مدل Opus 5 با نصف قیمت Fable 5 اومد. بنچمارک‌ها عالی‌ان، ولی داستان اصلی تغییرات API هست.

ai llm anthropic claude opus

مدل Opus 5 روز ۲۴ ژوئیه‌ی ۲۰۲۶ عرضه شد. Opus 4.8، مدلی که جاش رو می‌گیره، مدل هرروزه‌ی منه، برای همین اطلاعیه‌ی عرضه رو با یه سؤال مشخص خوندم: نه این‌که «باهوش‌تره یا نه» (هست)، بلکه این‌که «تو چرخه‌ای که همین الان دارم چی عوض می‌شه». جواب جالب‌تر از جدول بنچمارک از آب دراومد، و بیشترش هم تو پست وبلاگ عرضه نیومده.

خلاصه‌ش اینه. قیمت Opus 5 با Opus 4.8 یکیه: پنج دلار برای هر میلیون توکن ورودی و بیست‌وپنج دلار برای هر میلیون توکن خروجی. این نصف قیمت Fable 5 هست، یعنی مدل رده‌بالای Anthropic، و مدل جدید تو بیشتر عددهایی که مهم‌ان خیلی بهش نزدیک می‌شه. الان مدل پیش‌فرض پلن Claude Max و قوی‌ترین مدل پلن Claude Pro هست. اگه روی Opus 4.8 بودی، این فقط عوض کردن اسم مدله که با همون پول، به‌طور محسوسی باهوش‌ترت می‌کنه.

ولی «اسم مدل رو عوض کن و برو» سه تا تغییر رو پنهان می‌کنه که بی‌سروصدا کار دستت می‌دن. اول بذار بنچمارک‌ها رو از سر راه برداریم، چون کم‌غافلگیرکننده‌ترین بخش ماجران.

بنچمارک‌ها، بی‌تعارف

تیتری که Anthropic داره می‌فروشه اینه: «هوش سطح اول Fable 5 با نصف قیمت»، و عددها هم تا حد زیادی پشتش هستن. تو Frontier-Bench v0.1 با بالاترین سطح تلاش، Opus 5 امتیاز ۴۳٫۳٪ می‌گیره. Opus 4.8 تو همین تست ۱۸٫۷٪ گرفته بود. Fable 5، مدلی که دو برابر گرون‌تره، ۳۳٫۷٪ می‌گیره. مدل جدید فقط فاصله‌ش رو با Fable پر نمی‌کنه؛ تو این بنچمارک خاص ازش جلو هم می‌زنه.

بقیه‌ی جدول هم همین شکلیه:

  • SWE-bench Verified: ۹۶٫۰٪. باگ‌های واقعی گیت‌هاب، که با تست‌های پنهان خود پروژه‌ها نمره می‌گیرن. یه سال پیش، بهترین نتیجه این‌جا حدود شصت‌وپنج درصد بود.
  • SWE-bench Pro: ۷۹٫۲٪، در برابر ۸۰٫۰٪ برای Fable 5. کمتر از یه واحد درصد فاصله، با نصف هزینه. کل حرف تبلیغاتیشون همین یه مقایسه‌ست.
  • OSWorld 2.0: ۷۰٫۵۷٪، در حالی که Opus 4.8 این‌جا ۵۵٫۷٪ گرفته بود. این بنچمارکِ کار با کامپیوتره: یه دسکتاپ واقعی اوبونتو که با موس و کیبورد کنترل می‌شه.
  • ARC-AGI-3 با سطح تلاش بالا: ۳۰٫۱۶٪. Opus 4.8 این‌جا ۱٫۵۲٪ گرفته بود. این بنچمارکِ حل مسئله‌های تازه‌ست، همونی که طوری طراحی شده که نتونی فقط با الگوشناسی ازش رد بشی، و این جهش غلط تایپی نیست.
  • IMO 2026: ۴۲ از ۴۲، یعنی سطح مدال طلا روی مسئله‌های المپیاد جهانی ریاضی امسال.

این عددها رو از اطلاعیه‌ی عرضه و موج اول پوشش خبری نقل می‌کنم، نه از یه سیستم‌کارت که سیر تا پیازش رو خونده باشم، پس با عددهای دو رقم اعشاری مثل ۷۰٫۵۷٪ با همون احتیاط همیشگی برخورد کن. چیزی که مهمه الگوئه، و الگو روشنه: Opus 5 تو عددهای ایجنتی و استدلالی جلو افتاده، و این کار رو در حالی کرده که قیمتش همون قیمت Opus مونده. اگه روزت رو توی یه ایجنت کدنویسی می‌گذرونی، همین عدده که تو کارت خودش رو نشون می‌ده.

این همون بخشیه که همه ازش اسکرین‌شات می‌گیرن. حالا بریم سراغ بخشی که واقعاً طرز استفاده‌ت رو عوض می‌کنه.

تفکر حالا به‌طور پیش‌فرض روشنه، و max_tokens برات یه تله‌ست

روی Opus 4.8 و Opus 4.7، درخواستی که فیلد thinking رو تنظیم نمی‌کرد، بدون تفکر اجرا می‌شد. پیش‌فرض همین بود، و کلی کد بر همین اساس نوشته شد، از جمله کد خود من. روی Opus 5 همون درخواست فکر می‌کنه. حالا اگه این فیلد رو نفرستی، تفکر تطبیقی می‌گیری؛ رفتار قدیمی «بدون تفکر» یعنی thinking: {type: "disabled"}، که حالا باید صریحاً درخواستش کنی.

این فقط یه تغییر رفتار نیست؛ تغییریه تو صورتحساب و تو بریده شدن خروجی، و همین بخشه که آدم‌ها رو غافلگیر می‌کنه. max_tokens یه سقف سفت‌وسخت روی مجموع تفکر و متن جوابه، هر دو با هم. بار کاری‌ای که هیچ‌وقت thinking رو تنظیم نکرده، روی Opus 4.8 بی‌مشکل اجرا می‌شده و max_tokens رو تنگ و به اندازه‌ی جواب تنظیم کرده، حالا یه تیکه از اون بودجه رو صرف استدلال می‌کنه و ممکنه وسط جواب بریده بشه. هیچ خطایی هم نمی‌ده. فقط یه جواب کوتاه‌تر از چیزی که خواسته بودی می‌گیری، و اگه بعدش داری خروجی ساختاریافته رو پارس می‌کنی، این به‌شکل یه پارس خراب خودش رو نشون می‌ده، نه یه علت واضح.

پس اولین کار موقع مهاجرت، عوض کردن اسم مدل نیست. اینه که تک‌تک جاهایی رو که هیچ‌وقت به thinking دست نزدن مرور کنی و یا max_tokens رو بالا ببری تا جا بمونه، یا اگه واقعاً رفتار قدیمی رو می‌خوای، صریحاً thinking: {type: "disabled"} رو بفرستی.

همین اهرم یه لبه‌ی دوم هم داره. خاموش کردن تفکر فقط با سطح تلاش high یا پایین‌تر مجازه. اگه thinking: {type: "disabled"} رو با سطح تلاش xhigh یا max بفرستی، خطای ۴۰۰ می‌گیری. این بررسی برای هر درخواست جدا انجام می‌شه، پس مسیری که برای یه نوبت سخت سطح تلاش رو تا xhigh بالا می‌بره و تفکر هنوز توش خاموشه، تو همون نوبت شکست می‌خوره، حتی اگه همه‌ی نوبت‌های قبلی همون گفت‌وگو بی‌مشکل رد شده باشن. اگه روی Opus 4.8 از روی عادت xhigh رو با تفکر خاموش اجرا می‌کردی، این ترکیب حالا نامعتبره، و راستش احتمالاً با یه سطح تلاش پایین‌تر و تفکر روشن نتیجه‌ی بهتری می‌گیری. Opus 5 تو سطح low و medium به‌طور غیرعادی قویه؛ پیش‌فرض‌های سطح تلاشی که از یه مدل قبلی با خودت آوردی تقریباً هیچ‌وقت تنظیم درستی نیستن.

سازوکارهای بررسی مجدد رو حذف کن

این یکی غافلگیرم کرد، چون دقیقاً برعکس توصیه‌ایه که مدام به بقیه می‌کنم.

«از مدل بخواه کارش رو دوباره چک کنه» یه تکنیک استاندارد و درست تو پرامپت‌نویسیه. روی Opus 5 غلطه. مدل بدون این‌که ازش بخوای خودش کارش رو بررسی می‌کنه، پس دستوری که بهش می‌گه بررسی کن، یا مرحله‌ای تو هارنس که یه دور بررسی جدا راه می‌ندازه، حالا باعث بررسی بیش از حد می‌شه: کار رو انجام می‌ده، بعد دوباره انجامش می‌ده، و بی‌هیچ سودی توکن و زمان می‌سوزونه. راهنمای خود Anthropic هم درباره‌ش رک حرف می‌زنه: پرامپت‌های بررسی رو پاک کن. این‌جا کار حذف کردنه، نه بازنویسی، و برداشتن این سازوکارها بررسی بیش از حد رو کم می‌کنه، بدون هیچ افت قابل اندازه‌گیری‌ای تو توانایی مدل.

همین غریزه سر ساب‌ایجنت‌ها هم دیده می‌شه. Opus 4.8 کمتر از حد لازم سراغ واگذاری کار می‌رفت و یه تلنگر لازم داشت تا کار رو بین چند ساب‌ایجنت پخش کنه. Opus 5 راحت سراغ ساب‌ایجنت‌ها می‌ره، گاهی زیادی راحت، چون هر کدوم از اون‌ها دوباره کانتکست رو می‌سازه، دوباره کاوش می‌کنه، گزارش می‌ده، و بعد هماهنگ‌کننده اون گزارش رو دوباره می‌خونه. اگه هارنست از ساب‌ایجنت پشتیبانی می‌کنه، هر راهنمای «بیشتر واگذار کن» که برای Opus 4.8 اضافه کرده بودی باید برداشته بشه، و احتمالاً یه سقف صریح هم برای تعداد ساب‌ایجنت‌هایی که ساخته می‌شن لازم داری. جهت رفتار بین این دو مدل برعکس شده، و این واقعاً چیز غیرعادی‌ایه که بخوای تو مهاجرت به یه نسخه‌ی جزئی حسابش کنی.

پرحرف‌تر هم شده. جواب‌های پیش‌فرضش طولانی‌ترن، و فایل‌هایی که روی دیسک می‌نویسه هم طولانی‌ترن. پایین آوردن effort لزوماً خروجی قابل‌دیدن رو کوتاه نمی‌کنه، پس اهرم این‌جا یه دستور ساده برای کوتاه‌نویسی تو پرامپته، نه یه تنظیم. تو تست‌های Anthropic، یه خط کوتاه مثل «جواب‌ها رو متمرکز و کوتاه نگه دار» طول خروجی قابل‌دیدن رو حدود یک‌پنجم کم کرد.

تغییرهای کوچیک‌تری که هنوز مهم‌ان

چند تا چیز که راحت از چشم می‌افتن:

حداقل طول پرامپت برای کش به ۵۱۲ توکن رسید، پایین‌تر از ۱۰۲۴ توکنی که روی Opus 4.8 بود. پرامپت‌هایی که فکر می‌کردی برای کش شدن زیادی کوتاهن، حالا بدون هیچ تغییری تو کد، ورودی کش می‌سازن. ارزش داره هر چیزی رو که فرض کرده بودی کش نمی‌شه دوباره بررسی کنی.

حالت سریع با حدود ۲٫۵ برابر توان عملیاتی و ۲ برابر قیمت اجرا می‌شه، و فقط روی Claude API هست. اگه Bedrock، Vertex یا Foundry هم تو ترکیبت داری، این اهرم اون‌جا در دسترس نیست، پس روی اون مسیرها کنارش بذار.

فال‌بک خودکار ساده‌تر شده. طبقه‌بندهای ایمنی Opus 5 می‌تونن یه درخواست رو کلاً رد کنن: یه پاسخ معمولی HTTP 200 با stop_reason: "refusal" می‌گیری، نه یه استثنا. اگه کدت content[0] رو بدون این‌که اول stop_reason رو چک کنه می‌خونه، با یه رد شدن می‌شکنه. حالت جدید fallbacks: "default" درخواست ردشده رو سمت سرور با یه مدل جایگزین دوباره اجرا می‌کنه و بر اساس دسته‌ی رد مسیریابی می‌کنه، پس لازم نیست خودت فهرست مدل‌ها رو نگه داری. برای کارهای نزدیک به امنیت، که درخواست‌های بی‌خطر گاهی یه طبقه‌بند رو فعال می‌کنن، این‌که این حالت رو به‌طور پیش‌فرض روشن کنی انتخاب درستیه.

محدودیت نرخ یه سهمیه‌ی جداست. Opus 5 از سهمیه‌ی مشترک Opus 4.x برداشت نمی‌کنه، پس جابه‌جا کردن ترافیک نه روی سهمیه‌ی قدیمی جا باز می‌کنه، نه ظرفیتش رو به ارث می‌بره. قبل از این‌که حجم رو منتقل کنی، محدودیت‌های Opus 5 رو برای سطح حسابت چک کن.

داستان ایمنی برای هر کسی که کار امنیتی می‌کنه یه تغییر واقعیه

این یکی مخصوصاً به خود من ربط داره، و احتمالاً به بخشی از کسایی که این رو می‌خونن. Anthropic همسوسازی مدل رو سفت‌تر کرد و هم‌زمان طبقه‌بندهای امنیت سایبری رو خیلی شل‌تر کرد. طبقه‌بندهای سایبری Opus 5 حدود ۸۵٪ کم‌سخت‌گیرتر از طبقه‌بندهای Fable 5 توصیف شدن. تو Frontier-Bench، طبقه‌بندهای ایمنی حدود ۵٪ از فراخوانی‌های API رو علامت زدن، در برابر ۴۲٪ برای Fable 5.

به‌طور مشخص، پیدا کردن آسیب‌پذیری تو سورس‌کد حالا آزاد شده، در حالی که اسکن باینری، تست نفوذ و تولید اکسپلویت هنوز محدودن. اگه کار دفاعی مجاز انجام می‌دی، مثل بازبینی کد برای پیدا کردن آسیب‌پذیری یا تحلیل به سبک CTF، نرخ مثبت کاذبی که Fable 5 رو برای این کارها اعصاب‌خردکن کرده بود حسابی پایین اومده. بی‌دروپیکر نشده، و حفاظ‌های تولید اکسپلویت هنوز سر جاشونن، ولی اصطکاک روزمره‌ی گرفتن جواب یه سؤال امنیتی مشروع خیلی کمتر شده.

این شل‌تر شدن هم کنار بهبودهای همسوسازی اومده، نه به قیمت اون‌ها. مقاومت در برابر تزریق پرامپت بهتر شده (نرخ موفقیت مهاجم تو بنچمارک Gray Swan ۲٫۰٪ بوده، در حالی که روی Opus 4.8 ۵٫۵٪ بود)، و Anthropic این مدل رو همسوترین مدلش تا امروز می‌دونه. رد شدن کمتر کارهای امنیتی مشروع و مقاومت بهتر در برابر تزریق، اون هم تو یه نسخه، ترکیب خوبیه.

خودم عملاً چی کار می‌کنم

هیچ کار عجیبی، و نکته هم همینه. مهاجرت یعنی عوض کردن اسم مدل، به‌اضافه‌ی یه چک‌لیست کوتاه:

  1. اسم مدل رو به claude-opus-5 تغییر می‌دم.
  2. تک‌تک جاهایی رو که هیچ‌وقت thinking رو تنظیم نکردن مرور می‌کنم. max_tokens رو بالا می‌برم، یا اگه رفتار قدیمی بدون تفکر رو بخوام، thinking: {type: "disabled"} رو می‌فرستم. این همونیه که وگرنه بی‌صدا خروجی‌ها رو می‌برید.
  3. هر مسیری رو که تفکر خاموش رو با سطح تلاش xhigh یا max جفت می‌کنه پیدا و درست می‌کنم، چون حالا خطای ۴۰۰ می‌ده.
  4. پرامپت‌های بررسی و هر دور بررسی جدا تو هارنس رو پاک می‌کنم.
  5. دوباره effort رو مرور می‌کنم. پیش‌فرض «از روی عادت xhigh» که از Opus 4.8 با خودم آوردم احتمالاً زیادی بالاست؛ low و medium روی Opus 5 خیلی قوی‌تر از چیزی‌ان که انتظارش می‌ره.
  6. هر جا طول خروجی مهمه، یه خط برای کوتاه‌نویسی اضافه می‌کنم، چون مدل به‌طور پیش‌فرض طولانی‌تر می‌نویسه.

بنچمارک‌ها تیتر اصلی‌ان و واقعاً هم خوبن. ولی برای هر کسی که روی این مدل چیزی می‌سازه، داستان اینه که چند تا پیش‌فرض جابه‌جا شدن، اون هم طوری که خطا نمی‌دن؛ فقط بی‌سروصدا خروجی یا صورتحسابت رو عوض می‌کنن. همین‌هان که ارزش دارن قبل از رول‌اوت یه بعدازظهر براشون وقت بذاری.


منابع: Introducing Claude Opus 5 (Anthropic، ۲۴ ژوئیه‌ی ۲۰۲۶). عددهای بنچمارک و جزئیات API با مستندات توسعه‌دهنده‌ی Anthropic و پوشش خبری عرضه تطبیق داده شدن؛ رقم‌های دقیق اعشاری رو «گزارش‌شده» در نظر بگیر، نه «به‌طور مستقل تأییدشده».

$ cat AI .md
· 10 دقیقه مطالعه

مدل Opus 5.5 با ۴۰٪ قیمت Fable 5.1 ازش جلو می‌زنه. جدول بنچمارک رو دو بار بخون.

شرکت Anthropic امروز مدل Opus 5.5 رو با قیمت ۴/۲۰ دلار برای هر میلیون توکن منتشر کرد، و جدول خودش اون رو توی کدنویسی ایجنتی جلوتر از Fable 5.1 و GPT-6 Astra نشون می‌ده. عددهای مستقل کوچیک‌ترن، عددهای کیفیت کد یک‌دست نیستن، و دیگه نمی‌شه تفکر مدل رو خاموش کرد. از Sonnet 5.5 هم هنوز خبری نیست.

ai llm anthropic claude opus benchmarks
$ cat AI .md
· 18 دقیقه مطالعه

مدل Sonnet 5 اومد. پرسیدم چی عوض شده. این چیزیه که واقعاً یاد گرفتم.

می‌خواستم بدونم بین Sonnet 5 و Sonnet 4.6 از نظر معماری چی عوض شده. شرکت Anthropic چیزی نمی‌گه. پس سیستم کارت ۱۴۶ صفحه‌ای رو خوندم، و آخرش یه راهنمای ساده و به زبون آدمیزاد برای همه‌ی بنچمارک‌هاش نوشتم.

ai llm anthropic claude benchmarks
$ cat AI .md
· 6 دقیقه مطالعه

شرکت Anthropic سه روز بعد از عرضه خاموش شد. معنیش رو این‌جا می‌گم.

دولت هفتاد و دو ساعت بعد از عرضه‌ی Fable 5 و Mythos 5، به خاطر یه ادعای جیلبریک، سیمشون رو کشید. اگه روی API بسته‌ی مدل‌های هوش مصنوعی چیزی می‌سازی، این هفته باید نگرانت کرده باشه.

ai policy anthropic opinion platform-engineering