Claude Opus 5.5 登顶 Artificial Analysis 智能指数，得分 58

分数背后的组成逻辑

这份 58 分不是单点突破。Anthropic 披露的拆解里，10 项核心评测 Opus 5.5 赢下 6 项：Humanity's Last Exam 61.4%，SciCode 66.9%，加上 AA-Briefcase 知识工作评估跑出 1822 Elo。

更值得注意的细节在「effort」配置上。Opus 5.5 提供 5 个档位：low / medium / high / xhigh / max（with fallback）。Max 档位 58 分，xhigh 56 分，high 54 分，medium 51 分；4 个档位都落在 Intelligence 与成本的 Pareto 前沿上。

Agent 运行时过载，但 effort 档位能救场

这意味着什么？同一次调用，你把 effort 从 max 拉到 medium，综合得分下降 7 分，但推理token数和延迟也会跟着降。对高容错、单次调用的复杂决策任务用 max，对高频、简单查询用 medium，是当下更稳的做法。

与第二集团的差距

第二集团——Claude Fable 5.1 和 GPT-6 Astra——并列 53 分，Opus 5.5 领先约 5 个点。

这不是一个模糊的「更强」声明。Terminal-Bench 4.0 和 AutomationBench-AA 两者打平，说明在纯终端交互和自动化工作流评测上，差距收窄到测量误差范围。真正的断层在 SciCode、Humanity's Last Exam 这类侧重代码理解和复杂推理的维度。

如果只看 Terminal-Bench 一个指标，容易得出「Opus 5.5 和 GPT-6 Astra 差不多」的结论；如果只看 SciCode，又会高估通用差距。综合指数 58 vs 53 才是更诚实的快照。

Opus 5.5 effort 档位性能与成本权衡

工程落地的取舍

价格端同样重要。官方信息显示 opus 5.5 基础定价降至 $4 /$20 per 1M tokens（input / output），缓存命中折扣幅度加大。Anthropic 自己的 FrontierCode 数据提到，默认 medium effort 以约 1/5 的任务成本跑出 54.6%，高于 GPT-6 Astra 公开上限 53.3%。

但这组数字有几个前提要交代清楚：一是 FrontierCode 为 Anthropic 自家数据源，二是 medium effort 与 max effort 的差距在 7 分，三是缓存命中依赖你的 prompt 重复度。

选型建议给两条可直接执行的规则：

1. 如果任务单次调用价值高、容错低（比如自动写 PR、做架构评审、跑复杂分析），用 max 或 xhigh effort，别省这一档的 token 钱。
2. 如果任务是高频、简单、可重试（比如分类、摘要、简单问答），用 medium 或 low，把预算留给真正需要脑力的调用。

更狠的是，每年能省下一个亿。

省下来的钱拿去扩团队更划算

边界条件也得说清楚：这个结论在 agentic 知识工作和代码任务上成立，在实时对话、低延迟流式输出场景未必最优——那时速度和首 token 延迟可能比综合智能指数更关键。另外，fallback 机制会触发，意味着单次调用可能出现策略回退，需要在监控里区分正常响应和 fallback 响应，否则成本统计会失真。

下一步动作

今天就做的三件事：

1. 在你的 Agent pipeline 里，按任务复杂度拆分 effort 档位，把简单任务从 max 降到 medium，观察 48 小时成本与成功率变化。
2. 检查 prompt 缓存命中率；低于 30% 的工作负载，换 effort 档位几乎不省钱。
3. 对 Terminal-Bench 类任务做一轮自测；如果你们的终端交互任务占比高，GPT-6 Astra 和 Opus 5.5 的差异可以忽略，按价格和服务稳定性选即可。

智能指数的组成逻辑与分数结构

Artificial Analysis Intelligence Index 不是一个单一基准的得分，而是由十个核心评估维度加权汇总得出的综合指数。Opus 5.5 在六个维度上领先，包括 Humanity's Last Exam（61.4%）和 SciCode（66.9%），以及 AA-Briefcase 知识工作评估的 Elo 1822 分。

Agent运行时：一次跑通是理想，反复回调才是常态

指数分数的含义是相对排序，而非绝对能力边界。58分对53分，差距约5个百分点，换算到 Terminal-Bench 上对应的是约4–6个百分点的任务完成率差异——这在实际项目中意味着更少的调试轮次，但不等同于「前一个模型完全不可用」。

五个 effort 档位均位于智能-成本 Pareto 前沿的四个点上，说明 Anthropic 在这次发布中有意拉开成本曲线斜率，让中低 effort 档位具备更好的性价比，而非单纯堆高 max effort 的绝对分数。

基准分数背后的工程含义

Terminal-Bench 4.0 的核心指标是任务完成率，而非代码质量或响应速度。它衡量的是模型能否独立完成多步终端操作——分析日志、编写脚本、调试问题。Opus 5.5 与 GPT-6 Astra 在此持平，说明两者在端到端 Agent 任务执行上已经处于同一梯队。

不过需要区分的是：同等分数不代表同等工程体验。Opus 5.5 在默认 medium effort 设置下，FrontierCode 得分 54.6%，高于 GPT-6 Astra 发布的 53.3%，且每任务成本约为后者的五分之一——这是 Anthropic 官方的报告数据，独立验证尚未完整披露。

更准确的判断框架是区分两种场景：

• 单次任务执行：选哪个模型的差异主要体现在首 token 延迟和输出长度控制上
• 多轮 Agent 工作流：Opus 5.5 的低 effort 档位提供了更好的任务完成-成本平衡

Opus 5.5 vs GPT-6 Astra 工程选型路径

Opus 5.5 的核心优势不在于某个单项benchmark碾压，而在于它在多个独立评测中保持稳定领先，同时在默认档位提供接近竞争对手高性能档位的性能——这才是指数排名的实质贡献。

成本曲线的重构与缓存收益

这次发布的另一个关键信号是定价策略。Opus 5.5 的基础价格下调了 20%，cache read 折扣也同步扩大，使得同样的推理预算可以支持更多轮次的 Agent 交互。

来源：Artificial Analysis 官方模型页（2026年9月）

缓存命中是 Agent 系统的隐性成本杀手。一个生产级 Agent 工作流中，同一份系统提示、相同上下文窗口的请求占比通常超过 60%。cache read 折扣扩大 10 个百分点，意味着同样的预算可以多支撑约 15–20% 的并发任务量——这对高吞吐的 Agent 编排系统来说是决定性的边际收益。

更狠的是，当你把 medium effort 档位作为日常 Agent 路由的主力，max effort 只用于异常情况的兜底，综合成本可以压到全 max effort 模式的不到一半。

但这套策略有一个前提条件：你的 Agent 工作流必须设计成支持档位切换。如果所有请求都走 max effort，那降价的意义只是让每个 token 更便宜，而不是让单位预算做更多事。

Agent 架构选型与推荐路径

结合这次发布，三个典型架构路径的权衡如下：

路径 A：纯 Agent 路由

用 medium effort 档位处理 80% 的日常任务，max effort 仅用于异常情况和人工介入场景。适合任务分布均匀、错误容忍度中等的生产系统。

路径 B：双模型混合

Opus 5.5 medium 作为主力，GPT-6 Astra 作为互补——后者在某些特定领域（如代码生成质量）仍有细微优势。适合对单领域质量有刚性要求的项目。

路径 C：单模型全档位

全部请求走 Opus 5.5，通过 effort 档位控制成本。最简单，但浪费了 Anthropic 这次刻意拉开的档位差异——等于没有利用定价策略。

Agent 系统架构选型决策图

选择哪个路径的核心判断标准只有一个：你的 Agent 任务是否足够复杂到需要 max effort，还是 medium effort 已经能覆盖大部分场景。如果答案是后者，这次降价就是直接的成本红利；如果答案是前者，那这次发布对你意义有限，重点应该放在工作流的错误处理设计上。

坦白讲，58分这个数字本身不重要。重要的是你能用这个分数买到什么样的成本效率——这才是工程团队真正应该关注的指标。

Claude Opus 5.5 登顶 Artificial Analysis 智能指数，得分 58

58 分的组成与领先维度

这次登顶并非均匀提升，而是集中在几个高难度基准。

根据 Vellum 与 Artificial Analysis 的数据交叉验证，Opus 5.5 在十项核心评估中领先六项：Humanity's Last Exam 达到 61.4%，SciCode 达到 66.9%，AA-Briefcase 知识工作评估 Elo 达到 1822。

更关键的是，Artificial Analysis 的 Intelligence Index 本身是一个加权复合指标，涵盖数学推理、代码生成、知识检索、多步规划四个子维度。Opus 5.5 在代码与规划两条轴上拉开差距，数学轴仅小幅领先，知识轴基本持平。

这意味着什么？在实际工程里，你的任务如果是多步 Agent 调用、代码生成与调试、复杂文档分析，Opus 5.5 的收益是确定的。如果你的任务以知识问答为主，GPT-6 Astra 或 Fable 5.1 可能更接近需求，性价比未必输。

Opus 5.5 各维度得分分布示意

effort 梯度的成本效率选择

Opus 5.5 提供五个 effort 级别：low、medium、high、xhigh、max。

Artificial Analysis 的实测数据显示，max effort 得分为 58，xhigh 为 56，high 为 54，medium 为 51，low 为 48。五个级别呈阶梯状分布，每提升一级，分数约增加 2–3 分，但输出 token 数也同步增长。

这里有一个工程上常被忽视的细节：Anthropic 标注了「Default Fallback」机制。当 max effort 任务超时或失败时，模型会自动降级到 medium effort 继续执行，而不是直接报错。

这对 Agentic 工作负载意味着什么？如果你的系统对延迟敏感，但不允许失败，可以配成 medium fallback。系统先用 max effort 冲刺复杂任务，兜底用 medium effort 保证交付率。

四个 effort 级别位于成本效率前沿，这是一个重要的信号。不是所有模型都这样，很多前沿模型只有 max effort 一个档位，要么贵要么慢。

缓存折扣与成本曲线重构

这次发布同时伴随着定价调整：输入价格降至 $4/1M tokens，输出价格降至$20/1M tokens。更关键的是，缓存读取折扣从之前的 50% 提升到 60%。

缓存对 Opus 5.5 的意义是什么？在多轮对话或 Agent 工作流中，前几轮的上下文会被缓存，后续请求只需读取缓存而非重新计算。对于典型的 10 轮 Agent 任务，缓存命中率高时，实际成本可能只有标价的 30–40%。

以 AA-Briefcase 知识工作评估为例，Anthropic 在 Optiver 的真实工作负载复盘中报告：Opus 5.5 在约一半的轮次内达到 Opus 5 的质量，时间减少 50%，输出 token 减少约 40%，整体成本下降 40–50%。

注意这里的措辞是「约一半的轮次」。这意味着你的 Agent 如果能在更少的迭代内完成任务，成本曲线会更陡峭地下降。反之，如果任务本身就复杂，需要大量重试与探索，缓存收益会被摊薄。

缓存折扣对 Agentic 任务成本的影响

Agentic 工作负载的迁移边界

从工程落地的角度，Opus 5.5 适合哪些场景？

第一类是长期运行的监控 Agent。Anthropic 提到，Opus 5.5 允许监控 Agent 自行管理部分上下文记忆，在更长周期内保持自主性。

具体场景：服务异常检测、日志分析、告警聚合。这类任务的特点是上下文长、迭代次数多、对延迟不敏感但对质量要求高。Opus 5.5 的 max effort 配合 medium fallback，可以在保证质量的同时控制成本。

第二类是代码生成与调试。SciCode 66.9% 的得分背后，是模型在多步骤编程任务上的稳定表现。

具体场景：单元测试生成、Bug 定位、重构建议。这类任务需要模型理解代码语义并执行多步操作，Opus 5.5 的代码轴优势直接转化为生产力提升。

第三类是知识密集型决策支持。AA-Briefcase Elo 1822 的得分反映了模型在金融、法律等专业领域的推理能力。

具体场景：投资决策辅助、合规审查、合同分析。这类任务需要模型处理复杂文档并给出可解释结论，Opus 5.5 的知识轴表现与 GPT-6 Astra 接近，但在某些垂直领域可能更具优势。

[[reaction=code-review-pain|caption=代码评审时它能在第一轮就指出问题]]

不适合的场景也很明确：实时性要求极高的任务、纯知识问答类任务、预算极度受限的规模化调用。

对第一种情况，Opus 5.5 的 max effort 输出速度约 53.6 tokens/s，低于一些中端模型的 70+ tokens/s。如果你的系统要求在 1 秒内响应，应该考虑 Sonnet 或其他轻量模型。

对第二种情况，GPT-6 Astra 或 Fable 5.1 在知识问答上价格更低，且智能指数仅落后 5 分，差距在实际应用中可能不明显。

对第三种情况，建议直接用 Opus 5.5 的 medium 或 low effort，或者切换到 Opus 5 的非推理版本，成本可能再降 50%。

Opus 5.5 effort 级别与适用场景映射

最终结论：Opus 5.5 的 58 分是一个明确的信号，表明 Anthropic 在多步推理与代码生成领域建立了新的基准。但 58 分不等于万能，工程落地的核心在于 effort 选择、缓存策略、以及 fallback 机制的配合。如果你的负载符合上述三类场景，迁移收益是确定的；否则，先做小规模对照实验再决策。

Effort 梯度的成本效率选择

Opus 5.5 提供五个 effort 档位，从 low 到 max，覆盖 40 到 58 分的智能区间。每个档位对应不同的推理深度与延迟，也直接决定单位任务成本。

数据来源：Artificial Analysis 模型页面与 Vellum 评测报告。

五个档位背后的取舍

max effort 跑出 58 分，但代价是更长的首 token 延迟与更高的 output token 消耗。Anthropic 官方测试显示，在 default medium effort 下，Opus 5.5 在 agentic coding tasks 上已能达到与 Opus 5 max effort 相近的质量，但 turn 数减半、输出 token 减半。换句话说，max effort 的价值在于极端困难的任务——那些 medium effort 会卡住或产生幻觉的 case。

坦白讲，大多数生产场景并不需要 58 分。需要的是 51 分且稳定。 medium effort 的性价比往往被低估。

medium effort 的工程价值

medium effort（51分）处于 intelligence-vs-cost Pareto frontier 上。这意味着：在当前价格体系下，没有哪个更低 effort 的模型能在同等智能水平上更便宜，也没有哪个更高分位能以更低成本达到同等质量。对于需要高频调用的 Agent 管道，medium effort 是更理性的默认选择。

缓存折扣与成本曲线重构

Opus 5.5 的定价为 input $4/1M tokens、output$20/1M tokens，较前代下调约 20%。更关键的是 cache read 折扣提升至 60%。

Effort 梯度成本效率曲线

cache read 折扣的意义在于：当 Agent 在多轮对话中重复访问相同上下文时，第 2 次及之后的读取成本大幅降低。这对于需要长上下文的代码仓库分析、多步推理任务尤其重要。

以 Terminal-Bench 4.0 为例，一条典型任务可能涉及 50K token 的上下文读取。若 cache hit rate 达到 80%，实际 input 成本约为原价的 20%，折算后单任务成本下降约 40–50%。Anthropic 官方测试也验证了这一点：在默认 effort 下，cost per task 相比 Opus 5 下降约 40%。

Agentic 工作负载的迁移边界

benchmark 上的 58 分是一个信号，但不是唯一判断标准。Terminal-Bench 4.0 考察的是独立代码任务，而生产环境中的 Agentic 工作负载涉及多轮交互、工具调用、错误恢复与状态管理。

迁移决策流程图

迁移的决策逻辑如下：

1. benchmark 差距 ≥5 分：Opus 5.5 相比 Opus 5 提升约 11 分，差距显著，值得评估。
2. 生产负载复杂度：多轮 Agent 任务（如 code review、多步调试）更能从高分模型中受益；简单查询任务提升有限。
3. 灰度验证：先在 sandbox 环境对比 quality delta，若质量下降超过 10%，需重新评估 effort 设置或回滚。

Anthropic 与 Optiver 的联合测试显示，Opus 5.5 在 trading-support 任务上通过了此前 Claude 模型未通过的任务，并在 analysis task 上登顶八个对比模型。这类任务对准确性要求极高，迁移收益明确。

相反，如果生产负载主要是简单信息检索或格式化输出，Opus 5.5 的额外智能并不必要，Sonnet 级别模型配合合适 prompt 可能更经济。

下一步动作

基于以上分析，给出三个可执行判断：

决策一：默认选用 medium effort对于大多数 Agentic 编码与推理任务，medium effort（51分）是性价比最优选择。仅在 benchmark 显示存在系统性 gap 时切换到 max effort。

决策二：缓存策略优先配置若任务涉及重复上下文访问（如多轮代码分析），务必开启 cache read 并监控 hit rate。60% 折扣在 hit rate >70% 时能显著拉低单位成本。

决策三：灰度迁移而非全量切换先在 sandbox 对比 Opus 5.5 medium 与当前模型的 quality delta，确认无退化后再推进生产。benchmark 高分不等于生产稳定，两者之间存在约 10–15% 的 performance gap 需要验证。

58 分是一个里程碑，但不是终点。工程的本质是在确定性约束下做取舍，Opus 5.5 的价值不在于最高分，而在于提供了更多 effort 档位供你根据场景精确匹配。更狠的是，这五个档位的并存本身就是对「越大越好」思维的一个纠正。

参考文献

• Claude Opus 5.5 takes the top spot on the Artificial Analysis Intelligence Index
• Claude Opus 5.5 Benchmarks Explained - Vellum
• Introducing Claude Opus 5.5 - Anthropic
• Claude Opus 5.5 (max with fallback) - Artificial Analysis
• Claude Opus 5.5 (medium with fallback) - Artificial Analysis

延伸入口

• 原文归档：tobemagic.github.io/ai-magician…
• 公众号：计算机魔术师