Miközben az OpenAI éppen arról számolt be, hogy az új GPT-6 Sol és GPT-6 Luna modelljei mennyire jól teljesítenek egyebek mellett a Claude Opus 5 modellhez képest, az Anthropic előhúzta a kalapból a legújabb Opus variánst, mely már a Claude 5.5 család első tagjaként kerül bevezetésre.
Az Anthropic a Claude 5 szériát a Mythos modellel és annak a “polgári” változatával, a Fable-lel alapozta meg a nyár folyamán, időközben pedig elindult a Fable 5.1 is. Most pedig egy újabb nagyobb lépést tesz előre a vállalat a Claude Opus 5.5 elindításával. Ezúttal arról számolhatunk be, hogy a friss modell sokkal olcsóbb, lényegesen gyorsabb, és még biztonságosabb is, mint az eddigi Opus változatok. A tempó normál esetben 30%-kal lehet jobb, gyors módban pedig akár a 2,5-szerese is összejöhet.
Az Opus 5.5 kiadása előtt a modellt külső szervezetek – köztük a METR és a Frontier Design – értékelték, emellett az Anthropic belső biztonsági és összehangolási tesztjeinek is alávetették. A közelmúltbeli mesterséges intelligencia által elkövetett hackertámadások nyomán szigorúbb biztonsági intézkedésekkel rendelkezik. Különös tekintettel voltak ezúttal arra, hogy a tesztkörnyezetekből való kitörését meggátolják.
Az Anthropic által alkalmazott tesztek alapján a Claude Opus 5.5 minden eddiginél erősebb modell lett, ez teljesít általában a legjobban. A Fable 5.1-gyel a legtöbb helyzetben azonos szintet képvisel úgy, hogy közben annál sokkal olcsóbb, de még az Opus 5-nél is 40%-kal alacsonyabb költség mellett lehet vele dolgozni.
Az Opus 5.5 kódolási, számítógép-használati és hosszú távú feladatok terén alaposan tesztelte az Anthropic. Az egyik beszámoló szerint a modell kevesebb mint egy nap alatt végrehajtott egy 680 000 soros kódmigrációt, ami egy mérnöki csapat esetében a becslések szerint több hetet vett volna igénybe. Egy 200 000 soros kódbázist kevesebb mint három óra alatt ellenőriztek és javítottak ki az Opus 5.5-tel, míg az Opus 5 esetében ez több mint 20 órát vett igénybe.
A Terminal Bench 4.0 keretében az újdonság olyan eredményre képes, mint a GPT-6 Astra, de közben 40%-kal kevesebb a költsége. A CursorBench alatt a GPT-5.6 Solnál úgy teljesít jobban, hogy egyharmad áron tudja le a feladatot, bár ez már nem túl releváns, hiszen az OpenAI most indította el a GPT-6 Solt, és pont a költségeken is jelentősen faragtak a fejlesztők. A népszerű Humanity’s Last Exam tesztben már 67,7%-ot teljesít az újdonság eszközöket is használva, miközben eddig ebben 65,6% volt a csúcs, a GPT-6 Astra pedig csak 57,2%-kal büszkélkedhet.
Az új modell a biztonsági tesztek során elvileg 85%-kal kevesebb alkalommal kísérelt meg valamilyen tiltott megoldást találni a feladott problémákra. Emellett az összes kísérletet magától jelentette a Claude Opus 5.5, sosem titkolta el a tévútra vezető cselekedeteit. És lényegesen kisebb esélyt mutatott arra, hogy “túlzásokba essen” az érvelések során, ami jelentős részben hozzájárult az utóbbi időben elkövetett támadásokhoz.
A Claude Opus 5.5 kapcsán el kell még azt mondani, hogy biztosít Gyors módot is, ha valakinek magas prioritással van szükség azonnali válaszra. Ez viszont nagyon sokba fog kerülni, minden tokent kétszer drágábban mér majd a cég. Alapból 1 millió token bevitele 4 dollárt húz majd ki a partnerek zsebéből, a kimeneti oldalon pedig már 20 dolláros költséggel kell számolniuk. Ez az árazás eddig a GPT-5.6 Sol szintjén volt, de az OpenAI most felezte le a költségeket, így érdekes lesz majd azt látni, hogy esetleg az Anthropic részéről érkezik-e erre valamilyen árkorrekciós lépés.
