Claude Opus 5.5 对比 Opus 5：答案相同，输出 token 减半

Claude Opus 5.5 的标价比 Claude Opus 5 低 20%。每百万个输入 token 为 $4，输出 token 为 $20，而 Opus 5 分别为 $5 和 $25。无论模型表现如何，这 20% 都能省下来。真正值得关注的是扣除这部分后，还能省多少。我们使用两个模型的默认设置测试了 13 个单轮任务。Opus 5.5 的账单低 65%，即使按相同单价计算，成本仍低 56%。在多跳工具循环中，差距小得多：实际账单低 37%，统一单价后低 22%。

TL;DR

• 在 468 次评分调用中，Opus 5.5 每项任务的费用为 $0.0072，Opus 5 为 $0.0204，两个模型都答对了所有任务。
• 按相同单价计算，Opus 5.5 在这些任务上的成本仍低 56%。它平均输出 341 个 token，Opus 5 则为 799 个。
• 在包含 4 个问题的工具循环中，同价计算后的差距缩小到 22%，因为输入 token 占主要部分，而且两个模型读取了相同的文件。
• 在 max effort 下，Opus 5.5 在该循环中的成本是自身默认设置的 3.3x，却没有多解决任何问题。
• 将 tool_choice 设置为 any 或指定工具时，现在会返回 HTTP 400；Opus 5 支持这两种设置。

Anthropic 于 2026-09-22 发布 Opus 5.5，并声称它在典型工作负载下“运行成本比 Opus 5 低 40%”。这项说法中，只有后半部分，也就是每项任务使用更少的 token，取决于模型本身的表现，因此我们重点测量了这一部分。

Claude Opus 5.5 到底改了什么？

降价反而是较小的变化。更大的变化是 thinking 开关被移除了。Adaptive thinking 会由模型自行决定回答前要推理多久。无论 API 是否向你显示，这些推理 token 都按输出 token 计费。在 Opus 5.5 上，该模式始终开启。现在只剩下 effort 参数可供控制，它分为从 low 到 max 的 5 档，用于限制模型愿意投入多少 thinking 预算。

Opus 5 支持 thinking: {"type": "disabled"}。在我们对 Opus 5 的测量中，只有这个设置能让其账单降到与 Opus 4.8 相同的水平。这个选项现在已经没有了。

表中还有两项直接影响迁移。默认 effort 从 high 降到了 medium，所以未传 effort 字段的请求，其推理深度与 Opus 5 的默认行为并不相同。进度更新的变化则不会报错：模型过去会在工具调用之间输出简短说明，现在这些内容变成了 thinking block。除非明确请求显示，否则文本为空。因此，原本通过 streaming 展示这些说明的界面会直接沉默，而且没有错误可捕获。

发布时公布的基准测试表现如何？

在 Anthropic 发布的表格中，Opus 5.5 在所有编程和知识工作基准上都领先 Fable 5.1，并在大多数项目上领先 GPT-6 Astra。以下数据来自 Anthropic，测试使用 adaptive thinking 和 max effort，Terminal-Bench 项目使用 xhigh。

Anthropic 还为自己的表格加了一条少见的说明：达到这个水平后，“基准测试的分差已经不能可靠反映实际使用中的差距”，Opus 5.5 与 Fable 5.1 在真实场景中的差距小于分数所显示的差距。引用这些数字前还需要注意两条脚注。AutomationBench 由 Zapier 执行，没有使用备用模型，因此每次安全防护介入都被计为失败。整个测试还启用了生产环境的安全防护。分类器介入时，网络安全任务会交给 Opus 4.8，生物学任务则交给 Opus 5。

这些数据都没有说明完成一项任务要花多少钱，所以我们做了实际测量。

单轮任务真的更便宜吗？

是的，而且节省的大部分来自实际效率，而不是价目表。这里的单轮任务是指一次请求、一次回答、不使用工具，例如 200 步迭代规则或带障碍网格的路径计数等算术和计数题。我们准备了 13 个任务，每个任务重复 3 次，并分别以全部 5 档 effort 和默认设置运行 Opus 5.5 与 Opus 5，共得到 468 次评分调用。运行前，我们使用 Python 暴力计算出每道题的正确答案。每个 prompt 还加入了唯一的随机字符串，避免我们与模型之间的任何一层直接返回缓存中的重复答案。每项任务的成本根据每次调用实际计费的 token 和 Anthropic 标价计算，其中包括 thinking token，而不是读取响应中返回的费用。

默认设置下，两个模型的准确率都是 100%；其他各档也都不低于 97%。3 次错误分散在不同任务和档位，并未集中出现在低档设置中。这组任务没有出现准确率断崖，因此所有差异都体现在成本上。

两个模型的 effort 档位呈现出不同的成本曲线。Opus 5 从 low 到 max 的成本基本持平，范围为 $0.0197 到 $0.0220，差距只有 12%。Opus 5.5 则相差 4x，从 $0.0060 到 $0.0240。Effort 对 Opus 5.5 是一个真正有效的控制项，对 Opus 5 则几乎不起作用。迁移时直接沿用原有设置，最终行为可能与之前相差很大。

在最难的 5 个任务上，差距进一步扩大。默认设置下，Opus 5.5 每项任务的成本为 $0.0113，Opus 5 为 $0.0375；输出 token 中位数分别为 585 和 1,145。

Agent 账单不断累积时，工具循环表现如何？

在工具循环中仍能节省成本，但差距倍数有所缩小。要如实比较 Opus 5.5 和 Opus 5，工具循环是更合适的测试。每轮对应一次请求：模型发起工具调用，代码执行工具，然后将完整对话记录再次发送给模型。因此，一个包含 5 轮的对话，会对不断增长的对话记录重复计费 5 次。决定账单的主要因素是轮数，而不是每个 token 的单价。我们为两个模型提供了 3 个工具（列出文件、读取文件和搜索），目标是一个小型的合成服务。测试包含 4 个问题，每个问题都需要沿调用链追踪 3 或 4 个文件。每种配置运行 12 次，使用相同的 API 接口、工具和 prompt。

默认设置下，Opus 5.5 每次运行的成本比 Opus 5 低 37%，轮数少 12%，输出 token 少 30%。按成功解出的问题计算，差距扩大到 43%，因为 Opus 5 有一次运行未能解题。这个结果接近厂商所说的“运行成本低 40%”，也是账单上实际会出现的数字。

在这种工作负载下，大部分节省来自价目表，原因很直接：工具循环会在每一轮重新发送完整对话记录，两个模型读取相同的文件，总 token 只减少了 19%，而输出 token 减少了 30%。恰恰是在费用最高的场景中，减少输出带来的收益最小。下一节会具体计算这部分差异。

在工具循环中将 Opus 5.5 降到 low 没有省下任何费用：模型平均多请求了一轮，重复发送对话记录产生的额外 token 抵消了原本的节省。Effort 在单轮任务上能直接控制成本，但在工具循环中不再有效，因为账单取决于轮数，而不是推理深度。

节省的成本中，有多少只来自降价？

根据工作负载不同，降价贡献占总节省的七分之一到五分之二。下表中间一列使用 Opus 5 的单价重新计算 Opus 5.5 实测 token 的费用。这样可以在价目表相同的条件下，衡量 Opus 5.5 相比 Opus 5 通过减少输出节省了多少。

单轮任务的差异是真正的效率提升：降价只贡献了总节省的 14%，其余部分来自模型输出更少。规划 Agent 流量时，更应该参考工具循环这一行，因为大多数 Agent 工作负载都采用这种形式。在这里，降价贡献了整体降幅的 41%。

更高的 effort 值得使用吗？

在这组工作负载上不值得，而且代价很高。Opus 5.5 在 max 下每次工具循环的成本为 $0.1087，是自身默认设置的 3.3x，但同样只解出了 12 个问题。额外预算主要花在了工具调用上：工具调用次数中位数从默认设置的 5 次增加到 12 次，输出 token 也从 427 增加到 3,124。在单轮任务中，max 是唯一比 Opus 5 更贵的档位，成本分别为 $0.0240 和 $0.0220。

这些预算都花在了推理上。在这组单一答案任务中，thinking token 占 Opus 5.5 默认设置下输出 token 的 98.4%，在 max 下则占 99.6%。所有 thinking token 都按输出单价计费，而且在默认显示设置下完全不可见。Anthropic 自己的建议是只在前沿难题上使用 max。实测结果很直接：对于模型本来就能解出的任务，提高 effort 只会增加成本。

更换 model ID 后，哪些请求会失败？

有两种在 Opus 5 上可用的请求形式，会在 Opus 5.5 上返回 400。现有代码很容易遇到这两个问题。

强制调用工具会被拒绝。许多客户端会指定必须调用某个工具，这也是让聊天模型输出结构化 JSON 的常见方式。现在会收到以下错误：

tool_choice: type "tool" and "any" are not supported for this model.

通过 OpenAI 兼容客户端也会出现同样的错误。在该接口中，相同请求会写成 tool_choice: "required" 或指定某个函数。auto 和 none 仍然可用。迁移时，应在 prompt 中明确说明何时需要调用工具，并使用严格的工具 schema 或 structured outputs 来获得符合 schema 的 JSON。

Thinking 无法关闭。thinking: {"type": "disabled"} 和手动设置 budget_tokens 都会失败。在 OpenAI 兼容接口上，对应的 reasoning_effort: "none" 也会被拒绝。替代方案是使用 effort 参数：

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-opus-5-5",
    max_tokens=4096,
    messages=[{"role": "user", "content": "Summarize this incident report in five bullets."}],
    output_config={"effort": "low"},   # low | medium | high | xhigh | max; medium is the default
)

# Thinking is billed as output whether or not you can read it.
print(response.usage.input_tokens, response.usage.output_tokens)

low 最接近过去关闭 thinking 的行为。在我们的单轮任务集中，它既是最便宜的档位，也保持了准确率。但 thinking 并未免费：模型仍会进行推理，thinking token 仍按输出 token 计费。

Prompt 的 token 预算能直接沿用吗？

可以，token 预算不需要调整。相同的 4 份输入在两个模型上的计数分别为：英文段落 1,277 个 token 和 1,275 个，Python 代码 583 个和 581 个，JSON 工具参数 482 个和 480 个，中文文本 500 个和 498 个。固定的 2 个 token 差异来自请求封装，而不是文本本身。因此，在 Opus 5 上调好的上下文预算或分块阈值，不需要针对 Opus 5.5 重新建立基线。

应该什么时候切换？

如果主要考虑成本，修复上述两种请求形式后，就可以切换到 Opus 5.5。即使排除降价因素，在准确率相同的情况下，单轮任务成本低 56%，工具循环成本低 22%，这都不是可以忽略的差异。大多数部署实际经历的也正是默认设置之间的对比。

Effort 应该重新调优，而不是直接沿用。默认值已从 high 变为 medium，控制范围是 Opus 5 的 4 倍，而且最佳档位取决于工作负载形式：在单轮任务中，low 最便宜且准确；在工具循环中，默认设置则同时优于 low 和 max。

常见问题

Claude Opus 5.5 真的比 Opus 5 便宜 40% 吗？ 账单上的差距接近这个数字：在我们的工具循环中，Opus 5.5 每次运行的成本比 Opus 5 低 37%，每项单轮任务则低 65%。其中 20 个百分点来自更低的价目表，无论模型如何表现都能省下。扣除这部分后，工具循环中的效率提升为 22%，单轮任务为 56%。

Opus 5.5 还能关闭 thinking 吗？ 不能。thinking: {"type": "disabled"} 和手动 token 预算都会在 Opus 5.5 上返回 400。请改用 output_config.effort，其中 low 是最便宜的设置。所有档位的 thinking token 都按输出 token 计费。

什么可以替代强制调用工具？ 保留 tool_choice: {"type": "auto"}，并在 prompt 中明确工具的触发条件。需要符合 schema 的 JSON 时，使用严格的工具 schema 或 structured outputs。在 Opus 5.5 上，any 和指定工具两种形式会直接返回 400，而不是静默降级，因此表现为请求失败，而不是答案错误。

需要重新测量 prompt 大小吗？ 不需要。在散文、代码、JSON 和中文文本上，相同内容在 Opus 5 与 Opus 5.5 上产生相同的 token 计数，因此上下文预算可以原样沿用。

Opus 5.5 能替代 Fable 5.1 吗？ 在 Anthropic 自己的基准测试表中，Opus 5.5 在所有列出的项目上都高于 Fable 5.1，而 token 价格只有后者的 40%。Anthropic 仍将 Fable 5.1 定位于高难度推理和长周期 Agent 工作，并表示实际使用中的差距小于分数所显示的差距。因此，可靠的做法是重新运行自己的评测，而不是只看这张表。

相关测量：Claude Opus 5 与 Opus 4.8 对比、GPT-6 Astra 的 effort 档位以及各厂商的 thinking 控制方式。

测量时间为 2026-09-23，即发布后第 1 天。测试通过网关连接 Claude API 和 OpenAI 兼容接口完成，包括 468 次评分单轮调用（13 个任务，答案在本地暴力计算，每项重复 3 次，使用 6 种 effort 设置和 2 个模型），以及 48 次工具循环运行（4 个多跳问题，每项重复 3 次，共 4 种配置）。Prompt 均加入随机内容；每个模型都通过支持其 effort 参数的接口运行；成本根据 Anthropic 标价计算，而不是读取响应中的费用。

← 返回博客