Claude Opus 4.5：基准测试、智能体、工具等

在谷歌发布令人印象深刻的 Gemini 3 之后不久，Anthropic 宣布推出 Claude Opus 4.5，并称其为“全球在编程、智能体与电脑操作方面最强的模型”。 

尽管 Gemini 3 的基准成绩非常亮眼，但在测试软件工程技能的 SWE 基准上，它仍落后于 Claude Sonnet 4.5。随着 Claude Opus 4.5 的发布，Anthropic 在 SWE 基准和其他测试上又一次刷新了自家成绩。 

Claude Opus 4.5 是 Anthropic 在短短两个月内第三次重大发布，继 Sonnet 4.5 和 Haiku 4.5 之后推出。如今 Anthropic 的估值已超过 3500 亿美元，可见其有足够的资源保持这一发布节奏。

本文将全面解析 Claude Opus 4.5 的新变化，涵盖基准测试、新功能，并通过上手测试其能力。  

什么是 Claude Opus 4.5？

Claude Opus 4.5 是 Anthropic 最新的大语言模型。延续自 Opus 4，它是 Anthropic 最先进的模型，重点面向编程、推理与长时任务。该模型在 SWE-bench 上得分 80.9%，在 Terminal-bench 上得分 59.3%。 

Claude Opus 4.5 现已在 Anthropic 的应用、API 与主要云平台上提供。 

Claude Opus 4.5 有哪些新特性？

从官宣中，我注意到以下亮点：

• 智能体式编程：Opus 4.5 在 SWE-bench Verified 上达到业界领先，超越了谷歌的 Gemini 3 Pro 和 OpenAI 的 GPT-5.1。Anthropic 还用一份给潜在性能工程师的高难度居家考试测试了该模型，得分超过历届所有人类候选人。
• 电脑操作：Anthropic 称 Opus 4.5 是“全球在电脑操作方面最好的模型”，也就是说它能像人类一样与软件界面交互，点击按钮、填写表单、浏览网站。
• 日常任务：据 Anthropic 称，该模型在处理电子表格、幻灯片以及开展深度研究方面“有实质性提升”。

与模型发布同时，Anthropic 还宣布了多项产品更新，下面我将详细介绍。包括 Claude for Chrome 浏览器扩展，可让 Claude 跨标签页执行操作，以及 Claude for Excel。

测试 Claude Opus 4.5

如果不把新模型拉出来小试几道题，测评就不算完整。让我们看看这些改进在一系列任务上的表现： 

用经济学问题测试 Opus 4.5

首先，我想看看 Opus 4.5 如何处理一个经典的经济学最优化问题。我设想的是一个对数线性需求模型，用价格预测销量。这是计量经济学课程里常见的内容，同时也非常实用。如果您知道自己的 需求曲线和成本，就可以求出使收入最大化的价格。

Opus 4.5 很快就给出了正确答案，一次性完成，没有拖泥带水。

这一点让我印象深刻，因为几乎所有卖产品的公司都会对销量和价格有一定把握，但未必都有资源去推导这些基础的最优化问题答案。 

不过，只要提示设计得当，您就能轻松得到答案。当然，分析师仍需判断约束条件是否被充分、恰当地建模。

我还喜欢的是：Opus 4.5 会“展示解题过程”。它不只是给出一个数字，而是走了一遍求导、因式分解和代数步骤。如果它出错，我也能看出错在何处。

用统计问题测试 Opus 4.5

接着，我想用统计问题测试 Opus 4.5。我创建了一个数据集，其中 yield 是 temperature 的函数，并加入了噪声。 

library(tidyverse)

set.seed(1024)

# Generate data
n <- 100
df <- data.frame(
  temperature = seq(0, 100, length.out = n)
) %>%
  mutate(yield = 0.5 * temperature + 10 + rnorm(n, 0, 5))

随后我向 Claude 提交了如下提示。 

Claude 返回了如下内容，我据此绘制了下方的直方图。

# Fit model
fit <- lm(yield ~ temperature, data = df)
fitted_vals <- fitted(fit)
resids <- residuals(fit)
original_slope <- coef(fit)[2]

# Residual bootstrap
set.seed(123)
n_boot <- 1000
boot_slopes <- numeric(n_boot)

for (i in 1:n_boot) {
  new_y <- fitted_vals + sample(resids, replace = TRUE)
  boot_fit <- lm(new_y ~ df$temperature)
  boot_slopes[i] <- coef(boot_fit)[2]
}

# Confidence intervals
ci_lower <- quantile(boot_slopes, 0.025)
ci_upper <- quantile(boot_slopes, 0.975)

# Plot
ggplot(data.frame(slope = boot_slopes), aes(x = slope)) +
  geom_histogram(bins = 40, fill = "gray70", color = "white") +
  geom_vline(xintercept = original_slope, color = "red", linewidth = 1) +
  geom_vline(xintercept = ci_lower, color = "steelblue", linetype = "dashed", linewidth = 1) +
  geom_vline(xintercept = ci_upper, color = "steelblue", linetype = "dashed", linewidth = 1) +
  labs(
    title = "Bootstrap Estimate: Effect of Temperature on Yield",
    subtitle = paste0("Estimate: ", round(original_slope, 3), 
                      " | 95% CI: [", round(ci_lower, 3), ", ", round(ci_upper, 3), "]"),
    x = "Slope (yield per °C)",
    y = "Count"
  ) +
  theme_minimal()

我对这个结果很满意。Opus 4.5 求出了斜率的置信区间，这正是我真正想要的。 

它采用了 自助法（bootstrap），这是一种在存在 异方差 时求置信区间的好方法。它更具体地使用了“残差自助法”，而不是对 (X,Y) 对进行重抽样的另一种自助法，后者会假设 X 项存在误差。 

对于从事这类工作的读者来说，这是一个细微但重要的点：当 X 由实验设计固定（正如我在提示中说明的），并且您希望基于这些确切的 X 值进行条件推断（如科学研究中常见），残差自助法更合适。总之，Opus 4.5 听懂了提示中的细节。

用数学问题测试 Opus 4.5

接着，我想看看能否在某种程度上难倒 Opus 4.5。

在这个案例中，模型比我领先一步。Opus 4.5 识别到我的问题是循环定义——我用 Y 定义 X，又用 X 定义 Y，因此在给定条件下无法对回归线的斜率给出有意义的估计。 

用 SQL 优化测试 Opus 4.5

最后，我觉得用一道 SQL 题来测试 Opus 4.5 也会很有趣。我给它发去了一条可用但极不高效的 SQL 查询。 

-- Find customers who placed orders above their average order value in 2024
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_date,
    o.order_total
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
WHERE o.order_date >= '2024-01-01'
    AND o.order_date < '2025-01-01'
    AND o.order_total > (
        SELECT AVG(o2.order_total)
        FROM orders o2
        WHERE o2.customer_id = c.customer_id
    )
    AND c.customer_id IN (
        SELECT DISTINCT o3.customer_id
        FROM orders o3
        WHERE o3.order_date >= '2024-01-01'
    )
    AND EXISTS (
        SELECT 1
        FROM customer_preferences cp
        WHERE cp.customer_id = c.customer_id
            AND cp.email_opt_in = 1
    )
ORDER BY (
    SELECT COUNT(*)
    FROM orders o4
    WHERE o4.customer_id = c.customer_id
) DESC;

我让 Opus 4.5 优化这条查询。它大约一秒就给出了答案。

-- Find customers who placed orders above their average order value in 2024
WITH customer_avg AS (
    SELECT 
        customer_id,
        AVG(order_total) AS avg_order_total,
        COUNT(*) AS order_count
    FROM orders
    GROUP BY customer_id
)
SELECT 
    c.customer_id,
    c.customer_name,
    o.order_id,
    o.order_date,
    o.order_total
FROM customers c
JOIN orders o ON c.customer_id = o.customer_id
JOIN customer_avg ca ON c.customer_id = ca.customer_id
JOIN customer_preferences cp ON c.customer_id = cp.customer_id
WHERE o.order_date >= '2024-01-01'
    AND o.order_date < '2025-01-01'
    AND o.order_total > ca.avg_order_total
    AND cp.email_opt_in = 1
ORDER BY ca.order_count DESC;

除其他之外，Opus 4.5 用 CTE 替换了用于 AVG 的相关子查询。（原查询会在评估的每一行上重复计算 AVG(order_total)，而 CTE 现在会为每位客户预先计算一次平均值。）Opus 4.5 还移除了多余的 IN (SELECT DISTINCT ...) 子句，它只是在做无用功。同时它把 EXISTS 子查询改成了 JOIN，这样更好。

Claude Opus 4.5 的智能体与智能体能力

这次发布还有其他亮点。我们详细看看： 

开发者平台功能

Anthropic 为开发者新增了多种构建模块。其中最引人注目的是 effort 参数，它可控制模型在回复前投入多少“思考”。轻量任务设低值；需要模型深入推理时设高值。 

据 Anthropic 称，在中等 effort 下，Opus 4.5 以 76% 更少的输出 token 达到 Sonnet 4.5 在 SWE-bench 上的最佳成绩；在高 effort 下，它领先 Sonnet 超过 4%，同时输出 token 仍接近减半。

还有改进的上下文管理与记忆能力。对于长时运行的智能体，Claude 现在可以自动总结较早的上下文，避免在任务中途“撞墙”。这与上下文压缩配套使用，使智能体在更少干预下运行更久。

最后，Opus 4.5 在多智能体编排方面表现也相当不错，意味着它可以管理一个子智能体团队。 

Claude Opus 4.5 深度研究

在一项深度研究评测中，Opus 4.5 的表现据称提升了约 15%。

我也对其深度研究能力做了自测。我让它撰写一份关于仍流传至今但不常用的古英语词汇，以及此类词语随时间如何变化的报告。报告在七分钟内完成：