Anthropic在2026年7月24日发布Claude Opus 5，并将其定位为面向长程Agent、复杂工程任务和知识工作的前沿模型。官方重点强调其在terminal coding、知识工作、工具增强推理、网页搜索和计算机使用等任务上的提升，同时保持与上一代Opus相同的标准API价格。我们对其API版本 claude-opus-5 进行了全面评测，测试其在准确率、响应时间、token消耗和调用花费等关键指标上的表现。
需要说明的是，本次ReLE评测侧重中文场景下的综合能力考察，评测维度覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块。Claude Opus 5官方主推的真实软件工程和计算机使用能力，可结合文末官方评测一起判断。
claude-opus-5版本表现：
- 测试题数：约1.5万
- 总分（准确率）：76.8%
- 平均耗时（每次调用）：15s
- 平均token（每次调用消耗的token）：1216
- 平均花费（每千次调用的人民币花费）：168.8
1、新旧对决
对比上一代参照模型claude-opus-4.8-thinking，claude-opus-5的变化比较明确：总分继续上行，所有细分维度均有提升，同时平均耗时、token消耗和每千次调用花费都出现下降。数据如下：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
- 整体性能稳步提升：claude-opus-5总分从74.7%提升至76.8%，提升2.1个百分点，榜单排名从第9位升至第2位。这个提升幅度不算极端，但足以让Opus线进入当前ReLE中文综合评测的前列。
- 教育维度提升最明显：教育从62.7%提升至67.7%，提升5.0个百分点，是本次代际变化中增量最大的一项。教育题通常混合知识理解、题意分析和推理过程，这一变化说明新模型在中文知识类任务上有所补强。
- 医疗与法律继续改善：医疗与心理健康从85.3%提升至89.0%（+3.7%），法律与行政公务从81.3%提升至84.7%（+3.4%）。这两个专业领域对事实稳定性、规则理解和表述克制都有要求，新版本在这些维度上没有出现上一代常见的回调。
- 推理数学和语言任务小幅上行：推理与数学计算从89.9%提升至92.0%（+2.1%），语言与指令遵从从67.9%提升至70.5%（+2.6%）。其中推理数学已经处在较高基线，继续提升的空间本身有限，因此2个百分点左右的增量仍有实际意义。
- 金融、Agent与coding变化较小：金融从78.2%提升至79.5%（+1.3%），agent与工具调用从65.4%提升至66.3%（+0.9%），coding从72.0%提升至72.5%（+0.5%）。
- 响应速度进一步改善：平均耗时从19s缩短至15s，减少约21%。在总分提升的同时缩短响应时间，是本次新旧对比中比较重要的工程变化，也让Opus 5更适合需要多轮调用的交互式任务。
- Token与成本同步下降：平均token从1612降至1216，降幅约25%；输出价格仍为175.0元/百万token。最终每千次调用花费从238.2元降至168.8元，下降约29%。也就是说，Opus 5并不是通过更长输出换取更高分数，而是在更精炼输出和更低实际调用花费下取得了更高总分。
2、横向对比
在当前主流大模型竞争格局中，claude-opus-5作为Anthropic最新Opus模型表现如何？我们从三个维度进行横向对比分析：
同成本档位对比
- 150至200元/千次区间的前列位置：claude-opus-5（76.8%，168.8元）位于150至200元/千次的高端商用区间。同区间内还有kimi-k3（75.6%，172.4元）、gpt-5.5（75.3%，158.5元）、gemini-3.5-flash（73.9%，151.2元）、gpt-5.1-high（67.1%，180元）。仅看中文综合总分，claude-opus-5是这一档位中最高的模型。
- 速度是另一项优势：claude-opus-5平均耗时15s，与gpt-5.5持平，明显快于kimi-k3（80s），也略慢于gemini-3.5-flash（13s）。
- 向上看更高成本模型：相比gemini-3.1-pro-preview（75.2%，250.5元）、doubao-seed-evolving（75.5%，304.7元）、doubao-seed-2-1-pro-260628（74.8%，313.2元）、gpt-5.6-sol-pro（74.4%，398.7元）和claude-opus-4.8-thinking（74.7%，238.2元），claude-opus-5在总分更高的同时，调用花费更低。对于高端闭源模型而言，这是一个比较明确的代际变化。
- 向下看低成本替代方案：qwen3.7-max（76.9%，99元）以更低花费取得了略高0.1个百分点的总分。qwen3.6-max-preview（75.4%，139.2元）、qwen3.7-plus（73.5%，31.7元）、qwen3.5-plus（73.3%，22.9元）和Doubao-Seed-2.0-pro（72.8%，22.5元）也说明，如果只看中文综合准确率与调用成本，低成本区间仍存在具备较强替代性的选择。
新旧模型对比
- Opus线的代际进步更完整：claude-opus-5（76.8%）相比claude-opus-4.8-thinking（74.7%）提升2.1个百分点，同时耗时和花费下降；相比claude-opus-4.8（非thinking模式，71.5%）则提升5.3个百分点。它更像是把上一代thinking模式的能力上限和非thinking模式的响应效率进一步合并，而不是简单提高推理强度。
- Anthropic产品线位置上移：在当前榜单中，Anthropic最高的是claude-opus-5（76.8%，第2位），其后依次是claude-opus-4.8-thinking（74.7%，第9位）、claude-opus-4.8（71.5%，第21位）、claude-sonnet-5-thinking（70.8%，第26位）、claude-opus-4.6（70.0%，第31位）、claude-sonnet-4.5-thinking（66.2%，第53位）和claude-opus-4.5（64.2%，第66位）。从4.5到5，Opus线在ReLE中文综合榜单中的位置已经明显上移。
- 放到近期头部模型中看：claude-opus-5（76.8%）仅低于qwen3.7-max（76.9%），高于kimi-k3（75.6%）、doubao-seed-evolving（75.5%）、qwen3.6-max-preview（75.4%）、gpt-5.5（75.3%）和gemini-3.1-pro-preview（75.2%）。不过这些模型之间的差距大多在1.6个百分点以内，榜单头部已经非常密集，不宜把微小分差解读为绝对能力差距。
开源VS闭源对比
- 闭源阵营中的高位模型：claude-opus-5在闭源模型中位列前列，高于doubao-seed-evolving、qwen3.6-max-preview、gpt-5.5、gemini-3.1-pro-preview、doubao-seed-2-1-pro-260628等近期新模型。它的主要特点是总分高、响应快、token消耗相对克制，但调用成本仍处于高端区间。
- 开源阵营的成本压力仍然存在：kimi-k3（75.6%，172.4元）、glm-5.2（73.0%，110.5元）、kimi-k2.6（72.9%，100.4元）、deepseek-v4-pro（71.7%，54.3元）、qwen3.5-plus（73.3%，22.9元）等开源模型覆盖了从高能力到低成本的多个区间。尤其qwen3.5-plus和deepseek-v4-pro以更低调用花费取得了不错的中文综合分数，说明开源阵营在成本效率比上依旧有吸引力。
3、官方评测
根据Anthropic官方博客（https://www.anthropic.com/news/claude-opus-5），Claude Opus 5是Anthropic面向复杂Agent任务推出的新一代Opus模型。官方称其在多项Agent、工程、知识工作和工具增强推理基准上刷新了Anthropic内部模型表现，同时价格保持为输入5美元/百万token、输出25美元/百万token。
核心能力基准
官方将Claude Opus 5与Claude Opus 4.8、Claude Fable 5、GPT-5.6 Sol等模型进行了对比。以下为官方口径，部分竞品数据可能来自公开资料或各自测试环境，横向比较需留意测试口径差异：
- Frontier-Bench v0.1：官方将其作为terminal coding场景的重点基准，Claude Opus 5相较Claude Opus 4.8有明显提升，并高于官方列出的GPT-5.6 Sol对比结果。该基准更接近真实工程环境中的命令行协作。
- GDPval-AA v2：官方数据显示Claude Opus 5高于Claude Opus 4.8，也高于GPT-5.6 Sol。该基准面向知识工作任务，强调企业场景中的分析与交付质量。
- ARC-AGI-3：官方将其作为新问题解决能力的代表性指标，Claude Opus 5相较Claude Opus 4.8和GPT-5.6 Sol均有较大提升。
- Humanity's Last Exam：官方同时给出了无工具和带工具口径，Claude Opus 5在两种口径下均高于Claude Opus 4.8。需要注意，带工具结果更接近Agent和搜索增强场景，不能直接等同于普通问答能力。
- OSWorld 2.0：官方图表显示Claude Opus 5高于Claude Opus 4.8和GPT-5.6 Sol，用于衡量模型在真实计算机环境中的操作能力。
- DeepSearchQA：官方将其放在搜索与信息综合能力相关评测中展示。
工程、业务与专业任务
在更偏真实任务的评测中，官方还展示了CursorBench、AA Coding Agent Index、AutomationBench等面向代码协作、Agent执行和业务流程自动化的结果。
整体口径看，这些基准并不完全追求单轮问答准确率，而是更强调模型在持续规划、调用工具、修改代码、检查结果和完成业务流程中的表现。
安全与能力边界
Anthropic在博客中提到，Claude Opus 5在网络安全漏洞识别能力上接近Claude Mythos 5，但在利用真实漏洞的能力上仍低于Mythos 5；在生物研究相关基准上也并非总是最高。官方同时表示，Opus 5在ASL-3防护框架下发布，并上线了更细粒度的Prompt Injection分类器，用于提升Agent和网页使用场景中的防护能力。
非线智能官网https://nonelinear.com 已上线claude-opus-5版，欢迎深度体验。 同时，非线智能API可连接超480+全球模型，支持一键Api聚合以及Api中转，提供稳定的企业级服务。 登录github账号，领20-50元体验金。接入claude-opus-5就用非线智能API。
