又强又便宜！Claude Opus 5.5登顶SQBench

作者｜沙丘智库研究团队

来源｜沙丘社区（www.shaqiu.cn）

今天凌晨，Anthropic发布了Claude Opus 5.5。这次新模型的卖点相当直接：在大多数工作中达到Claude Fable 5.1的水平，同时让顶尖能力变得更便宜。官方称，默认设置下，Opus 5.5处理典型工作负载的费用比Opus 5低40%，输出速度提升超过30%。

从官方公布的评测看，升级覆盖了编程和知识工作：Terminal-Bench 4.0得分66.4%，GDPval-AA v2.1达到1846 Elo，均高于发布表中的Fable 5.1和Opus 5。Anthropic也提醒，能力达到这一水平后，榜单分差未必能等比例反映实际使用差异。

图1：Anthropic官方发布的评测成绩总表。

SQBench刚完成的Claude Opus 5.5实战能力评测，为这次升级补上了另一组实战结果：Claude Opus 5.5（Max）得分65.6，超过GPT-6 Astra的64.3和Claude Fable 5.1的63.1，按当前成绩对照，登顶SQBench。本轮评测成本比Fable 5.1少了约三分之一。

图2：SQBench官方实战能力排行榜实截。

更值得展开的，是它在金融、工业等行业任务中的进步，以及这次升级背后的共同方向：大模型厂商正在把更强的能力，放进越来越低的价格区间。

01

向行业场景进发，金融任务提升最突出

在此前的SQBench评测中，一个反复出现的现象是：模型已经能较好地处理数据分析、代码修改等通用工作，但面对金融、工业、医疗和政务中的完整业务任务，通过率会明显下降。

Opus 5.5的发布很明显在行业业务能力上下了很大功夫。在60项行业业务任务中，它通过27项，通过率45%，高于Fable 5.1的25项和Astra的23项，也是目前这组成绩中的最高值。

复合技能与行业业务各包含60项任务，任务内容不同；实战能力为分层加权得分。Opus 4.8是SQBench已有的同系列历史对照，本次没有Opus 5的同口径结果。

与Opus 4.8相比，行业业务通过率从25%升至45%，多通过12项。与目前领先的Fable 5.1和Astra相比，优势则小得多。这说明Opus 5.5已经进入行业能力的最前列，也说明领先模型之间仍是具体任务上的竞争。

把四个行业分开看，金融最为突出。

图3：SQBench官方“L3业务场景”截图。

Opus 5.5的金融通过率达到60%。逐项对照Fable 5.1，它保留了对方通过的全部5项任务，并新增通过金融风险分析、策略组合再平衡审查、现金支付事件差异审计、家族企业信息与股权审计4项任务。工业方向也保留了Fable 5.1的全部通过项，并新增通过纠正性工单打包审计、空气处理机组规则持续性异常审计2项任务。

这些任务名称指向的是企业中更具体的工作：对账、审计、风险分析、设备异常检查。它们要求模型在一组业务约束下完成任务。相较只看回答是否流畅，这类结果更有助于判断模型能在哪些工作中减少人工处理。

本轮最有价值的进步，是更多金融、工业任务达到了完整通过的标准。金融不再只是少数任务通过，工业中的审计任务也有了新增通过项，行业能力的提升有了更具体的落点。

但领先也没有覆盖所有行业，在医疗任务中，Fable 5.1通过9项，Opus 5.5为6项；政务任务中，Astra通过8项，Opus 5.5为6项。

即便是Opus 5.5，60项行业任务中也还有33项没有完整通过。金融数理审计通过4/5，但金融合规风控只有2/5；工业数理审计同样通过4/5，工业复杂业务和合规风控则各为1/5。计算、核对方面的进展，尚未均匀延伸到复杂流程与边界约束。

这也让45%的意义更加清楚：行业能力在提高，可承接的工作范围在扩大，完整业务交付仍然是前沿模型需要继续攻克的难题。

02

顶尖智力的降价，“又强又便宜”正在成为行业共识

Opus 5.5的另一项变化，是价格。

单位为美元／百万Token，采用官方标准服务报价。

这里有两层节省。第一层是每个Token更便宜；第二层是按官方测试，完成同类工作需要的Token也更少。官方所说的典型工作负载费用降低40%，包含这两种因素，适用的是其默认设置下的测试，不能直接套到所有任务和推理档位上。

回到SQBench，Opus 5.5本轮评测成本比Fable 5.1低34.9%，实战得分为65.6，高于Fable 5.1的63.1。在这组对照中，低费用与高成绩同时出现。

若比较API标准单价，Opus 5.5的输入、输出报价均为Fable 5.1的四成，低60%；缓存读取为每百万Token 0.20美元，比Fable 5.1的0.25美元低20%。整轮费用差异既受Token用量影响，也取决于输入、输出及缓存等不同计费项的占比，不能仅凭某一项单价的降幅推算。

但它的便宜有明确的参照。Astra完成本轮评测的费用约168.96美元，仍低于Opus 5.5。这也提醒用户，API单价只是账单的一部分：不同模型消耗的Token、缓存命中情况和任务执行过程都会影响最终费用。

如果把国内模型放进来，整个市场的变化会更清晰。

图4：SQBench网站“实战能力 vs 评测成本”截图。

费用按各模型评测时的渠道、用量与价格快照核算，不能当作按今天价表统一重算的结果；不包含现实应用中的人工复核、系统集成等成本。

GLM-5.3 flashX以GLM-5.3约19.2%的评测费用，取得54.6分，与GLM-5.3相差约1.5分。MiMo-V2.6-Pro则以比GLM-5.3 flashX更低的评测费用，取得54.8分。这些模型在综合得分上距离Opus 5.5仍有差距，但已经让较低预算下的实际工作能力变得相当可观。

国内厂商也在同时改善速度和使用成本。智谱将FlashX的官方推理速度提高到200 Token/秒；小米则明确表示，MiMo-V2.6系列升级后API价格维持不变，并开放模型权重及配套研究资源。能力提升、服务提速和价格竞争，正在一起发生。

OpenAI的产品线也呈现出类似变化。8月21日，GPT-5.6 Sol的输入、输出价格分别下调20%和33%，目前为每百万Token 4美元和20美元；GPT-5.6 Luna则在7月30日降价80%，目前输入0.20美元、输出1.20美元。Sol当前为优惠价格，官方承诺至少持续至11月21日；上述均为标准短上下文报价。

Sol面向复杂专业工作，Luna面向对费用敏感的大规模任务，两者承担不同角色。SQBench当前尚无Luna成绩，因此不能把它的低价写成已经验证的同等实战能力。但从产品布局可以看到，厂商既在争夺最高能力，也在扩大低成本模型能够服务的工作范围。

这种趋势已有长期研究支撑。斯坦福《Artificial Intelligence Index Report 2025》指出，从2022年11月至2024年10月，达到GPT-3.5相当水平的系统，其推理成本下降超过280倍。这里衡量的是获得同一能力水平需要多少钱。

2026年3月修订的研究《The Price of Progress》进一步汇总了Artificial Analysis和Epoch AI的数据：在知识、推理、数学和软件工程基准上，获得固定表现水平的价格，按其研究口径每年下降约5至10倍。研究同时发现，追逐最前沿能力的模型运行费用可能上升，因为模型规模和推理用量也在增长。

这两件事可以同时成立：最高能力仍然需要投入，而此前昂贵的能力会逐步进入更便宜的产品。Opus 5.5相对Fable 5.1的表现与费用、Sol和Luna的价格调整，以及FlashX、MiMo在低价区间的竞争，正从不同方向呈现这一变化。

对企业来说，这意味着更多工作有机会从“试一次”，变成“每天都用”。一份报告可能需要多轮资料核对，一次设备异常分析可能涉及多次数据检查。当模型更容易完成任务、每轮调用也更便宜时，团队就能在同样预算下处理更多材料、增加验证，或覆盖更多业务环节。

最终还要看每份合格交付的总成本，其中既包括模型费用，也包括返工和人工复核。今天的SQBench仍显示，行业任务距离普遍可靠的完整交付还有距离；但能做的事情更多、取得这些能力的价格更低，已经是可以观察到的进步。

Opus 5.5的意义，是把领先的行业能力放到了比Fable 5.1更低的费用水平上。更值得期待的下一步，是这样的进步继续向各个价格区间扩散，让更多企业和普通使用者，都能负担得起更复杂、更有价值的工作。

更多AI研究内容可前往【沙丘智库小程序】搜索查阅