Artificial Analysis 的模型頁面收了 Claude Opus 5.5，我把整頁翻成中文，順便整理 Hacker News 上的討論。這頁顯示的是 max 推理強度版本；同模型另有 xhigh 與 medium 版頁面，分數差很多，看之前先確認自己在看哪一版。
Anthropic 在 2026 年 9 月 22 日發布 Claude Opus 5.5，專有模型，權重不公開。
概覽
| 指標 | 數值 |
|---|---|
| 智慧 | 58 分，206 個模型中排名第 1（4/4 項指標達標） |
| 速度 | 無資料（N/A，速度指標未知） |
| 價格 | 第 87/206：輸入 $4.00、輸出 $20.00 每 100 萬 token，cache 折扣 95%；每個智慧指數任務成本 $5.98（4/4） |
| 冗長度 | 第 89/206：智慧指數評測中產生 2.6 億 output token（4/4） |
| 技術規格 | 推理模型；輸入支援文字與圖片，輸出文字；context window 100 萬 token（約 1,500 張 A4／12 號 Arial） |
比較摘要
- 在智慧面屬領先模型之一，但與同價位模型相比偏貴。
- Intelligence Index 得分 58，遠高於同類模型中位數 25。
- 評測期間產生 2.6 億 output token，相較中位數 9,200 萬，屬極度囉嗦的等級。
- 定價：輸入 $4.00/1M（偏貴，中位數 $2.00）、輸出 $20.00/1M（偏貴，中位數 $10.00）。
- 完整跑完 Intelligence Index 花費 $8,708.20。
- 混合費率（cache hit：輸入：輸出 = 7:2:1）為 $2.94/1M token，價格會隨供應商不同而異；目前僅 1 家 API 供應商提供。
同級比較規則（206 個同級模型）
- 非推理模型：只與非推理模型比較。
- 推理模型：跨推理與非推理比較。
- 開放權重：只與同參數級距比較（Tiny ≤4B、Small 4B–40B、Medium 40B–150B、Large >150B）。
- 專有模型：與同價格區間的開放權重模型比較，採 3:1 輸入/輸出混合價，分 <$0.15、$0.15–$1、>$1 每 1M token 三個區間。
智慧指數（Intelligence Index v4.3.2）
納入 10 個評測，圖表顯示 661 個模型中的 29 個：AA-Briefcase v1.1（更新）、GDPval-AA v2.1（更新）、AutomationBench-AA（更新）、Terminal-Bench 4.0（新增）、SciCode、Humanity’s Last Exam、GDP.pdf（新增）、CritPt、AA-Omniscience、AA-LCR v1.1。
金融與會計指數則由其中 7 個評測組成。
能力評測清單
頁面顯示 26 個中的 18 個：
| 評測 | 說明 |
|---|---|
| AA-Briefcase v1.1（更新） | Agentic 知識工作，(Elo-500)/2000 |
| GDPval-AA v2.1（更新） | Agentic 真實工作任務 |
| AutomationBench-AA（更新） | Agentic SaaS 工作流 |
| Terminal-Bench 4.0（新增） | Agentic 程式設計與終端機操作 |
| SciCode | 程式設計 |
| Humanity’s Last Exam | 推理與知識 |
| GDP.pdf（新增） | 專業文件推理，全對通過率 |
| CritPt | 物理推理 |
| AA-Omniscience 準確率 | 知識 |
| AA-Omniscience 非幻覺率 | 1 減幻覺率 |
| AA-LCR v1.1 | 長 context 推理 |
| Harvey LAB-AA | 法律 agentic 工作通過率 |
| EnterpriseOps-Gym-AA | Agentic 商業營運 |
| AA-AnalystAgent | 表格與文件的量化分析 |
| τ³-Banking | Agentic 工具使用 |
| ITBench-AA | Kubernetes 事故根因分析 |
| MMMU-Pro | 視覺推理 |
| MLCR-AA（新增） | 醫療長 context 推理 |
兩個複合指標值得單獨看：AA-Briefcase Elo 彙整評分通過率、分析品質 Elo 與呈現 Elo，經由虛擬對戰換算 Elo，上下限夾在 0；AA-Omniscience 指數衡量知識可靠性與幻覺，獎勵正確、懲罰幻覺、拒答不扣分，範圍 -100 至 100，0 代表對錯數量相同。
頁面上的其他圖表（智慧與成本對照、token 用量、成本拆解、context window）共用同一段計算說明：每項評測成本依 input、cache hit、cache write、reasoning、answer token 價格計算，除以任務數，再依 Intelligence Index 權重加權；token 數與成本皆排除重試次數。
常見問答
| 問題 | 回答 |
|---|---|
| 何時發布？ | 2026 年 9 月 22 日 |
| 誰開發？ | Anthropic |
| 多聰明？ | Intelligence Index 58 分，遠高於同價位推理模型中位數 25 |
| 多少錢？ | 輸入 $4.00/1M、輸出 $20.00/1M（中位數分別為 $2.00、$10.00），依 Anthropic API 定價 |
| 混合費率？ | 7:2:1 cache/輸入/輸出比例下為 $2.94/1M，各家供應商可能不同 |
| 多囉嗦？ | 評測產生 2.6 億 output token，同價位推理模型中屬偏高（中位數 9,200 萬） |
| 是推理模型？ | 是，以 extended thinking 與 chain-of-thought 先推理再回答 |
| 輸入/輸出模態？ | 輸入文字與圖片，輸出文字；可分析圖片 |
| Context window？ | 100 萬 token |
| 開源嗎？ | 否，權重不公開 |
| 參數量？ | 未公開 |
| 基準表現？ | Intelligence Index 58 分，涵蓋推理、知識、數學、程式設計 |
| 可用 API？ | 是，目前 1 家供應商 |
Hacker News 網友反應
討論串 74 points、31 則留言，五個方向。
Max 等級想太多，直接翻車
Simon Willison 兩次請 max 畫「鵜鶘騎腳踏車的 SVG」都失敗，原因是 128K token 的推理預算全被思考吃掉，來不及輸出答案。他質疑：如果 max 這麼容易過度思考到交不出東西，這設定就沒有實用價值。他拿到的 reasoning trace 只是摘要版，經 token 計數器實測 27,888 token，對照 128K 的實際追蹤量。
留言區接著發現，trace 裡模型說「This is a classic test request」，表示它認得這道題。RGS1811 說這至少證明 Claude 明確見過 pelicanmaxxing 的討論；cubefox 則潑冷水，模型認得題目不等於被 RLVR 刷分訓練過，也可能只是 pretraining 看過網路上的討論。
samuelknight 的結論最直接：max 是用來刷智慧指數的，不是生產環境在用的，開放權重模型也有同現象。sidewndr46 附上實例，工作上請 Opus 5 Max 做自認簡單的任務總是撞到工具上限失敗，改用 High 加上「節省工具調用」的要求，幾分鐘就交出可部署的結果。
等級與成本怎麼選
| 留言者 | 觀點 |
|---|---|
| Someone1234 | 有預算的人用 Medium 價效比最合理，max 成本「完全失控」；他更愛 5.6 Luna 的每元產出 |
| mchusma | High 是甜蜜點，多數基準在 high 之後就持平 |
| hglaser | 同為 high effort，每任務成本只有 Opus 5 的一半 |
| user43928 | Astra High $1.73 比 Opus 5.5 High $1.82 略便宜 |
| makeavish | AA 預設只顯示 max effort，害他誤以為是 token 怪獸；adaptive reasoning 的實際行為仍不明 |
Someone1234 那句「我更被 value 打動，而不是假想的天花板，因為我根本不在那個預算級距」大概是多數人的心聲。
有人質疑基準本身
qsort 直接開罵，求 Artificial Analysis 別再發這種 cringe：模型剛出、數字變大不代表任何資訊，何況這個指數把 Opus 5（他認為是 2026 年最差的發表之一）排在 Astra 之前。losvedir 反駁，指數條目是（模型、推理等級）的組合，他實測 Opus 5 high 對 Astra high，Astra 整體更好，懷疑 qsort 沒搞懂比較單位。
kzrdude 與 Someone1234 則替基準說話：好基準的價值在覆蓋大量競爭者與版本，解讀責任在讀者。但兩人都同意一件事，希望每兩個月重跑一次，因為新模型上線數週後常見效能衰減。breckenedge 的實測支持這個擔心，他的內部資料集重跑後發現 Sol 退化到與 Luna 同級，擔心廠商先衝榜、使用者遷移後就抽地毯。
模型品質與穩定性
- seabass-salmon：Luna 四週前還好，2 至 3 週前在同一複雜度的任務變廢，近日似乎回來一點，「感覺被操縱」。
- sharktheone：發布前就用過，只覺得程式碼品質略好、挫折感略低，終究還是 AI。
- giancarlostoro：多數模型已觸及天花板，過多訓練似乎會產生會欺騙人類的模型。他也認為 Anthropic 定價的驅動力是成本而非貪婪，公司仍在虧損。
發布方式
bkishan 說這是安靜發布，可能是為了搶先 Astra 的公開發表。meric_ 回應 Anthropic 從來都這樣，不搞 OpenAI 式的影片與直播宣傳，只有推 safety 議題時才會大動作。討論串結尾，dgellow 向 Simon Willison 致敬：「你是傳奇，請繼續分享你的鵜鶘。」