Claude Opus 5.5

資料來源#

• Summary of METR's predeployment evaluation of Claude Opus 5.5

摘要#

Claude Opus 5.5 是Anthropic繼Opus 5之後推出的 Opus 系列模型。這個 wiki 目前唯一的資料來源並非系統卡，而是METR的第三方部署前 AI 研發評估（2026-09-22）。這項評估依據一份未收費協議進行，由 METR 起草，再由 Anthropic 審閱和編輯，最後經雙方核准，納入 Opus 5.5 系統卡。這段來源脈絡——評估者自己的文字在發布前經受評估方編輯——使METR頁面已記錄的審查存取衝突更加明顯，也限定了以下所有主張：這是關於模型創造者、由雙方共同撰寫的文字，而非獨立報告。

METR 的發現#

能力測試透過 API 存取，在 10 個工作日內針對五項任務進行：Budget NanoGPT Speedrun（NanoGPT Speedrun 競賽的受限版本）、Language Model Conceptual Argumentation (LMCA)（概念推理資料集，Cooper 等人，2026）、Train a Program（訓練 ML 模型複製軟體行為）、Gaming Bot（透過非視覺 API 進行 Python 代理式遊玩），以及 Sunlight（開放式研究能力與報告撰寫）。METR 另外參考了自身《Frontier Risk Report》的背景趨勢、一份 Anthropic 能力／控制問卷，以及對 Anthropic 研究人員的訪談。

(A) Opus 5.5 本身的加速能力。「這個模型帶來的加速幅度會略高於 Fable 5.1，但不太可能完全自動化 AI 研發。」Opus 5.5 相較 Fable 5.1 是「幅度有限而非巨大的飛躍」，在可驗證任務（Budget NanoGPT、Gaming Bot）以及較難驗證的任務（LMCA、Sunlight）上都展現進步；Anthropic 表示，它在內部 AECI 指標上延續了 Mythos 等級的趨勢。完全自動化需要「在預見、預測、建立自身回饋迴路」以及研究人員判斷力方面大幅進步，而 METR 的證據並未顯示 Opus 5.5 在這些方面有重大改善。這就是同一個判斷力／品味落差——見研究品味是人類的瓶頸——也是 Anthropic 過去每一代模型都遇到的瓶頸。儘管如此，「Claude Opus 5.5 仍可能明顯提升研究人員的效率，並將研發的部分工作自動化」，帶來略高於 Fable 5.1 的提升幅度。METR 明確指出，其資料無法區分 AI 研發進步的速度是持續、加快還是減慢——只能說頻繁的漸進式進步與這三種情況都相符。

(B) AI 對 Opus 5.5 自身開發的加速。「AI 至少在某種程度上加速了這個模型的開發，但不太可能造成大幅加速。」此處的證據權重並非來自 METR 自身的能力測試：METR 的另一個團隊在 Anthropic 內部取得較高權限，對內部 AI 研發加速情況進行實驗性評估，並將結論分享給發布團隊——但「無法揭露佐證證據或推理細節」。發布團隊直言，他們「將所提供 AI 研發報告中的證據作為評估依據，但不直接為其中的主張辯護」。該內部報告的核心數字是：「AI 使整體能力加速約 1.5 倍（也就是一年達到原本一年半的進展），或許有 30% 的機率達到 2 倍加速」——未說明時間範圍。按照 Anthropic 內部能力評估，Opus 5.5 相較 Fable 5.1 的進步符合既有趨勢，也與 Mythos Preview 以來 AECI 趨勢的延續相符。

這項評估被描述為「更全面評估的試行版本，預期未來會有更多公開成果」——這是對初步嘗試的承認，並非已定型的衡量工具。

評估未涵蓋的事項#

METR 明確說明了自身的範圍：這項評估蒐集 AI 研發能力證據，「並非旨在驗證是否符合 Anthropic 政策中的任何特定門檻」，也完全不評估對齊特性。

相關連結#

• METR — 評估者；這是語料庫中 METR 首次進行的部署前 AI 研發評估（有別於其事故後調查），也是 Anthropic 首次在發布前編輯評估者原文的案例
• AI R&D Autonomy Evaluation (AECI) — 本次評估所處的 AECI／AI 研發門檻架構；Anthropic 聲稱 Opus 5.5 延續 AECI 趨勢，但此處未經稽核（未提供點估計，與 Opus 5 資料卡中的 162.1 不同）
• 研究品味是人類的瓶頸 — 「預見、預測、建立自身回饋迴路」以及研究人員的判斷力，是本頁未解決的部分；第三方再次指出這些因素是 Opus 5.5 無法縮小自動化落差的原因
• Claude Opus 5 — 前代模型；目前尚無 Opus 5.5 的能力比較表可直接對照
• 研究人員從程式碼產出中獲得的效率提升 — 約 1.5 倍（有 30% 機率達到 2 倍）的數字，是同一加速議題上的新資料點，但資訊仍不透明；Kwa 的生產函數估計與 Anthropic 的《Risk Report》也都探討了這個議題

待解決的問題#

• 內部 AI 研發報告中「約 1.5 倍、或許有 30% 的機率達到 2 倍」加速估計，有哪些佐證？製作報告的團隊雖然取得較高權限，卻沒有向負責發布這項評估的 METR 團隊揭露其推理過程。這引發的指標遭遮蔽問題，與AI R&D Autonomy Evaluation (AECI)頁面記錄的是同一問題。
• 完整的 Claude Opus 5.5 系統卡是否會改變 METR 以五項任務摘要勾勒出的能力圖像——尤其是是否存在 AECI 點估計，以及該數值與 Opus 5 的 162.1 相比如何？