คลอดด์ โอปัส 5: วิเคราะห์ผลทดสอบ ตัวเลขบอกอะไร

Anthropic เปิดตัว Claude Opus 5 เมื่อวันที่ 24 กรกฎาคม 2026 พร้อมชุดข้อกล่าวอ้างเกณฑ์มาตรฐานที่ดูเหมือนจะกวาดเรียบเป็นประวัติการณ์ มีประสิทธิภาพมากกว่า Opus 4.8 ถึงสองเท่าในการประเมินหนึ่งรายการ และมีประสิทธิภาพมากกว่าโมเดลที่อยู่ถัดไปถึงสามเท่าในอีกรายการหนึ่ง เหนือกว่า Fable 5 ด้วยต้นทุนเพียงหนึ่งในสามในรายการที่สาม

นั่นไม่ได้หมายความว่าข้อกล่าวอ้างเหล่านี้ผิด แต่มันหมายความว่าคุณควรอ่านข้อกล่าวอ้างเหล่านี้ในลักษณะเดียวกับที่คุณอ่านแผนภูมิเปิดตัวของผู้จำหน่ายรายใดก็ตาม: อย่างระมัดระวัง โดยให้ความสนใจกับสิ่งที่กำลังวัดผลและสิ่งที่ถูกละเลย คู่มือนี้รวบรวมข้อกล่าวอ้างเกณฑ์มาตรฐาน Opus 5 ที่เผยแพร่ทั้งหมดไว้ในตารางเดียวพร้อมการอ้างอิง อธิบายว่าแต่ละตัวเลขสามารถสนับสนุนอะไรได้บ้างและไม่สามารถสนับสนุนอะไรได้บ้าง ระบุขีดจำกัดที่ Anthropic กำหนดไว้สำหรับโมเดลของตนเอง และปิดท้ายด้วยแผนการประเมินที่คุณสามารถดำเนินการเองได้ใน Apidog

สำหรับโมเดล (claude-opus-5, บริบท 1M, เอาต์พุตสูงสุด 128k, ข้อมูลตัด ณ เดือนพฤษภาคม 2026) โปรดเริ่มต้นด้วย Claude Opus 5 คืออะไร แหล่งข้อมูลหลักด้านล่างนี้คือ โพสต์เปิดตัว Claude Opus 5 ของ Anthropic

ทุกข้อกล่าวอ้างที่เผยแพร่ในตารางเดียว

นี่คือชุดข้อความเกณฑ์มาตรฐานทั้งหมดที่ Anthropic ได้แถลงเมื่อเปิดตัว คอลัมน์การเปรียบเทียบมีความสำคัญไม่แพ้คอลัมน์ผลลัพธ์ เนื่องจากหลายรายการระบุไว้สัมพันธ์กับโมเดลอื่นแทนที่จะเป็นคะแนน

แหล่งที่มาของข้อมูลทั้งหมดข้างต้น: โพสต์เปิดตัวและเอกสารประกอบโมเดลของ Anthropic ยังไม่มีบุคคลที่สามเผยแพร่การจำลองผลลัพธ์ใด ๆ เหล่านี้ ณ เวลาที่เขียน

มีสองสิ่งที่โดดเด่นก่อนที่คุณจะอ่านตัวเลขแต่ละตัว มีเพียงสองจากเก้าแถวเท่านั้นที่แสดงการเปลี่ยนแปลงสัมบูรณ์ในหน่วยคะแนน และ Anthropic เองก็เป็นผู้ระบุสองแถวสุดท้ายที่โมเดลเรือธงตัวใหม่ของตนแพ้

ปัญหาอัตราส่วนและเหตุใดจึงสำคัญ

สี่ในข้อกล่าวอ้าง (Frontier-Bench, ARC-AGI 3, AutomationBench และ CursorBench บางส่วน) ระบุเป็นอัตราส่วนหรือส่วนต่างแทนที่จะเป็นคะแนน นี่คือข้อจำกัดที่แท้จริง ไม่ใช่แค่การจุกจิก และคุ้มค่าที่จะระบุให้ชัดเจนว่าทำไม

• อัตราส่วนซ่อนตัวหาร “ประมาณ 3 เท่าของโมเดลที่ดีที่สุดถัดไป” บน ARC-AGI 3 มีความหมายที่แตกต่างกันไปขึ้นอยู่กับว่าโมเดลอื่น ๆ มีประสิทธิภาพอยู่ที่ใด หากโมเดลที่ดีที่สุดถัดไปได้คะแนน 8% แล้ว 3x คือ 24% ซึ่งเป็นการเคลื่อนไหวที่แท้จริงบนเกณฑ์มาตรฐานที่ยังไม่มีใครใกล้เคียงที่จะแก้ไขได้ หากโมเดลที่ดีที่สุดถัดไปได้คะแนน 25% แล้ว 3x คือ 75% ซึ่งเป็นผลลัพธ์ที่แตกต่างกันอย่างสิ้นเชิง ทั้งสองอย่างสามารถอธิบายได้อย่างซื่อสัตย์ว่าเป็น “3x” คุณไม่สามารถบอกได้ว่าเหตุการณ์ใดเกิดขึ้น และ Anthropic ก็ไม่ได้ระบุ
• การเพิ่มขึ้นเป็นสองเท่าทำได้ง่ายกว่าเมื่ออยู่ส่วนล่างของมาตราส่วน “คะแนนมากกว่า Opus 4.8 ถึงสองเท่า” บน Frontier-Bench v0.1 ก็เป็นปัญหาในรูปแบบเดียวกัน บนเกณฑ์มาตรฐานใหม่ที่ยากลำบาก ซึ่งโมเดลเรือธงรุ่นก่อนได้คะแนนหลักเดียวหรือน้อยกว่าสิบปลาย ๆ การเพิ่มเป็นสองเท่าเป็นการเพิ่มขึ้นสัมบูรณ์ที่น้อยกว่าที่คำพูดสื่อถึง บนเกณฑ์มาตรฐานที่ 4.8 ได้คะแนน 40% อยู่แล้ว การเพิ่มเป็นสองเท่าก็จะเป็นสิ่งที่น่าทึ่งมาก สตริงเวอร์ชันเป็นคำใบ้ในที่นี้: v0.1 เป็นเกณฑ์มาตรฐานที่ไม่มีประวัติการเผยแพร่ ไม่มีผลการจำลองจากชุมชน และไม่มีจุดอิ่มตัวที่กำหนดไว้
• “โมเดลที่ดีที่สุดถัดไป” ไม่ได้ระบุชื่อ ข้อกล่าวอ้างสองรายการเปรียบเทียบ Opus 5 กับคู่แข่งที่ไม่ระบุชื่อ คู่แข่งนั้นอาจเป็น Fable 5, Mythos 5 หรือโมเดลจากห้องทดลองอื่น ชุดการเปรียบเทียบจะเป็นตัวกำหนดว่าอัตราส่วนนั้นมีความหมายมากน้อยเพียงใด และยังไม่เปิดเผย
• ส่วนต่างต้องมีหน่วย “อยู่ภายใน 0.5% ของประสิทธิภาพสูงสุดของ Fable 5” บน CursorBench 3.2 ไม่ได้ระบุว่าเป็น 0.5 จุดเปอร์เซ็นต์ หรือความแตกต่างสัมพัทธ์ 0.5% และคำว่า “สูงสุด” บ่งชี้ถึงการรันด้วยการตั้งค่าที่ดีที่สุดมากกว่าการตั้งค่าเริ่มต้น บนเกณฑ์มาตรฐานการเขียนโค้ด ความแตกต่างระหว่างการตั้งค่า effort เริ่มต้นกับการตั้งค่าสูงสุดไม่ใช่เรื่องเล็กน้อย การวิเคราะห์เกณฑ์มาตรฐาน Fable 5 ของเราครอบคลุมถึงวิธีการกำหนดตัวเลขของโมเดลนั้น

ตัวเลขทางวิทยาศาสตร์สองรายการเป็นข้อกล่าวอ้างที่ชัดเจนที่สุดในชุดนี้อย่างแม่นยำเพราะหลีกเลี่ยงทั้งหมดนี้: +10.2 คะแนนในเคมีอินทรีย์ และ +7.7 คะแนนในการวิเคราะห์โปรตีน เป็นผลต่างสัมบูรณ์เมื่อเทียบกับฐานที่กำหนด คุณยังไม่ได้รับคะแนนเริ่มต้น แต่คุณรู้แน่ชัดว่าโมเดลมีการเคลื่อนที่ไปไกลแค่ไหน

ข้อกล่าวอ้างเรื่องต้นทุนต่อภารกิจขึ้นอยู่กับการกำหนดค่า

ข้อกล่าวอ้างสามรายการของ Anthropic ผนวกรวมความสามารถเข้ากับต้นทุน: ต้นทุนต่อภารกิจที่ต่ำลงบน Frontier-Bench, ต้นทุนเพียงหนึ่งในสามบน OSWorld 2.0, ราคาครึ่งหนึ่งบน CursorBench 3.2

ครึ่งหนึ่งของราคาที่แสดงสามารถตรวจสอบได้และเป็นจริง Opus 5 มีค่าใช้จ่าย 5 ดอลลาร์ต่อล้านโทเค็นอินพุต และ 25 ดอลลาร์ต่อล้านโทเค็นเอาต์พุต ซึ่งเหมือนกับ Opus 4.8 และเป็นครึ่งหนึ่งของราคา Fable 5 ที่ 10/50 ดอลลาร์ สิ่งนี้ถูกเผยแพร่ใน หน้าการกำหนดราคา ของ Anthropic และไม่ใช่ผลลัพธ์ของเกณฑ์มาตรฐานแต่อย่างใด การคำนวณทั้งหมด รวมถึงการเขียนแคช, อัตราการประมวลผลเป็นชุด, และค่าบริการพิเศษสำหรับโหมดเร่งด่วน อยู่ใน การวิเคราะห์ราคา Opus 5 ของเรา

ต้นทุนต่อภารกิจเป็นปริมาณที่แตกต่างกัน ขึ้นอยู่กับจำนวนโทเค็นที่ใช้ในการรัน ซึ่งขึ้นอยู่กับระดับความพยายาม (effort level) ว่าเปิดใช้งานการคิด (thinking) หรือไม่ จำนวนรอบที่ลูปตัวแทน (agentic loop) ใช้ไป และจำนวนตัวแทนย่อย (subagents) ที่ถูกสร้างขึ้น คำแนะนำการพร้อมต์ของ Anthropic เองระบุว่า Opus 5 สร้างการตอบสนองเริ่มต้นที่ยาวกว่า Opus 4.8 มอบหมายงานให้กับตัวแทนย่อยได้ง่ายกว่า และขยายขอบเขตของภารกิจบ่อยขึ้น ทั้งสามสิ่งนี้ผลักดันให้การใช้โทเค็นเพิ่มขึ้นในภาระงานจริง ดังนั้นการรันที่ปรับแต่งสำหรับแผนภูมิต้นทุนต่อภารกิจจึงไม่ใช่การกำหนดค่าที่คุณจะนำไปใช้งานโดยอัตโนมัติ

ไม่มีสิ่งใดที่ทำให้เรื่องราวต้นทุนนี้เป็นเท็จ ราคาที่แสดงครึ่งหนึ่งก็คือราคาที่แสดงครึ่งหนึ่ง และ การเปรียบเทียบ Opus 5 กับ Fable 5 ของเราแสดงให้เห็นว่าช่องว่างนั้นคุ้มค่าจริง ๆ อย่างไร นั่นหมายความว่าอัตราส่วนต้นทุนต่อภารกิจเป็นผลผลิตของการตั้งค่าเฉพาะ และของคุณจะแตกต่างออกไป จงวัดผลมัน

ขีดจำกัดที่ Anthropic ระบุเอง

บรรทัดที่มีประโยชน์ที่สุดในเอกสารเปิดตัวคือบรรทัดที่ไม่ใช่ชัยชนะ Anthropic ระบุไว้อย่างชัดเจนว่า Opus 5 ยังคงตามหลัง Mythos 5 ในด้านการใช้ประโยชน์จากช่องโหว่ทางไซเบอร์และการวิจัยชีววิทยาอัตโนมัติ Fable 5 ยังคงรักษาสถานะ “โมเดลที่เปิดตัวในวงกว้างที่มีความสามารถมากที่สุด”

สิ่งนี้ควรกล่าวซ้ำอีกครั้งเพราะข่าวส่วนใหญ่ไม่ได้กล่าวถึงมัน Opus 5 ไม่ใช่จุดสูงสุดของชุดโมเดล Claude บทสรุปที่ซื่อสัตย์คือความสามารถระดับแนวหน้าในราคาครึ่งหนึ่งของโมเดลแนวหน้า โดยมีขีดจำกัดที่ระบุไว้เหนือกว่า สำหรับการวิจัยความปลอดภัยระดับแนวหน้าหรืองานวิทยาศาสตร์อัตโนมัติ คำตอบของเกณฑ์มาตรฐานยังคงเป็นระดับ Mythos ซึ่งครอบคลุมอยู่ใน คำอธิบายโมเดลระดับ Mythos และ การเปรียบเทียบ Fable 5 กับ Mythos 5 ของเรา

ยังมีผลกระทบจากการดำเนินงานอีกด้วย Anthropic ได้จัดส่งตัวเลือก fallbacks: "default" (อยู่เบื้องหลังเฮดเดอร์เบต้า server-side-fallback-2026-07-01) ซึ่งจะกลับไปใช้ Opus 4.8 โดยอัตโนมัติเมื่อ Opus 5 ปฏิเสธคำขอในหมวดหมู่ไซเบอร์ โมเดลที่มีการปฏิเสธทางไซเบอร์ที่เข้มงวดกว่าต้องการช่องทางสำรอง และการมีอยู่ของช่องทางสำรองนั้นบอกคุณบางสิ่งที่แผนภูมิไม่ได้บอก

สิ่งที่เกณฑ์มาตรฐานไม่ได้ครอบคลุมเลย

เกณฑ์มาตรฐานวัดการทำงานให้สำเร็จ ไม่ได้วัดสิ่งที่ตัดสินใจว่าโมเดลจะทำงานในผลิตภัณฑ์ของคุณได้หรือไม่:

• การเปลี่ยนแปลงพฤติกรรมเมื่อย้ายระบบ Opus 5 ตรวจสอบงานของตัวเองโดยไม่ต้องแจ้ง หากพร้อมต์ของคุณยังคงมีคำสั่ง “ตรวจสอบคำตอบของคุณอีกครั้ง” จาก Opus 4.8 คุณจะได้รับการตรวจสอบมากเกินไปและใช้โทเค็นเปลือง คู่มือการพร้อมต์สำหรับ Opus 5 ของ Anthropic แนะนำให้ลบคำสั่งเหล่านั้นออก
• ความยาวของเอาต์พุต การตอบสนองเริ่มต้นและเอกสารที่สร้างขึ้นมีความยาวกว่าบน Opus 4.8 การลดความพยายาม (effort) จะช่วยลดโทเค็นที่ใช้ในการคิด ไม่ใช่ความยาวที่มองเห็น คุณต้องระบุอย่างชัดเจนเพื่อให้ได้ความกระชับ
• โหมดความล้มเหลวเมื่อปิดการคิด เมื่อตั้งค่า thinking: {type: "disabled"} การเรียกใช้เครื่องมือบางครั้งจะปรากฏเป็นข้อความธรรมดาที่ไม่ทำงาน และทำให้เกิดปัญหาในรอบถัดไปในลูปตัวแทน และแท็ก XML ภายในบางครั้งอาจรั่วไหลไปสู่เอาต์พุตที่มองเห็นได้ ไม่มีแผนภูมิเกณฑ์มาตรฐานใดแสดงสิ่งนี้ให้คุณเห็น
• การปรับเทียบระดับความพยายามใหม่ ระดับความพยายามได้รับการปรับเทียบใหม่บน Opus 5 และ Anthropic แนะนำให้ทดสอบใหม่ทั้งหมด แทนที่จะใช้การตั้งค่าของ 4.8 ผลลัพธ์เกณฑ์มาตรฐานที่ระดับความพยายามหนึ่งจะไม่บอกอะไรคุณเกี่ยวกับปริมาณงานของคุณในอีกระดับหนึ่ง โปรดดู คู่มือพารามิเตอร์ความพยายาม
• ข้อผิดพลาด 400 ที่คุณจะเจอ การรวม thinking: {type: "disabled"} กับระดับความพยายาม xhigh หรือ max จะส่งคืนข้อผิดพลาด 400 ซึ่งถูกบังคับใช้ต่อคำขอ นี่เป็นรายละเอียดการย้ายระบบ ไม่ใช่เรื่องความสามารถ และครอบคลุมอยู่ใน คู่มือการย้ายระบบจาก Opus 4.8 ไปยัง Opus 5

สิ่งที่คุณควรทดสอบด้วยตัวเอง

เกณฑ์มาตรฐานของผู้จำหน่ายเป็นเพียงสมมติฐานเริ่มต้น นี่คือการประเมินสั้น ๆ ที่คุณสามารถทำได้ในบ่ายวันหนึ่ง ซึ่งจะบอกคุณเกี่ยวกับ Opus 5 สำหรับภาระงานของคุณได้มากกว่าตัวเลขทั้งหมดที่กล่าวมาข้างต้นรวมกัน

1. สร้างชุดงานขนาดเล็กจากประวัติของคุณเอง งานจริง 20 ถึง 50 งาน เช่น ตั๋วที่ปิดไปแล้ว, PR ที่รวมเข้าด้วยกัน, หรือกระทู้สนับสนุนที่โมเดลของคุณน่าจะจัดการได้ ข้อมูลนำเข้าจริงดีกว่าข้อมูลสังเคราะห์ เพราะมันมีการจัดรูปแบบ, ความกำกวม, และกรณีพิเศษที่คุณเผชิญอยู่จริง
2. ระบุการกำหนดค่าให้ชัดเจนแล้วจดไว้ รหัสโมเดลคือ claude-opus-5 อย่างแม่นยำ พร้อมด้วยระดับ output_config.effort ของคุณ, ว่าเปิดใช้งานการคิด (thinking) หรือไม่, และ max_tokens ของคุณ การกำหนดค่าที่ไม่ชัดเจนจะทำให้การเปรียบเทียบในภายหลังไม่มีความหมาย
3. ประเมินต้นทุนต่อภารกิจที่สำเร็จ ไม่ใช่ต้นทุนต่อโทเค็น อ่านบล็อก usage ในทุกการตอบสนอง และบันทึกโทเค็นอินพุต, เอาต์พุต, การอ่านแคช, และการเขียนแคชต่อภารกิจ จากนั้นหารค่าใช้จ่ายทั้งหมดด้วยจำนวนภารกิจที่ผ่านการตรวจสอบการยอมรับของคุณ นี่คือตัวเลขที่แผนภูมิของ Anthropic กล่าวอ้าง ดังนั้นจึงเป็นตัวเลขที่คุณควรสร้างซ้ำ
4. ดำเนินการทดสอบระดับความพยายามจริง ใช้ชุดงานเดียวกันที่ระดับ low, medium, high, และ xhigh การปรับเทียบใหม่หมายความว่าระดับ low และ medium มีความแข็งแกร่งอย่างมีนัยสำคัญบน Opus 5 มากกว่าบนโมเดล Opus รุ่นก่อนหน้า และภาระงานจำนวนมากจะพบว่าระดับที่ถูกกว่าก็สามารถผ่านได้บ่อยครั้งเท่ากัน ให้สังเกต max_tokens ที่ระดับสูงสุด
5. ทดสอบลูปตัวแทน (agentic loop) ไม่ใช่การตอบโต้ครั้งเดียว เกณฑ์มาตรฐานส่วนใหญ่ในการเปิดตัวเป็นแบบตัวแทน (agentic) (OSWorld, CursorBench, AutomationBench) การตรวจสอบเฉพาะจุดแบบครั้งเดียวจะไม่สามารถทำซ้ำผลลัพธ์เหล่านั้นได้ ให้รันแบบหลายรอบพร้อมเครื่องมือจริงของคุณที่เชื่อมต่ออยู่ และนับจำนวนรอบ ไม่ใช่แค่นับผลลัพธ์
6. เปรียบเทียบกับโมเดลปัจจุบันของคุณในชุดงานเดียวกัน ไม่ว่าคุณจะใช้งานอะไรอยู่ทุกวันนี้ ไม่ว่าจะเป็น Opus 4.8 หรือ Sonnet 5 หรืออย่างอื่น ให้รันผ่านระบบทดสอบที่เหมือนกัน ผลลัพธ์สัมพัทธ์จากข้อมูลของคุณเองมีค่ามากกว่าคะแนนสัมบูรณ์จากข้อมูลของผู้อื่น
7. บันทึกการปฏิเสธแยกต่างหาก งานที่เกี่ยวข้องกับไซเบอร์จะพบกับการปฏิเสธบ่อยกว่าบน 4.8 ให้นับจำนวนการปฏิเสธเหล่านั้นก่อนที่คุณจะตัดสินใจว่าเฮดเดอร์สำรองคุ้มค่าที่จะใช้งานหรือไม่

สำหรับระเบียบวิธีเปรียบเทียบในการเปิดตัวครั้งก่อน บทความเกณฑ์มาตรฐาน Sonnet 5 ของเราได้อธิบายการทดลองแบบเดียวกัน และ คู่มือ API ของ Opus 5 มีรูปแบบคำขอ

การรันการประเมินใน Apidog

การประเมินข้างต้นคือชุดคำขอ HTTP ที่มีเฮดเดอร์การตรวจสอบสิทธิ์, บอดี้ JSON, การตอบสนองแบบสตรีมมิ่ง, และบล็อก usage ที่คุณต้องอ่านในการเรียกใช้แต่ละครั้ง นั่นคืองาน API ทั่วไป ซึ่งเป็นสิ่งที่ Apidog จัดการได้

การตั้งค่าที่ใช้งานได้:

1. สร้างคำขอหนึ่งรายการไปยัง Anthropic Messages endpoint และจัดเก็บคีย์ API ของคุณเป็นตัวแปรสภาพแวดล้อมแทนที่จะวางลงในบอดี้
2. ทำซ้ำคำขอนั้นหนึ่งครั้งต่อระดับความพยายาม เพื่อให้คุณสามารถส่งพร้อมต์เดียวกันที่ระดับ low ถึง xhigh และเปรียบเทียบการตอบสนองแบบเคียงข้างกัน
3. เปิดใช้งานการสตรีมมิ่งและตรวจสอบเหตุการณ์ SSE โดยตรงเมื่อคุณต้องการดูว่าโทเค็นการคิดสะสมอย่างไรก่อนที่คำตอบที่มองเห็นจะเริ่มขึ้น
4. ตรวจสอบเพย์โหลดการเรียกใช้เครื่องมือในการตอบสนอง เพื่อยืนยันว่าโมเดลกำลังส่งการเรียกใช้เครื่องมือที่มีโครงสร้างจริง ๆ แทนที่จะอธิบายเป็นข้อความ ซึ่งเป็นสิ่งที่ควรระวังเมื่อปิดใช้งานการคิด
5. เพิ่มการยืนยันในฟิลด์ usage เพื่อให้การเรียกใช้แคชและจำนวนโทเค็นถูกบันทึกในการรันทุกครั้ง แทนที่จะประเมินด้วยสายตา
6. บันทึกทั้งหมดเป็นคอลเลกชัน เพื่อที่การเปิดตัวโมเดลครั้งต่อไปจะเป็นเพียงการสลับรหัสโมเดล ไม่ใช่การสร้างใหม่ทั้งหมด

นี่คือคำขอพื้นฐาน:

curl https://api.anthropic.com/v1/messages \
  --header "x-api-key: $ANTHROPIC_API_KEY" \
  --header "anthropic-version: 2023-06-01" \
  --header "content-type: application/json" \
  --data '{
    "model": "claude-opus-5",
    "max_tokens": 8192,
    "output_config": {"effort": "medium"},
    "messages": [
      {"role": "user", "content": "Fix the failing test in this diff."}
    ]
  }'

เปลี่ยนฟิลด์หนึ่งรายการต่อการรัน เก็บส่วนที่เหลือให้คงที่ และบันทึกบล็อก usage ทุกครั้ง ดาวน์โหลด Apidog หากคุณต้องการทำตามรูปแบบดังกล่าวโดยที่มีสภาพแวดล้อมและการยืนยันเชื่อมต่อไว้เรียบร้อยแล้ว

สรุปอย่างตรงไปตรงมา

เรื่องราวเกณฑ์มาตรฐานของ Opus 5 นั้นแข็งแกร่งอย่างแท้จริง: เป็นการก้าวกระโดดที่ยิ่งใหญ่ที่สุดเมื่อเทียบกับรุ่นก่อนหน้าตามที่ Anthropic อ้างสำหรับการเปิดตัว Opus โดยที่ราคาที่แสดงไม่มีการเปลี่ยนแปลง นอกจากนี้ยังดำเนินการโดยผู้จำหน่ายทั้งหมด ยังไม่มีการจำลองซ้ำ ณ วันที่ 25 กรกฎาคม 2026 และส่วนใหญ่ระบุเป็นอัตราส่วนที่ซ่อนตัวหารของมัน ทั้งสองสิ่งนี้เป็นจริงพร้อมกัน

ให้ถือว่าตารางที่ด้านบนของหน้านี้เป็นสมมติฐานของ Anthropic เกี่ยวกับโมเดลของตนเอง จากนั้นไปหาตัวเลขของคุณเอง ช่องว่างระหว่างแผนภูมิการเปิดตัวกับภาระงานในการผลิตคือจุดที่การย้ายระบบโมเดลแต่ละครั้งถูกตัดสินใจจริง ๆ และ คู่มือหลักของ Opus 5 ครอบคลุมส่วนที่เหลือของการเปลี่ยนแปลง

คำถามที่พบบ่อย

เกณฑ์มาตรฐานของ Claude Opus 5 ได้รับการตรวจสอบอย่างเป็นอิสระหรือไม่? ไม่ ณ วันที่ 25 กรกฎาคม 2026 ผลลัพธ์เกณฑ์มาตรฐาน Opus 5 ที่เผยแพร่ทั้งหมดมาจาก Anthropic ยังไม่มีห้องปฏิบัติการบุคคลที่สามหรือผู้ประเมินอิสระเผยแพร่การจำลองซ้ำ โปรดอ่านข้อมูลเหล่านี้ในฐานะตัวเลขที่ผู้จำหน่ายรายงาน

ข้อกล่าวอ้างเกณฑ์มาตรฐานที่ยิ่งใหญ่ที่สุดของ Opus 5 คืออะไร? คือ Frontier-Bench v0.1 ซึ่ง Anthropic ระบุว่า Opus 5 มีคะแนนมากกว่า Opus 4.8 ถึงสองเท่าด้วยต้นทุนต่อภารกิจที่ต่ำลง Anthropic ไม่ได้เผยแพร่คะแนนพื้นฐาน แต่เผยแพร่เพียงอัตราส่วนเท่านั้น และ Frontier-Bench v0.1 เป็นเกณฑ์มาตรฐานใหม่ที่ยังไม่มีประวัติที่ได้รับการยอมรับ

Claude Opus 5 เป็นโมเดล Claude ที่มีความสามารถมากที่สุดหรือไม่? ไม่ Fable 5 ยังคงรักษาสถานะ “โมเดลที่เปิดตัวในวงกว้างที่มีความสามารถมากที่สุด” และ Anthropic ระบุว่า Opus 5 ยังคงตามหลัง Mythos 5 ในด้านการใช้ประโยชน์จากช่องโหว่ทางไซเบอร์และการวิจัยชีววิทยาอัตโนมัติ จุดเด่นของ Opus 5 คือความสามารถระดับแนวหน้าในราคาเพียงครึ่งหนึ่งของ Fable 5 ไม่ใช่จุดสูงสุดของโมเดลทั้งหมด

Opus 5 ดีกว่า Opus 4.8 ในงานด้านวิทยาศาสตร์แค่ไหน? Anthropic รายงานว่าเพิ่มขึ้น +10.2 คะแนนในเคมีอินทรีย์ และ +7.7 คะแนนในการวิเคราะห์โปรตีนเหนือ Opus 4.8 นี่คือข้อกล่าวอ้างสองรายการที่ระบุเป็นผลต่างสัมบูรณ์ (absolute deltas) แทนที่จะเป็นอัตราส่วน ซึ่งทำให้ง่ายต่อการตีความมากที่สุด แม้ว่าคะแนนพื้นฐานจะไม่ได้ถูกเผยแพร่ก็ตาม

Opus 5 เอาชนะ Fable 5 ได้หรือไม่? ตามตัวเลขของ Anthropic แล้ว มันเหนือกว่า Fable 5 ใน OSWorld 2.0 ด้วยต้นทุนเพียงหนึ่งในสาม และทำผลงานได้ใกล้เคียงกับจุดสูงสุดของ Fable 5 ภายใน 0.5% ใน CursorBench 3.2 ด้วยราคาครึ่งหนึ่ง Fable 5 ยังคงรักษาสถานะโมเดลที่มีความสามารถโดยรวมไว้ได้ โปรดดู การเปรียบเทียบฉบับเต็ม

ฉันควรทดสอบเกณฑ์มาตรฐานอะไรด้วยตัวเอง? ต้นทุนต่อภารกิจที่สำเร็จ (cost per resolved task) สำหรับงานจริง 20 ถึง 50 งานจากรายการค้างของคุณ โดยรันที่ระดับความพยายามหลายระดับ พร้อมด้วยเครื่องมือจริงของคุณที่เชื่อมต่ออยู่ และเปิดใช้งานลูปแบบหลายรอบ เปรียบเทียบกับสิ่งที่คุณใช้งานอยู่ในปัจจุบันบนระบบทดสอบที่เหมือนกัน