Claude Opus 4.5 深夜發佈：針對明顯，再次刷榜

今年這波大模型上新速度，已經不像是產品節奏，更像是某種大廠by補貼 AI 促銷季。

從前段時間老馬的的 Grok 4.1 開始，剛剛登頂成爲 SOTA 之後便迅速被 Gemini 3 系列偷家，隨後緊接着，奧特曼誇完 Gemini 3，也有模有樣掏出來 CodeX-5.1-Max 來偷 Gemini 家......

正當所有人都以爲一切要暫時落下帷幕，準備好好消化消化時，Anthropic 深夜又把 Claude Opus 4.5 扔出來，把各位腦瓜子整的嗡嗡的。

Opus 4.5 的宣傳口徑還是那套熟悉的味道：更聰明、更省心、全球數一數二的編程能力。只是這次，它終於把“說自己強”變成了“能拿成績單說話”。

在軟件工程測試 SWE-Bench Verified 裏，它成了第一個跑到 80% 以上的模型。

這個分數高到什麼程度呢？你可以理解爲：如果同一題給一羣工程師做，Opus 4.5 的表現已經能排在前排，而不是靠“死算”湊答案。

更狠的是 Anthropic 自家的內部考試。

那是他們用來篩性能工程師候選人的高難度題庫。Opus 4.5 直接在兩小時時間限制內捲過了全部人類候選人。

嚴格說，這隻能證明它的技術能力和壓力判斷力強，但看起來也沒什麼必要替人類解釋太多，畢竟成績擺那。

不過 Opus 4.5 的“聰明”並不只在編程。

它在視覺、數學、推理這些方向也同時往上推了一截。甚至開始出現一種奇怪的現象：模型會想出比測試設計者更靈活的解法。

比如 τ²-bench 的航空客服測試裏，規則預期它拒絕乘客改票，因爲基礎經濟艙不給改。Opus 4.5 卻先把艙位升到普通經濟艙，再給改航班。

完全符合政策，也完全沒在測試預設答案裏。這種“跳出答案集”的行爲，既讓人佩服，也會讓安全團隊頭疼。

這類“聰明過頭”的行爲，會讓人開始懷疑：大模型到底是在提升能力，還是在學着對付測試？未來的評測體系是不是得重新設計？行業裏已經有不少人在討論這一點。

Opus 4.5 另一個變化，是它真的開始變“省”。

Anthropic 做了大量底層改造，讓它能用更少的 tokens 達到同樣效果。

很多任務裏，token 消耗直接砍到原來的三分之一左右。再加上 effort 參數，你甚至能調教模型“別想太多”“別算太久”，讓它按你要求的節奏來。

這個功能看起來很微小，但會導致一個很大的行業變化：大模型未來可能不是按“大小”來分級，而是按“思考方式”來分流。

你要它深度思考，它就絞盡腦汁；你要它快速應付，它就省着點算（其實之前美團的LongCat 就支持這個）。模型本身不再是鐵板一塊，它會變得像個可以調模式的“虛擬員工”。

再往下看工具鏈。Opus 4.5 這次的更新完全就是“無處不在”路線。

Claude Code 按照慣例也得到了大擴容。

計劃模式能自動生成 plan.md，讓你先確認整個方案再執行，不會像早期那樣直接亂點文件。桌面端也來了，可以開多個會話，讓不同智能體處理不同活兒。

雲端用戶這次也很舒服。

Chrome 插件打開了 Max 用戶權限，在多個標籤之間跨頁面操作；Excel 也加入測試範圍，能幾千行地跑數據而不會把上下文撐爆。配額也整體放寬，Opus 的限制幾乎等於取消。

整個系統升級裏最值得盯的，是 Anthropic 新加的三件套：Tool Search、Programmatic Tool Calling 和 Tool Use Examples。它們解決的，是此前所有大模型都逃不過的“工具塞爆”問題。

以前你把 GitHub、Slack、Sentry 這些工具一起掛上，什麼都沒幹上下文就佔幾十萬 tokens。方法名一旦相似，模型就容易調錯工具、傳錯參數，像極了一個剛轉崗的新同事。

Tool Search 會動態發現工具，用多少加載多少，把冗餘砍掉八成左右。Programmatic Tool Calling 則讓模型直接在代碼裏用工具，不用每次推理一大段。組合起來，Opus 4.5 在 MCP 測試的命中率從 79.5% 漲到 88.1%。這種幅度在 agent 領域幾乎屬於斷層式提升。