Anthropic ने अभी Claude Opus 5.5 जारी किया है, और पूरी कहानी अर्थशास्त्र और सुरक्षा पर केंद्रित है। यह मॉडल Opus 5 की तुलना में चलाने में 40% सस्ता है (जो खुद अपने पूर्ववर्तियों Opus 4.6, 4.7, और 4.8 के समान कीमत पर आया था), 30% से अधिक तेज़ आउटपुट जेनरेट करता है, और Anthropic के आंतरिक एलाइनमेंट सूट पर अब तक के उसके सर्वोत्तम स्कोर दर्शाता है। प्रदर्शन के लिहाज़ से, यह अधिकांश कार्यों पर Claude Fable 5.1 के क़रीब आता है, वह भी बहुत कम कीमत पर।
हम इस हफ्ते एक रिलीज़ की उम्मीद कर रहे थे और खबरों पर नज़र रखे हुए थे। यह Anthropic के CEO Dario Amodei की सार्वजनिक अपील "pace the frontier" के बाद पहली रिलीज़ है, जिसका आशय सबसे शक्तिशाली मॉडल जल्दबाज़ी में जारी करने के बजाय सुरक्षा कार्य को क्षमताओं से आगे रखना था। सतही तौर पर देखें तो AI को धीमा करने का आह्वान करने के एक हफ्ते बाद नया मॉडल जारी करना विरोधाभासी, पाखंडी या असंगत लग सकता है। लेकिन शायद यह उतना असंगत नहीं है। Opus 5.5 कच्ची बुद्धिमत्ता के बारे में नहीं है। यह उसी प्रदर्शन को सस्ता और अधिक सख्त एलाइनमेंट के साथ देने के बारे में है।
कुछ ही घंटों में, OpenAI ने अपने नए Sol और Luna मॉडल्स के साथ जवाब दिया। इसके बारे में हमारे GPT-6 Sol और Luna गाइड और हमारे GPT-6 Sol बनाम Claude Opus 5.5 के हैंड्स-ऑन तुलना में पढ़ें।
Claude Opus 5.5, Anthropic की नई "5.5" पीढ़ी की पहली रिलीज़ है। यह अब Anthropic की मॉडल लाइनअप के शीर्ष पर बैठता है। Sonnet और Haiku वर्ज़न आने वाले दिनों या हफ्तों में अपेक्षित हैं।
Opus 5.5 उसी तरह के मांग वाले कामों के लिए बनाया गया है जिन पर Opus मॉडल्स हमेशा केंद्रित रहे हैं: लंबे, एजेंटिक कोडिंग रन, जटिल रिसर्च और विश्लेषण, और बहु-चरणीय वर्कफ़्लो जिन्हें कई घंटों तक बिना भटके स्थिर रहना होता है।
जहां इस बार फर्क है: Opus 5.5, Opus 5 का और अधिक चुस्त, दक्ष संस्करण है, जो प्रति कार्य कम टोकन में तुलनीय काम करता है — और यहीं से अधिकांश लागत और गति लाभ आते हैं।
आइए लागत से शुरू करें क्योंकि यही असली सुर्खी है।
कैश रीड्स, जो Anthropic के अनुसार अधिकांश एजेंटिक और कोडिंग लागत बनाते हैं, 60% घटकर $0.50 से $0.20 प्रति मिलियन टोकन रह गए हैं। इनपुट और आउटपुट टोकन भी 20% घटे हैं, और मॉडल Opus 5 की तुलना में 30% से अधिक तेज़ी से आउटपुट जनरेट करता है। रिलीज़ में यह भी शामिल है, भले ही उतना हाईलाइट न किया गया हो: Anthropic Pro, Max, और Team प्लान्स पर पांच घंटे की उपयोग सीमा ढीली कर रहा है, और सब्सक्राइबर्स को एक बैंक करने योग्य रेट-लिमिट रीसेट दे रहा है जिसे वे सहेजकर फिर से उपयोग कर सकते हैं।
Anthropic का कहना है कि सबसे बड़े लाभ छोटे बेंचमार्क की तुलना में व्यापक, वास्तविक दुनिया के कामों पर दिखते हैं। एक शुरुआती टेस्टर ने कथित तौर पर 6,80,000-लाइन का कोड माइग्रेशन एक दिन से कम में पूरा कर लिया — ऐसा काम जिसे अन्यथा इंजीनियरिंग टीम को हफ्तों लगते।
एक आंतरिक परीक्षण में जहाँ Opus 5.5 से एक वेब ऐप के हर पेज पर लोड टाइम्स घटाने को कहा गया, इसने 40 में से 39 बार सफलता पाई, जो मॉडल की स्थिरता भी दिखाता है।
Anthropic ने लेखन शैली को Opus 5 की सबसे आम शिकायत — अनावश्यक लंबाई और जार्गन — के समाधान के रूप में खास तौर पर रेखांकित किया है। Opus 5.5 को सबसे महत्वपूर्ण जानकारी से शुरू करने, कम इडियोसिंक्रैटिक वाक्यांशों का उपयोग करने, और दिए गए हाउस-स्टाइल के और नज़दीक रहने के रूप में वर्णित किया गया है। रिलीज़ में बग-व्याख्या का साथ-साथ उदाहरण शामिल है, और Opus 5.5 वाला संस्करण स्पष्ट तौर पर छोटा है और वास्तविक मूल कारण को शुरुआत में ही सामने रखता है, बजाय इसके कि अंत में जाकर बताए।
Anthropic के अपने रिलीज़ के अनुसार, यहाँ देखें कि Opus 5.5, Fable 5.1, Opus 5 और प्रतिस्पर्धियों की तुलना में कैसा ठहरता है।
| Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol | |
|---|---|---|---|---|---|
| एजेंटिक कोडिंग — Terminal-Bench 4.0 | 66.4% | 55.8% | 52.3% | 57.9% | 37.3% |
| एजेंटिक कोडिंग — FrontierCode v1.1 (Main) | 54.4% | 50.3% | 48.0% | 53.3% | 47.5% |
| एजेंटिक कोडिंग — CursorBench 4.0 | 57.8% | 51.8% | 46.6% | — | 41.7% |
| नॉलेज वर्क — GDPval-AA v2.1 | 1846 | 1735 | 1708 | 1542 | 1588 |
| बिज़नेस वर्कफ़्लोज़ — AutomationBench | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| बहुविषयक तर्क — Humanity's Last Exam (उपकरणों के साथ) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| एजेंटिक वैज्ञानिक शोध — Terminal-Bench-Science 0.1 | 58.7% | 52.6% | 29.0% | 64.6% | 22.4% |
| कंप्यूटर उपयोग — OSWorld 2.0 (आंशिक) | 81.8% | 80.7% | 74.0% | — | — |
| विज़ुअल चार्ट पहचान — Chartography (उपकरणों के साथ) | 89.0% | 88.4% | 83.4% | — | — |
कुछ बातें खास दिखती हैं। Opus 5.5 यहाँ दिखाए गए हर बेंचमार्क पर Fable 5.1 से बेहतर है, जो उल्लेखनीय है क्योंकि Anthropic 5.5 को "Fable-स्तरीय प्रदर्शन, सस्ता" के रूप में पेश कर रहा था, न कि सीधे अपग्रेड के रूप में। मेरा मानना है कि Anthropic इसे खुलकर नहीं कह रहा क्योंकि वे अपनी टियर संरचना की रक्षा करना चाहते हैं। मतलब यह कि: Anthropic, Fable को लाइनअप के शीर्ष पर प्रीमियम में बेचता है। अगर Opus 5.5 को व्यापक रूप से Fable को पछाड़ते हुए जाना गया — तो Fable की कीमत चुकाने वालों के लिए यह असहज सवाल होगा।
खासकर एजेंटिक कोडिंग पर, तीनों बेंचमार्क्स में Opus 5 पर बढ़त बड़ी है। CursorBench पर छलांग तालिका में सबसे बड़ा एकल-बेंचमार्क सुधार है।
अपवादों पर भी ध्यान देना चाहिए। GPT-6 Astra ने AutomationBench (बिज़नेस वर्कफ़्लोज़) और Terminal-Bench-Science (एजेंटिक वैज्ञानिक शोध) दोनों में Opus 5.5 से थोड़ी बढ़त ली है, और दूसरे पर यह मार्जिन काफ़ी साफ़ है। तो आप कह सकते हैं कि कुछ वास्तविक-जीवन वर्कफ़्लो और विज्ञान-शोध कार्यों पर Opus 5.5 अभी भी पीछे है।
पहली नज़र में दृश्य थोड़ा अटपटा लगा। Amodei द्वारा AI प्रगति को धीमा करने का आह्वान करने के कुछ दिनों बाद ही Anthropic ने नया फ्लैगशिप जारी कर दिया।
एक सनकी नज़र में देखें तो "pacing the frontier" कभी सच में सुरक्षा के बारे में था ही नहीं। जब आप आगे हों, तब उद्योग से धीमा चलने को कहना आसान होता है — और राजस्व के हिसाब से Anthropic आगे है।
पर एक और व्याख्या यह हो सकती है कि "pacing the frontier" मॉडल जारी करने के खिलाफ दलील नहीं थी, बल्कि इस बारे में थी कि आप किस प्रकार के मॉडल जारी करेंगे। उस व्याख्या में Opus 5.5 संदेश के अनुरूप बैठता है।
Anthropic कहता है कि Opus 5.5 का प्रदर्शन मोटे तौर पर Fable 5.1 के स्तर पर है, एक ऐसा मॉडल जो पहले से मौजूद था। क्षमता की छत नहीं बढ़ी। बदला यह कि अब उसी स्तर का काम 40% कम लागत पर और 30% से अधिक तेज़ी से होता है। इसके आंतरिक एलाइनमेंट स्कोर भी बेहतर हैं।
| प्रति 1M टोकन | Opus 5.5 | Opus 5 |
|---|---|---|
| इनपुट | $4 | $5 |
| आउटपुट | $20 | $25 |
| कैश रीड्स | $0.20 | $0.50 |
| कैश राइट्स | $5 | $6.25 |
फास्ट मोड — अधिकतम 2.5x स्पीड पर चलने वाला — Claude Code और Claude Platform में उपलब्ध है: प्रति मिलियन इनपुट टोकन $8 और प्रति मिलियन आउटपुट टोकन $40 पर।
मैंने एक चार्ट बनाया है ताकि हम समय के साथ Claude Opus की कीमतें देख सकें। यह समय के साथ कम महंगा हुआ है।
रिलीज़ नोट्स से हमें यह जानकारी मिलती है:
Opus 5.5 को वही श्रेणी के सुरक्षा उपाय मिलते हैं जिन्हें Anthropic, Fable 5.1 के लिए सुरक्षित रखता है — तीन चिन्हित क्षेत्रों में: साइबर सुरक्षा, बायोलॉजी, और डिस्टिलेशन।
Anthropic ने डिटेक्शन मैकेनिज़्म का विवरण नहीं दिया, लेकिन परिणाम यह है कि आने वाले अनुरोधों पर एक स्क्रीनिंग चरण चलता है: प्रॉम्प्ट में कोई चीज़ इन तीन श्रेणियों में से एक में आती है, और अनुरोध Opus 5.5 को भेजे जाने की बजाय, जवाब देने से पहले ही कहीं और रूट हो जाता है। उदाहरण के लिए, साइबर सुरक्षा-चिन्हित प्रॉम्प्ट पुराने Opus 4.8 पर गिरता है, जबकि बायोलॉजी-संबंधित प्रॉम्प्ट Opus 5 पर ऊपर की ओर रूट हो जाता है। तो सुरक्षा उपाय आउटपुट पर फ़िल्टर नहीं है — यह जेनरेशन शुरू होने से पहले लिया गया रूटिंग निर्णय है, और अनुरोध किस मॉडल के पास जाता है, यह इस पर निर्भर करता है कि कौन-सी श्रेणी ट्रिगर हुई।
Anthropic ने रिलीज़ से पहले मॉडल का बाहरी मूल्यांकन METR और Frontier Design से भी करवाया (इन संगठनों के बारे में विवरण FAQs में), जिससे सुरक्षा दावों को केवल Anthropic के शब्दों से आगे एक बाहरी जाँच मिली।
Claude Opus 5.5 अभी Anthropic के अपने प्लेटफ़ॉर्म्स के साथ-साथ Amazon Web Services, Google Cloud और Microsoft Azure पर लाइव है। Claude Platform पर डेवलपर्स इसे सीधे claude-opus-5-5 के रूप में एक्सेस कर सकते हैं।
Claude Opus 5.5 उपयोगकर्ताओं के लिए फायदेमंद है। यह अपने पूर्ववर्ती की तुलना में सस्ता, तेज़ और अधिक सुरक्षित है।
लंबी अवधि में सुरक्षा वाला पहलू अधिक दिलचस्प कहानी है। Amodei के "pacing the frontier" भाषणों के तुरंत बाद आने से दृश्य खराब हो सकते थे — सार्वजनिक तौर पर धीमा चलने का आह्वान करने के एक हफ्ते बाद नया फ्लैगशिप मॉडल। लेकिन यह रिलीज़, चाहे जानबूझकर या नहीं, उस संतुलन को साधती है: क्षमता की छत नहीं बढ़ाई गई, और Opus 5.5 में वही स्तर के सुरक्षा उपाय हैं जो पहले Fable के लिए आरक्षित थे, साथ ही परीक्षण में सैंडबॉक्स-एस्केप प्रयासों की दर में अर्थपूर्ण गिरावट। यह व्यावहारिक रूप से "pacing the frontier" है या बस अच्छा टाइमिंग — मैं नहीं कह सकता। पर यह कम से कम Amodei द्वारा की गई दलील के अनुरूप तो है।
DataCamp के साथ सीखें
कोर्स
कोर्स
कोर्स
