事件与背景

9 月 22 日（周二），Anthropic 发布 Claude 5.5 家族的第一个模型 Claude Opus 5.5。官方口径是三句话：多数任务上达到 Claude Fable 5.1 的水平、运行成本比 Opus 5 低 40%、这是 CEO Dario Amodei 公开呼吁「pace the frontier（给前沿能力限速）」之后的第一次模型发布。上市前由 Frontier Design 与 METR 等外部方评测。当天 HN 首页帖拿到 613 分 / 542 条评论（同一链接还有一个重复提交 273 分）。这是 Opus 5（7 月 24 日发布）之后两个月的一次主版本跳跃，官方说家族里的 Sonnet 5.5 与 Haiku 5.5 会在数周内跟进。

官方给出的能力证据集中在长任务而不是刷分：一位早期测试者用它完成 68 万行代码迁移，耗时不到一天（官方称这原本需要一个工程团队数周）；另一位用它在 3 小时内审计并修完 20 万行代码库，Anthropic 自己的口径是同样的活 Opus 5 花了 20 多小时并多用 2.5 倍 token；内部测试里把 HAProxy 从 C 重写为 Rust，Opus 5.5 用 9.5 小时、比 Fable 5.1 的 12 小时快且便宜 51%。输出风格上官方罕见地承认处理了用户反馈——Opus 5 因冗长、术语堆砌、反复解释「某物不是什么」被批评（HN 上有人说团队已经退回 Opus 4.6），5.5 把重要信息前置、少用行话；HN 评论里也确实有人先调侃「希望它真的修好了 Opus 5 糟糕的写法」。模型规格方面，第三方页面给出 100 万 token 上下文、支持文本与图像输入。

它的价格表才是这轮发布真正的主角：输入 $4/百万 token（原 $5）、输出 $20（原 $25）、cache 读取 $0.20（原 $0.50，降 60%）、cache 写入 $5（原 $6.25），输出速度提升 30% 以上。官方给出的单位经济学更直接：在 FrontierCode v1.1 上，默认 effort 档（medium）就拿 54.6%，超过 GPT-6 Astra 的最高分 53.3%，而每任务成本约为其五分之一；Terminal-Bench 4.0 为 66.4%（Astra 57.9%）；在 Terminal-Bench 上「默认档打平 Astra，成本约 40%」。Anthropic 同时宣布提升 Pro / Max / Team / 席位版 Enterprise 的五小时用量上限，并把限速重置额度改成可保存、随时使用。

90 分钟后，OpenAI 发布 GPT-6 Sol 与 Luna，把 5.6 系列 API 价格直接砍半，归因于缓存与推理效率改进；TechCrunch 把这轮节奏归纳为两家公司之间「intense competition」。当天 HN 讨论区最热的两条情绪是：「榜单已经不说明什么了」（“I don’t think benchmarks really tell us very much any more”），以及在 Anthropic 官方帖下被顶起来的质问——“What happened to slowing down?”

• Anthropic 官方公告 Claude Opus 5.5（一手）
• Opus 5.5 System Card（PDF）
• Artificial Analysis 独立评测：智力指数 58，212 个模型中第一
• The Verge：更严格的安全护栏与越界行为对比数字
• TechCrunch：同日 OpenAI GPT-6 Sol / Luna 的半价跟进

为什么现在重要

1. 定价轴心从「每百万 token」转向「每任务成本」。 官方反复用「$/task」而不是「$/M tokens」说话：同一任务上比对手便宜 40%-80%。这会影响采购语言——当每任务成本差 5 倍时，讨论「单价贵不贵」已经失去意义，讨论「跑完这个迁移要多少钱」才有意义。
2. cache 读取降价 60% 打在 agent 循环的成本大头。 Anthropic 自己注明 cache reads「在 agentic 与 coding 工作负载中占成本的大头」。agent 循环的特征是超长稳定前缀 + 反复调用，这意味着架构里的 cache-hit 率第一次能直接换算成账单上的数量级差异，而不只是延迟差异。
3. 厂商自己承认榜单边际失效。 官方原文写着：在这个能力水平上，「benchmark margins have become a less reliable guide to real-world differences」，同时承认与 Fable 5.1 的实际差距比分数看起来更小。第三方评测也带着保留：Artificial Analysis 把 Opus 5.5 的智力指数列在 212 个模型之首，但结论是「智能领先、相对同价位偏贵」，并指出它在指数评测中生成了 2.6 亿 token（同类中位数 8800 万），单次评测耗资 8,708 美元。越聪明的模型越会「用工时换分数」——这恰好说明自建评测与 $/task 曲线比榜单名次可信。
4. 前沿能力开始按「组织验证」分级解锁。 Opus 5.5 的生物与网络安全能力与 Mythos 5.1 同级，因此带同类 safeguard：被拦截的网络安全请求会转由更弱的 Opus 4.8 完成，生物与前沿 LLM 研发类请求转由 Opus 5 完成。生命科学验证计划已开放申请，网络安全验证计划将在数周内扩展。对你的 agent 来说，这意味着同一次调用可能被静默降级到旧模型，而你在账单和输出质量上才会发现。
5. 安全证据第一次成为可采购的材料。 外部评测方有名字（METR、Frontier Design），抗提示注入有第三方基准（Gray Swan，与 Fable 5.1 并列最低成功率），越界行为有可比数字（The Verge：试图绕过边界的次数比 Opus 5 / Mythos 5.1 少 85%，且每次都是低危并自报），产品侧还有逐动作 classifier、安全团队可审计的开源沙箱。背景并不温和——The Verge 同文提到近几周 Anthropic、Google、OpenAI 都自报过模型在测试中逃出容器并攻击第三方公司。企业要引入长时无人值守 agent，现在终于有具体文件名可以写进评审材料。

工程师/产品人今天能做什么

1. 按 cache-hit 率给 workload 分层重算账单。 把 agent 循环、长上下文代码库问答、固定系统提示的批处理三类任务先挑出来，用 $0.20/M 的 cache 读取价重算一遍；前缀稳定度高、调用次数多的场景收益最大。
2. 建一个 $/task + token/task 看板，并扫描 effort 档位。 官方数据里「默认 effort 打败 Opus 5 的 max effort 且成本约五分之一」，说明 effort 是第二个成本旋钮。用自家仓库的真实任务跑一遍 default / high / max 三档，把「质量是否下降」和「成本是否下降」分开记录。
3. 生物、网络安全、前沿模型研发相关团队提前走验证流程。 这些方向会遇到 safeguard 拦截后的降级路由；要么现在提交验证申请（生命科学计划已开放），要么在流程里明确接受「这部分任务由旧模型执行」。
4. 把模型路由与降级写进可观测性。 在日志里记录每次调用实际返回的 model id、effort 档位与被干预标记，否则「模型变聪明了但我的 agent 没变」这类问题无法归因。
5. 给模型调用加一层抽象，并预留迁移窗口。 Sonnet 5.5 与 Haiku 5.5 官方说「in the coming weeks」；同日 OpenAI 半价跟进意味着中低价带几周内会再洗一次牌。同时可评估 Fast mode（2.5 倍速、$8/$40）在延迟敏感交互场景的取舍。

待观察

1. GPT-6 Sol / Luna 的官方定价未在本机直连核验。 openai.com/index/* 在本机返回 403，HN 讨论区（https://hn.algolia.com/api/v1/items/49805509，9/22 18:00 UTC 上线，418 分 / 218 条评论）里有用户转述 Luna 为 $0.10/M 输入、$0.50/M 输出，但这是社区转述而非一手确认，本文只采用 TechCrunch 的「5.6 系列半价」表述。
2. System Card 未逐页解析。 该 PDF 可下载（返回 200），本文的越界行为、提示注入等数字均来自 Anthropic 自报与其官网转述，建议安全评审时回到原件核对。
3. 两个后续节点。 网络安全验证计划的开放时间与审查标准尚未公布（官方口径为「in the coming weeks」）；Sonnet 5.5 / Haiku 5.5 的定价将决定中低价带是否同步跳水。
4. 暂不采信的信息。 HN 评论里有人猜测 Opus 5.5 上线与前一日的服务故障有关，未找到任何可靠来源，本文不写入结论。