獨立評測機構 Artificial Analysis 公布 Claude Opus 5 的成績單。在綜合 9 項測試的智慧指數（Intelligence Index）裡，Opus 5 拿下 61 分，以 1 分之差險勝 Fable 5 的 60 分，GPT-5.6 Sol 得 59 分、Kimi K3 得 57 分緊追在後。Opus 5 每項任務平均成本 2.03 美元，比 Fable 5 低 26%，還在兩項知識工作評測登頂。
（前情提要：Anthropic 發布 Claude Opus 5！效能逼近 Fable 5 價格卻砍半，成最新預設模型）
（背景補充：Anthropic 不再顯示 Claude 思考過程摘要，防止 Fable 5 被蒸餾）
重點摘要
- Opus 5 在綜合 9 項測試的智慧指數拿 61 分，以 1 分之差險勝 Fable 5 的 60 分
- 每項任務平均成本 2.03 美元，比 Fable 5 的 2.75 美元低 26%，搭配 Claude Code 並列程式設計 Agent 指數第一
- 短板在事實知識，AA-Omniscience 幻覺率飆到 50%，比前代 Opus 4.8 高出 14 個百分點
Anthropic 在 7 月 24 日把 Claude Opus 5 釋出，第三方的成績單跟著出爐。獨立評測機構 Artificial Analysis 把 Opus 5 丟進它綜合 9 項測試的智慧指數，最後給出 61 分，剛好比自家最強的 Fable 5 高 1 分，把 GPT-5.6 Sol 的 59 分、Kimi K3 的 57 分都壓在後面。第一名是坐穩了，但這個榜首贏得不是很超前。
1 分之差的榜首
排名前四名擠在 4 分之內，Opus 5 的領先幅度小到幾乎在誤差範圍。真正拉開差距的是價格。Opus 5 每項任務平均成本 2.03 美元，比 Fable 5 的 2.75 美元低了 26%，等於用更便宜的價格買到同一檔智慧水準。
細項表現才是 Opus 5 站上第一的底氣。它在 GDPval-AA v2 和 AA-Briefcase 這兩項模擬真實知識工作的評測都拿下第一，搭配 Claude Code 之後也並列程式設計 Agent（Coding Agent）指數榜首，測終端機操作能力的 Terminal-Bench v2.1 拿到 89%，大致追平 GPT-5.6 Sol。便宜又能打，這正是 Anthropic 發布當天主打的賣點。
多花 Token 換效能
Opus 5 這次給了 5 檔推理強度，從 low 一路開到 max。這個設計的代價很直接：從最低檔跳到最高檔，輸出的 Token 數量相差約 8 倍，而 GDPval-AA v2 的成績也跟著拉開 407 Elo。
換句話說，同一個模型能表現得多好，很大一部分握在使用者手上。願意燒更多 Token，就換得更強的效能；想把成本壓低，也可以主動調降推理檔位。這種把「要多聰明、花多少錢」的旋鈕交還給使用者的做法，讓單一模型能同時服務精打細算和不計成本的兩種需求。
登頂榜單卻栽在事實知識
Opus 5 的事實知識仍落後 Fable 5，在專測知識廣度的 AA-Omniscience 裡，它的幻覺率升到 50%，比前代 Opus 4.8 整整高出 14 個百分點。一個綜合智慧登頂的模型，一半機率會把不知道的事講得煞有其事，這個反差不容易忽略。
在同一份榜單上，Opus 5 既是綜合智慧的第一名，也是幻覺率的重災區。跑分登頂和值得信任不是同時發生的事。
另個沒被行銷話術蓋過的細節是，Opus 5 在低推理檔位的 CP 值仍略遜於 GPT-5.6 系列。也就是說，只有把推理強度往上開，它的優勢才會真正兌現，而那又要付出更多 Token。第三方資料把發布日那句「頂級智力、平民價格」拉回了現實。
常見問題
Claude Opus 5 在 Artificial Analysis 評測排第幾？
Opus 5 以綜合 9 項測試的智慧指數 61 分居首，領先 Fable 5 的 60 分、GPT-5.6 Sol 的 59 分與 Kimi K3 的 57 分，但前四名差距僅 1 到 4 分，屬於窄幅領先。
Claude Opus 5 有什麼明顯短板？
它的事實知識仍落後 Fable 5，在 AA-Omniscience 測試的幻覺率升到 50%，比前代 Opus 4.8 高 14 個百分點，低推理檔位的 CP 值也略遜於 GPT-5.6 系列。
📍相關報導📍
英國 AI 安全研究院：五個前沿模型全在測驗時作弊，不到一半認為自己有錯
