一句話結論
Anthropic 在 7/24 發布 Claude Opus 5，維持 $5／$25 的價格拿到大幅提升的成績。但真正值得上班族和老闆記住的不是「又更強了」，而是它自家公布的數據裡藏著一個反直覺的事實：把 AI 的「用力程度」開到最高，分數反而可能變低，錢還多花。
7 月 24 日，Anthropic 發布了 Claude Opus 5。照慣例，這種消息隔天就會被寫成一堆「史上最強」的文章。
但我看完官方公告和幾份第三方實測後，覺得最有價值的一段不是那些破紀錄的數字，而是一個很多人會看漏的細節——這個模型有五段「用力程度」可以調，而開到最大那一段，在兩個測試上的分數反而比第二段低，成本卻更高。
這件事對你我的意義，比多少分還重要。我先把規格講完，再來談這個。
Claude Opus 5 到底改了什麼？
先把可以查證的硬規格擺出來：
- 價格：每百萬 token 輸入 $5、輸出 $25——跟上一代 Opus 4.8 完全一樣，沒有漲價。
- 脈絡長度：100 萬 token，與前一代相同（大約是一本厚書再多一點的量）。
- 模型代號：
claude-opus-5。 - 另有「快速模式」，速度約為預設的 2.5 倍，價格則是兩倍。
價格沒動、能力大幅上升，這是這次發布最實在的一點。對照組是同門的 Claude Fable 5：據 The Decoder 報導，Opus 5 以大約一半的 token 價格，達到接近 Fable 5 的表現。
數字有多好看？（也有不好看的）
這是我認為最該完整攤開的部分——因為多數報導只挑贏的講。以下數據來自 Anthropic 官方公告與 The Decoder 整理的對照表：
| 測試項目 | Opus 5 | 對照 | 結果 |
|---|---|---|---|
| Frontier-Bench v0.1 代理式終端編程 | 43.3% | GPT-5.6 Sol 34.4% Fable 5 33.7% Opus 4.8 21.1% | ✅ 第一，且是前代兩倍 |
| ARC-AGI-3 沒見過的新問題 | 30.2% | GPT-5.6 Sol 7.8% Opus 4.8 1.5% | ✅ 差距最懸殊的一項 |
| GDPval-AA v2 知識工作 Elo 分 | 1,861 | Fable 5 1,747 GPT-5.6 Sol 1,736 | ✅ 領先 |
| DeepSWE v1.1 代理式編程 | 68.8% | GPT-5.6 Sol 72.7% Fable 5 69.7% | ❌ 排第三，兩個都輸 |
| OSWorld 2.0 實際操作電腦 | 超越 Fable 5 最佳成績 | — | ✅ 約三分之一成本 |
| Zapier AutomationBench 自動化流程 | 約次佳者 1.5 倍 | — | ✅ 同等成本下 |
我特別把 DeepSWE 那一列標出來：在這項代理式編程測試上，Opus 5 是第三名，前面還有 GPT-5.6 Sol 和自家的 Fable 5。這不是黑它，而是說明一件很重要的事——沒有任何一個模型在所有事情上都最強。誰跟你說「用這個就對了」，通常是還沒看完整張表。
為什麼「開到最大」反而可能更差？
這是我認為這次發布最值得寫進課堂的一段。
Claude Opus 5 有五段「用力程度」（官方叫 effort）可以調：low、medium、high、xhigh、max。直覺上你會覺得——那當然開 max 啊，最強的當然最好。
但 The Decoder 檢視 Anthropic 自家公布的測試數據後指出：在兩個測試項目上，Opus 5 在 max 這一檔的分數，反而比第二高的檔次略低，而成本更高。
換句話說，那個「用力」的旋鈕不是音量鍵，比較像是換一條路走。走大路不一定比較快到，有時候還多繞了一段、多付了油錢。
官方自己怎麼建議？（這裡很多人傳錯，我把原文查了）
Anthropic 的技術文件對 Opus 5 的建議是：編程和代理類工作從 xhigh 開始，其他吃智力的工作用 high；而 low 和 medium 在 Opus 5 上比前幾代更強，只要你自己測過品質守得住，就可以大方拿它們來控成本，真正需要時再往上開到 max。文件還特別提醒：如果你是從舊模型沿用設定過來的，請重新測一次，別直接照搬。
（網路上有說法是「官方建議多數任務用 low/medium」——那其實是寫給 Opus 4.7／4.8 的段落，不是 Opus 5。這種細節錯很容易在轉述中被放大，所以我回去查了原始文件。）
第三方實測怎麼說？
光看官方數據不夠。程式碼審查工具 CodeRabbit 用自己的實際案例測了 Opus 5（x-high 檔位），結果很值得玩味：
- 抓到已知問題的比例：55.2%，反而低於他們原本用的基準線（GPT-5.6 系列）的 61.1%。
- 但建議的精準度較高：39.3% vs 35.2%——講的話比較少廢話。
- 代價是瑣碎意見多了快 4 倍：92 則 vs 23 則。
- 而且吃更多資源：輸入 token 約多 50%、輸出約多 65%。
- 強項在設定錯誤與程式碼品質；弱項在邏輯錯誤、競態條件、API 誤用。
他們的結論不是「快換」，而是：給它一個明確的專科角色，別讓它當唯一的把關者。
這句話幾乎可以原封不動搬到任何公司的 AI 導入會議上。
誠實說：這篇不能告訴你什麼
我得把話講清楚，免得你把這篇當成採購依據：
- Benchmark 不等於你的工作。上面每一個測試都是特定情境下的分數，跟「幫你回客戶信」「整理這個月的銷售表」不是同一件事。
- 模型發布首週的數據都要打折看。官方數據是廠商自己跑的；第三方實測樣本也有限。真正的體感通常要一兩個月後才穩定。
- 我沒有做獨立實測。這篇的數字全部來自官方公告、The Decoder 的整理與 CodeRabbit 的公開報告，我做的是交叉比對，不是自己重跑一遍。
- 「max 掉分」是在特定測試上觀察到的現象，不代表你的每個任務都會這樣——這正是官方要你「自己重測一次」的原因。
那對上班族和老闆，實際意義是什麼？
我在企業培訓現場最常被問的一句話是：「老師，那我們公司到底要用哪一個？」
這次的發布剛好給了一個很好的答案框架——不要問「哪個最強」，要問「哪一檔剛好夠用」。
三個可以直接拿去用的判斷：
- 預設不要開到最大。 大部分日常工作（寫信、摘要、整理會議記錄）用中等檔位就綽綽有餘，開最大只是多花錢多等時間。
- 把「省下來的成本」當成一個指標來管。 同樣一份工作，用對檔位可能差好幾倍成本。這在一個月幾萬次呼叫的公司裡，是真實的數字。
- 不要指望一個模型全包。 連 Opus 5 都有輸的項目，你公司的流程更該是「不同任務配不同工具」，而不是全押一個。
我常跟學員說，你是機長，AI 是機組人員。這次的數據又補上了一課：機組人員裡最資深的那位，不見得每趟航班都該派上場。派對人、派對時機，才是機長的本事。
而這件事，以前是需要一個懂技術的人坐在旁邊才做得到的判斷。現在它變成一個管理決策——會判斷「這個任務值不值得用貴的」，比會操作任何一個工具都值錢。
常見問題 FAQ
Q：那我現在該換到 Opus 5 嗎？
如果你是一般使用者（用網頁版聊天），基本上不用做什麼——平台會自動給你當前最好的選項。如果你是公司在用 API，建議照官方說的：拿你自己真實的工作重新測一輪各個檔位，再決定配置，不要直接照搬舊設定。
Q：價格真的沒漲嗎？
沒漲。輸入每百萬 token $5、輸出 $25，跟 Opus 4.8 相同。快速模式是兩倍價、約 2.5 倍速度，屬於另外的選項。
Q：既然最高檔可能更差，那是不是永遠別用 max？
不是。官方的說法是「真正值得的任務再開到 max」。重點在於「你要有測過的依據」，而不是憑感覺一路拉到底。
Q：這些 benchmark 我看不懂，有沒有簡單的判斷方法？
有。挑三件你每週真的會做的事，用兩三個模型各跑一次，自己比。這比看任何排行榜都準——因為排行榜測的不是你的工作。
資料來源
以下所有數據均於 2026 年 7 月 25 日查證，並交叉比對官方公告與兩份第三方報告：
- Anthropic 官方公告：Claude Opus 5（價格、模型代號、OSWorld／Zapier 表現）
- Anthropic 技術文件：Effort（各檔位的官方建議）
- The Decoder：Anthropic claims its new Claude Opus 5 delivers near Fable 5 performance at half the token price（各項 benchmark 對照數字、脈絡長度、max 檔位掉分的觀察）
- CodeRabbit：Opus 5 model review（第三方程式碼審查實測）
註：模型評測數字會隨版本與測試方法變動，本文為發布首週的公開資料整理，不構成採購建議。
想把「怎麼選、怎麼配」變成公司的能力？
如果你是想自己搞懂的個人：歡迎訂閱我的電子報 startupforyou.substack.com，每週一篇看得懂的 AI 應用。
如果你是替公司做決定的主管或 HR：這種「哪個任務配哪個工具、開到哪一檔」的判斷力，正是我在企業內訓裡花最多時間帶的部分。想聊聊你們的情況，寫信到 ai@autolab.cloud，或看看 AI 顧問教練團。
關於作者
黃敬峰（AI峰哥／阿峰老師），企業 AI 實戰培訓專家，服務客戶包含國泰人壽、工研院、士林電機、中嘉寬頻、電通、城邦媒體等。聯絡方式：ai@autolab.cloud