AI-LECTURER 速報課｜2026-07-26｜約 26 分鐘

Claude Opus 5 上線：同樣的錢，效能怎麼跳一級？

取材：Introducing Claude Opus 5（Anthropic News）

📍 真實場景

34歲的新創技術主管敏潔，帶著3人工程團隊，同時得兼看程式品質與帳單金額

她正在評估要不要把團隊用的AI編程助手，從舊版模型升級成最新款，好讓自動code review跟修bug的流程更順手

😖 卡住的地方：老闆丟下一句「AI工具月費能不能壓低」，但過去每次為了省錢換成比較陽春的模型，反而常常要跑好幾輪才抓到問題，總時間跟算力花得更多

💡 這篇會告訴她：Anthropic剛發布的新旗艦模型Claude Opus 5，不是「更貴更強」的老套路，而是「同樣的錢、效能跳級」，還多了一個能自己調整「要想多深」的旋鈕，讓她不用再被迫在便宜與夠用之間二選一

🧭 這到底是什麼（白話版）

Anthropic（打造Claude系列AI的公司）最近發布了新一代旗艦模型Claude Opus 5。「旗艦模型」的意思是同一個產品系列裡最頂級、最強的那一顆，通常也是公司拿出來展示技術極限的招牌產品。這次最特別的地方，不是單純「分數更高」，而是跟前一代Opus 4.8相比，在基準測試（Benchmark）用一套固定的標準題目，替不同AI模型打分數，方便大家公平比較誰比較厲害上花一樣的錢，效能卻大幅跳升。

文章特別提到一個新設計，叫做effort setting（努力程度設定）讓使用者自己調整這次要AI「想多深」的一個旋鈕，想得越深通常越準，但也越花時間、越花錢。有了這個設定，同一顆模型就能同時服務「便宜、秒回答的日常小事」跟「不計代價也要做對的重要任務」，不需要為了省錢另外挑一顆比較笨的模型來用。

官方用多個跑分（評測基準）業界公認、拿來評比不同AI模型能力高低的標準化測驗證明這次升級不是紙上談兵：在寫程式與知識型工作的測驗上創下新高，在需要「解決從沒看過的全新問題」的ARC-AGI 3一種測試AI能不能應付陌生、沒練習過的新題型的評測，比較像檢驗「舉一反三」的能力，而不是看它背了多少題庫測驗中，分數是第二名模型的三倍。不過它也不是全能：在資安相關任務上，仍然輸給另一顆叫Mythos 5的模型，說明沒有一顆AI能在所有領域都稱王。

除了寫程式跟解題，Opus 5在生命科學研究生物、化學、醫學等自然科學的領域，這裡特別指用AI幫忙分析實驗數據的應用相關的測驗也全面贏過前代，尤其是從光譜學數據利用光和物質作用後產生的訊號，反推出分子結構長什麼樣子的化學分析技術反推分子結構、以及預測蛋白質序列變化如何影響功能這兩項，進步特別明顯。這代表這顆模型不只是「工程師的AI」，連做實驗、跑數據的科學家也用得上。

🎯 為什麼值得你花時間

同代升級不加價這不是「更貴但更強」的常見套路，而是「一樣的錢，效能跳一級」——文章寫得很清楚：Opus 5是在跟前代Opus 4.8「相同成本」下，效能大幅提升。對已經在用Claude Opus系列的團隊來說，等於直接白拿到效能升級。

多了一個「省錢開關」effort setting讓同一顆模型可以依任務重要性調整運算深度——重要任務開到最高（max），日常瑣事開低一點，一顆模型就能覆蓋所有預算，不用再糾結要不要為了省錢換一顆比較笨的模型。

多步驟任務更靠得住官方強調這代模型更會「檢查、驗證自己的工作，並耐心迭代到成功」。對需要串連很多步驟才能完成的自動化任務（像是自己寫程式、自己抓bug、自己重跑）來說，這直接影響任務最後做不做得完，而不只是回答得好不好看。

⚙️ 它是怎麼運作的

先決定要「想多深」使用者（或串接的系統）可以先選擇這次任務用哪一種effort（努力程度）——想得越深，通常代表模型會多花運算去檢查、推敲。

▼

運算深度換算成時間跟費用不同的effort對應到不同的運算量（也就是要花多少token），運算量越大，回應通常越慢、也越貴，這是一個實際的取捨，不是免費的午餐。

▼

用一整套跑分量出「效能對成本」的曲線官方拿多個標準測驗（像Frontier-Bench、CursorBench），在不同effort設定下各跑一次，畫出「花多少錢、能拿到多少效能」的曲線，而不是只公布一個分數。

▼

多數任務類型：同樣的錢，曲線都在別人上面不管是寫程式（Frontier-Bench v0.1效能是前代兩倍以上、成本更低）、知識工作（Zapier AutomationBench完成率約是第二名的1.5倍）、還是操作電腦畫面（OSWorld 2.0），Opus 5在同樣成本下的表現都超過其他模型。

▼

但少數領域仍有落差在資安相關任務上，Opus 5還是輸給Mythos 5，說明「效能對成本」的曲線並不是每個領域都贏，選模型還是要看場景。

幾個關鍵跑分，Opus 5表現一覽

評測基準	衡量什麼	Opus 5的表現
Frontier-Bench v0.1	真實軟體工程任務的完成品質	超越所有其他模型，效能是前代Opus 4.8的兩倍以上，單次任務成本卻更低
CursorBench 3.2（max effort）	實際寫程式的產出品質	跟Fable 5的最高分只差0.5%，成本卻只要一半
ARC-AGI 3	解決從沒看過的全新問題	分數是第二名模型的三倍
Zapier AutomationBench	能不能從頭到尾獨立完成一件商業任務	同樣成本下完成率約是第二名的1.5倍；連最低effort設定都贏過所有其他模型
OSWorld 2.0	直接操作電腦畫面完成任務（電腦使用能力）	任何成本下都贏過其他模型，只花Fable 5最佳成本三分之一多一點，就超越Fable 5的最佳成績

🤔 這則沒有適合的實作——改用三個問題帶你想深

如果你現在的工作（或想做的專案）需要用到AI編程或知識型助手，你會因為「更便宜」還是「更聰明」決定要不要升級？為什麼？
Opus 5在資安任務上還輸給Mythos 5，如果你要決定該不該把這套系統用在處理機敏資料的場景，這個落差會怎麼影響你的判斷？
官方特別強調這顆模型「會檢查自己的工作、耐心迭代到成功」，如果這變成常態，你覺得工程師這個職業未來最值錢的能力會是什麼——還是寫程式本身，還是別的？

🧠 工程思維透鏡（資深工程師看到的是什麼）

🔭 為什麼Anthropic要設計「effort setting」這種可調整的旋鈕，而不是直接出一顆更強的模型就好？

這反映一種「一顆模型、算力可調」的設計哲學：與其為不同預算、不同延遲需求分別維護好幾顆模型，不如讓同一顆模型透過旋鈕去服務所有場景。對公司來說，這樣可以省下維護、部署、路由（決定哪個任務該用哪顆模型）的複雜度；對使用者來說，也不用在「便宜但笨」跟「聰明但貴」之間被迫二選一，而是同一個產品脈絡下依場景動態權衡。

🔭 為什麼「打平但更便宜」有時候比「絕對最強」更重要？

CursorBench的結果顯示，Opus 5只落後Fable 5峰值0.5%，但成本是一半——對真的要把AI用在日常工作的工程團隊而言，決策依據往往不是「誰分數最高」，而是「性價比曲線」：同樣一塊錢能換到多少效能。文章反覆強調「at a lower cost per task」而不是只講贏了多少分，說明Anthropic很清楚，實際採用決策是看成本效益，不是看排行榜。

🔭 為什麼特別強調模型「更會驗證自己的工作、耐心迭代」，這件事有那麼重要嗎？

在需要一連串步驟才能完成的自動化（agent）任務裡，真正的瓶頸往往不是單一步驟的正確率，而是「複合錯誤率」——只要中間任何一步出錯，整個任務就可能失敗，步驟越多，整體成功率會用指數方式往下掉。「自我驗證、耐心迭代」直接針對的就是這個問題：讓模型在出錯時能自己抓出來、修正，而不是一路錯到底，這是把設計重點從「單次回答準不準」轉向「整個任務做不做得完」。

🔭 Opus 5在資安任務上輸給Mythos 5，這說明了什麼取捨？

沒有一顆模型能在所有維度都贏，這通常反映訓練資源分配是策略性選擇——Anthropic這次顯然把資源更多押在程式工程與知識型工作，而不是資安特化。對實際要採用模型的人來說，這是一個提醒：選模型不該只看「總分」或「知名度」，而要回頭看自己的場景最在乎哪個面向，再去找對應表現最好的那一顆。

📝 隨堂考（點選答案，立即回饋）

Q1. Claude Opus 5跟前一代Opus 4.8相比，在「費用」跟「效能」上發生了什麼變化？

✅ 文章明確寫道Opus 5是在跟Opus 4.8「相同成本」下，效能有大幅度的提升；至於「用一半價錢」是拿來跟Fable 5比，不是跟前代Opus 4.8比，兩個比較對象不要搞混。

Q2. 什麼是「effort setting（努力程度設定）」？

✅ 文章提到effort setting是給客戶用來在「追求更聰明」跟「省token、跑得更快更便宜」之間做選擇的設定，跟程式語言或雲端儲存無關。

Q3. 根據文章，Opus 5目前在哪一類任務上還輸給其他模型？

✅ 文章寫得很清楚：雖然Opus 5在多數評測都創新高，但在資安任務上仍然落後另一顆叫Mythos 5的模型。

Q4. ARC-AGI 3這項測驗，主要是在衡量模型的什麼能力？

✅ 文章形容ARC-AGI 3是要模型去解「novel problems」，也就是全新、沒練習過的題型，比較接近「舉一反三」而不是背題庫。

Q5. 關於OSWorld 2.0（電腦操作能力的測驗）的結果，下列何者正確？

✅ 文章寫道Opus 5在任何成本下都贏過其他模型，而且只花Fable 5最佳成本「剛過三分之一」，就超越了Fable 5的最佳表現。

🃏 翻牌記憶卡（先想答案，再點開對答）

effort setting是什麼？點我翻面

讓使用者自己調整這次要模型「想多深」的旋鈕，想得越深通常越準，但也越花時間跟費用。

Frontier-Bench、GDPval-AA是在測什麼？點我翻面

衡量模型在真實軟體工程與知識型工作任務上的表現的評測基準。

ARC-AGI 3測的是哪種能力？點我翻面

解決從沒看過的全新問題的能力，比較接近「舉一反三」而非死背。

為什麼「同價格效能更好」比「跑分最高」更值得在意？點我翻面

因為實際採用決策看的是性價比——同樣成本能換到多少效能，而不是單純追求最高分。

Opus 5在哪一類任務還輸給Mythos 5？點我翻面

資安（cybersecurity）相關任務。

什麼是「電腦操作（computer use）」類的評測，例如OSWorld 2.0？點我翻面

衡量AI能不能直接操作電腦畫面、點選軟體介面來完成任務的測驗。

✅ 離開前自測（全勾＝這課真的學會了）

我能說出Opus 5相較Opus 4.8，在「費用」與「效能」上各自的變化。我能解釋什麼是effort setting，以及它如何讓使用者在成本與智能之間做取捨。我能舉出至少兩個Opus 5在跑分上超越其他模型的具體例子。我能說出Opus 5目前還輸給哪個模型、在哪一類任務上。我能說明為什麼「性價比曲線」比「單純跑分最高」更適合拿來決定要不要採用新模型。我能判斷：如果我的工作情境涉及機敏資料或資安，這則新聞對我的決策會有什麼影響。