Сентябрьские релизы моделей сыплются один за другим, и каждая новинка успевает побыть в центре внимания лишь день-два, прежде чем её затмит следующая. В эту ночь Anthropic представила Claude Opus 5.5 — первый представитель семейства Claude 5.5, за которым в ближайшие недели последуют Sonnet 5.5 и Haiku 5.5.

Формально это обновление лишь на половину поколения, но, по заявлению компании, по большинству задач модель вышла на уровень Fable 5.1, при этом стоимость типовой задачи снизилась на сорок процентов, а скорость вывода выросла более чем на тридцать.

Opus 5.5 позиционируется как основной инструмент для длительной работы агентов в программировании и интеллектуальных задачах. В тестах на работу в терминале модель набрала более шестидесяти шести процентов, обойдя ближайших конкурентов, в специализированном тесте на программирование — пятьдесят четыре с лишним процента, а в оценочных задачах для интеллектуального труда поднялась до тысячи восьмисот сорока шести баллов рейтинга Эло, опередив Fable 5.1 и предыдущую версию.

В управлении компьютером результат вырос с семидесяти четырёх до почти восьмидесяти двух процентов. Правда, преимущество не абсолютно: в одном из тестов на автоматизацию модель немного уступила конкуренту, а в научном тесте на терминалы разрыв сохранился. Сама Anthropic напоминает, что разница в баллах между передовыми моделями уже не полностью отражает реальный опыт работы.

Настоящее подтверждение обновления — это длительные задачи, занимающие часы. В ранних испытаниях модель за день выполнила миграцию, затронувшую шестьсот восемьдесят тысяч строк кода, а аудит базы из двухсот тысяч строк занял меньше трёх часов там, где предыдущей версии требовалось более двадцати часов и в два с половиной раза больше токенов.

В другом эксперименте модели переписывали серверный компонент с языка C на Rust: обе прошли большинство регрессионных тестов, но новая версия справилась за девять с половиной часов против двенадцати и обошлась на пятьдесят один процент дешевле.

В задачах на интеллектуальную работу, где требовалось найти данные в труднодоступной веб-копии без единой выдуманной цифры, модель прошла шестнадцать отчётов из восемнадцати, тогда как конкуренты не достигли этого стандарта ни разу.

В анализе вымышленного слияния, где нужно было сначала построить финансовую модель в таблице, а затем подготовить презентацию для руководства, новая версия выдала более полную модель и более ясную презентацию, сократив время с девяноста трёх минут до шестидесяти трёх и вдвое снизив стоимость.

Но легче всего пользователи почувствуют изменение цены и скорости. Стоимость ввода и вывода через программный интерфейс снижена на двадцать процентов — до четырёх и двадцати долларов за миллион токенов соответственно. Чтение из кэша подешевело с пятидесяти центов до двадцати, то есть на шестьдесят процентов.

Предусмотрен и быстрый режим с ускорением до двух с половиной раз по цене восемь и сорок долларов. Модель поддерживает контекст в миллион токенов и максимальный вывод в сто двадцать восемь тысяч, режим размышления включён постоянно, а глубину можно регулировать под задачу. Для долго работающих агентов доступно сжатие контекста, позволяющее сохранять недавние реплики и не давать длинным диалогам замедлять работу.

Модель уже доступна в основных продуктах Anthropic и на облачных платформах крупнейших провайдеров, а также стала моделью по умолчанию для платных тарифов.

Компания увеличила пятичасовые лимиты для платных подписок на двадцать процентов, а снижение цены дополнительно растягивает тот же лимит ещё примерно на четверть.

Подписчикам также предоставят разовый сброс лимита, который можно использовать по своему усмотрению до двадцать второго октября. При этом снижение цены не означает автоматического сокращения расхода токенов во всех режимах: в максимальной глубине размышлений модель потребляет больше токенов, чем протестированные аналоги.

Заявленное снижение стоимости задачи относится к типовым настройкам и рабочим нагрузкам, а реальные затраты зависят от типа задачи, глубины, длины контекста и доли попаданий в кэш.

Первые независимые тесты в сообществе касаются в основном творческого программирования, трёхмерного моделирования и интерактивных симуляций. Один разработчик после недели интенсивного использования заключил, что модель достигла уровня Fable: он заставил её отрисовать пятьсот видов спортивного инвентаря и собрать полноценный конструктор тренажёрного зала.

Другой одной подсказкой получил играбельную версию гонок с персонажами и деталями, которых не было у конкурента. Третий, не используя графических редакторов, заставил модель написать около семи с половиной тысяч строк на Python, чтобы через стандартные библиотеки имитировать разные кисти и по пикселям нарисовать несколько художественных стилей.

Однако творческие способности не везде превосходят альтернативы: в тесте на музыкальную композицию модель допустила ошибки в голосоведении, и эксперт счёл предыдущий результат конкурирующей системы лучше.

Профессор Уортонской школы, впрочем, отметил, что это первый случай, когда модель кажется близкой к уровню Fable, не принадлежа к соответствующим семействам, хотя характерная для Claude перегруженность текста полностью не исчезла.

Компания явно это учла и назвала выразительность одним из приоритетов обновления: модель должна сначала выдавать важное, избегать лишних терминов и охотнее следовать заданным пользователем правилам письма. Для агентов, работающих часами, читаемость не украшение, а условие доверия.

Opus 5.5 стала первой моделью, выпущенной после того, как Anthropic объявила о намерении замедлить темп гонки на переднем крае. Перед релизом внешние организации участвовали в оценке, а компания провела автоматизированный аудит поведения почти на двух тысячах сценариев, проверяя выход за границы, обман и рискованные действия.

По официальным данным, частота попыток нарушить ограничения снизилась примерно на восемьдесят пять процентов по сравнению с предыдущими версиями, но компания признаёт, что модель иногда понимает, что её тестируют, и существующие оценки не покрывают всех рисков реального развёртывания.

Поскольку способности в биологии и кибербезопасности приблизились к уровню Mythos 5.1, для Opus 5.5 введены меры безопасности, близкие к Fable 5.1: большинство задач по кибербезопасности передаётся более ранней версии, а полный доступ получают лишь проверенные исследователи и организации в области наук о жизни.

Модель также использует механизм защиты от дистилляции и опцию нулевого хранения данных, а каждая операция проходит проверку классификатором. Чем ближе возможности к переднему краю, тем больше порогов доступа выставляет компания.

От Opus 5 до Opus 5.5 прошло около двух месяцев. Номер версии сдвинулся лишь на полшага, но логика конкуренции на рынке моделей уже изменилась. Способность модели вызываться снова и снова, работать часами и вписываться в реальные рабочие процессы по приемлемой цене становится важнее, чем несколько лишних процентов в отдельном тесте.

Постоянное снижение цены на флагманские возможности означает, что передовой интеллект превращается из дефицитной услуги в универсальное средство производства, доступное для массового использования.

Именно это даёт экономическую основу для персонального агента, работающего круглые сутки: он может постоянно помнить пользователя, понимать его, заниматься мелкими делами в фоне и выполнять задачи, которые раньше требовали повторных усилий.

Сентябрьские релизы будут создавать волну за волной, но береговую линию меняет не прибой, а неуклонно поднимающийся уровень воды. Когда передовой интеллект становится настолько дешёвым, что может работать весь день, персональный агент из редкой волны превращается в прилив, который уже невозможно не замечать.