下滑至 26.4%。CodeRabbit 的结论是：团队应将 Opus 5 视作一个偏重精确度的「第二审查人」，而不是对既有、已运行良好的审查流水线的直接替代升级。
运营产品评测体系、同时对七款模型做横向对比的 Claire Vo 在一篇评论中给出的评价是「聪明但惹人烦」——她称 Opus 5 有明显的「神经质」一面，甚至曾对一次合并冲突「死活不肯碰」。
Anthropic 企业客户报告「代理」能力提升
Cognition 首席执行官 Scott Wu 表示，在其智能开发代理 Devin 中，Opus 5 以约半价逼近 Fable 级别的表现，尤其在调试和根因分析（root cause analysis）上表现突出。Zapier 首席执行官 Wade Foster 则称，该模型在公司内部自动化场景的排行榜上登顶，同时在 Token 消耗上并未高于此前同为每百万输入 Token 收费 5 美元的 Claude 版本。
赞誉之下也有清醒的边界约束。Anthropic 在一则说明中坦言，Opus 5 在进攻性网络安全（offensive security）任务上仍落后于自家 Mythos 5，一旦触发公司安全分类器的高风险请求，将自动回退至 Opus 4.8 处理。
这份谨慎并非空穴来风。作为旗舰产品的 Fable 5，此前在 6 月上线后不久即因问题被紧急下线，直至 7 月初才重新回归用户视野。
下篇关注：HubSpot Fell 12.7% And Analysts Point Straight At OpenAI's New Agent