Claude Opus 4.5 深夜发布：针对明显，再次刷榜

今年这波大模型上新速度，已经不像是产品节奏，更像是某种大厂by补贴 AI 促销季。

从前段时间老马的的 Grok 4.1 开始，刚刚登顶成为 SOTA 之后便迅速被 Gemini 3 系列偷家，随后紧接着，奥特曼夸完 Gemini 3，也有模有样掏出来 CodeX-5.1-Max 来偷 Gemini 家......

正当所有人都以为一切要暂时落下帷幕，准备好好消化消化时，Anthropic 深夜又把 Claude Opus 4.5 扔出来，把各位脑瓜子整的嗡嗡的。

Opus 4.5 的宣传口径还是那套熟悉的味道：更聪明、更省心、全球数一数二的编程能力。只是这次，它终于把“说自己强”变成了“能拿成绩单说话”。

在软件工程测试 SWE-Bench Verified 里，它成了第一个跑到 80% 以上的模型。

这个分数高到什么程度呢？你可以理解为：如果同一题给一群工程师做，Opus 4.5 的表现已经能排在前排，而不是靠“死算”凑答案。

更狠的是 Anthropic 自家的内部考试。

那是他们用来筛性能工程师候选人的高难度题库。Opus 4.5 直接在两小时时间限制内卷过了全部人类候选人。

严格说，这只能证明它的技术能力和压力判断力强，但看起来也没什么必要替人类解释太多，毕竟成绩摆那。

不过 Opus 4.5 的“聪明”并不只在编程。

它在视觉、数学、推理这些方向也同时往上推了一截。甚至开始出现一种奇怪的现象：模型会想出比测试设计者更灵活的解法。

比如 τ²-bench 的航空客服测试里，规则预期它拒绝乘客改票，因为基础经济舱不给改。Opus 4.5 却先把舱位升到普通经济舱，再给改航班。

完全符合政策，也完全没在测试预设答案里。这种“跳出答案集”的行为，既让人佩服，也会让安全团队头疼。

这类“聪明过头”的行为，会让人开始怀疑：大模型到底是在提升能力，还是在学着对付测试？未来的评测体系是不是得重新设计？行业里已经有不少人在讨论这一点。

Opus 4.5 另一个变化，是它真的开始变“省”。

Anthropic 做了大量底层改造，让它能用更少的 tokens 达到同样效果。

很多任务里，token 消耗直接砍到原来的三分之一左右。再加上 effort 参数，你甚至能调教模型“别想太多”“别算太久”，让它按你要求的节奏来。

这个功能看起来很微小，但会导致一个很大的行业变化：大模型未来可能不是按“大小”来分级，而是按“思考方式”来分流。

你要它深度思考，它就绞尽脑汁；你要它快速应付，它就省着点算（其实之前美团的LongCat 就支持这个）。模型本身不再是铁板一块，它会变得像个可以调模式的“虚拟员工”。

再往下看工具链。Opus 4.5 这次的更新完全就是“无处不在”路线。

Claude Code 按照惯例也得到了大扩容。

计划模式能自动生成 plan.md，让你先确认整个方案再执行，不会像早期那样直接乱点文件。桌面端也来了，可以开多个会话，让不同智能体处理不同活儿。

云端用户这次也很舒服。

Chrome 插件打开了 Max 用户权限，在多个标签之间跨页面操作；Excel 也加入测试范围，能几千行地跑数据而不会把上下文撑爆。配额也整体放宽，Opus 的限制几乎等于取消。

整个系统升级里最值得盯的，是 Anthropic 新加的三件套：Tool Search、Programmatic Tool Calling 和 Tool Use Examples。它们解决的，是此前所有大模型都逃不过的“工具塞爆”问题。

以前你把 GitHub、Slack、Sentry 这些工具一起挂上，什么都没干上下文就占几十万 tokens。方法名一旦相似，模型就容易调错工具、传错参数，像极了一个刚转岗的新同事。

Tool Search 会动态发现工具，用多少加载多少，把冗余砍掉八成左右。Programmatic Tool Calling 则让模型直接在代码里用工具，不用每次推理一大段。组合起来，Opus 4.5 在 MCP 测试的命中率从 79.5% 涨到 88.1%。这种幅度在 agent 领域几乎属于断层式提升。