大模型世界

Claude Opus 5.5

Anthropic的全部模型 →国外视觉模型综合智力第 2 名

全世界最会写代码的模型

加入对比查看评测视频查看评测文章
聪明世界#2
编程偏弱自报
记性1M
便宜$20

记性换算成体感：一次能读完《哈利·波特》全七部

Claude Opus 系列的视觉模型 · 按发布时间

共 14 个 · 这里是相邻的 7 个 · Anthropic的全部模型 →
  1. 2026.02Claude Opus 4.6ECI 155.8
  2. 2026.04Claude Opus 4.7ECI 156.7
  3. 2026.05Claude Opus 4.8ECI 159.6
  4. 2026.05Claude Opus 4.8 Fast未参评
  5. 2026.07Claude Opus 5ECI 164.5
  6. 2026.09Claude Opus 5.5ECI 168.4
  7. 2026.09Claude Opus 5.5 Fast未参评

她的房间

编程能力：盖着布的桌子
电脑
没有公开的编程评测成绩
上下文窗口
书架
5 层 · 记忆 1M tokens
数学与科学推理成绩
黑板
数学与科学推理
知识截止日期
日历
知识停在 2026-06
上下文缓存
冰箱
支持上下文缓存，能存记忆
闭源
门禁
闭源，权重不公开

身世

发布日期
2026 年 9 月 22 日models.dev
知识截止
2026-06
参数量
体型为估算值，官方从未公布参数量
开放权重
否
开源许可
暂无数据
上下文窗口
1M tokens
单次最大输出
128K
输入价格
$4.00 / 百万 tokens
输出价格
$20 / 百万 tokens
模型类型
视觉除了文字还能看图片或视频，输出文字
支持的输入
图像、文件、文字 → 文字
工具调用
是
深度思考
是
提示缓存
是

战绩

综合智力
168.4
AIME 数学
100.0%
GPQA Diamond 科学
90.6%
ARC-AGI-2 抽象推理
93.3%
Fiction.liveBench 长文本
未参评

综合智力、数学、科学、抽象推理与长文本数据来自 Epoch AI（CC-BY 4.0）。写「未参赛」的项目表示该模型没有被这项评测收录， 不代表它做不到——本站不会用估算值填补空缺。

编程战绩（按赛制分列）

这些分数不可互相比较。同一个模型换一套评测脚手架就能差二三十分： SWE-bench Verified 的中位数是 75.7，而难度更高的 SWE-Bench Pro 只有 41.0。 广场上的能力条因此显示的是「在同一把尺子下排第几」，而不是分数本身。

全部成绩（按榜单分列）

名次的分母是在同一个榜、由同一类测量方测过的模型数，不是全站模型数。不同榜的分数不可互相比较。

综合
数学
知识与推理
  • HLE 终极考试（可用工具）67.7%第 1 / 1
    Humanity's Last Exam 允许联网搜索、跑代码的测法，分数会比闭卷高一截，不能和闭卷那一栏放在一起比。厂商自报
  • GPQA 科学90.6%第 44 / 215
    博士级别的物理、化学、生物选择题，题目设计到「谷歌也搜不到答案」。随机乱猜是 25 分。第三方实测
    https://epoch.ai/benchmarks
  • ARC-AGI-293.3%第 3 / 122
    看几组图形样例找规律的智力题，人类轻松、模型艰难。专门测「没见过的题会不会做」。第三方实测
    https://epoch.ai/benchmarks
  • ARC-AGI（第一代）98.5%第 1 / 121
    ARC-AGI 的第一代题库，已被第二代取代。第三方实测
    https://arcprize.org/
  • SimpleQA 事实问答72.2%第 5 / 109
    一问一答的冷门事实题，测的是「知不知道」和「会不会瞎编」。分数低的模型更容易一本正经地胡说。第三方实测
  • CritPt 物理31.7%第 2 / 192
    研究级别的物理问题，由在职物理学家出题。测的是能不能做前沿科研级的推理。第三方实测
智能体
  • OSWorld 2.0 部分得分81.8%第 1 / 1
    Anthropic 发布文里的 OSWorld 2.0 口径，完成一部分也给分。和 OpenAI 公布的离线集口径不是一回事，不能放在一起比。厂商自报
  • AutomationBench40.0%第 1 / 2
    Zapier 出的业务流程测试：用 47 个工具跑完销售、市场、客服、财务里的端到端流程。考的是能不能替你把一整套办公流程跑通。第三方实测
    https://zapier.com/benchmarks
  • Terminal-Bench 科研版58.7%第 1 / 1
    Terminal-Bench 的科研分支：在终端里独立完成科学研究类任务。厂商自报
  • 经营售货机$9,235第 11 / 101
    Vending-Bench：让模型经营一台虚拟售货机一整年——进货、定价、付租金。分数是最后账上的钱，考的是长期不犯糊涂。第三方实测
    https://andonlabs.com/evals/vending-bench
  • 联网搜索竞技场1213 Elo第 9 / 13
    带联网能力的模型回答时效性问题，真人盲选谁查得准、答得实在。第三方实测
  • APEX 专业任务73.5%第 3 / 68
    投行、律所、咨询公司的真实工作任务，由业内专家出题与评分。第三方实测
  • 远程工作指数21.3%第 1 / 23
    Remote Labor Index：从自由职业平台上取的真实外包项目，看模型能独立交付多少。分数普遍很低，说明离「替代远程工作者」还远。第三方实测
  • BlueprintBench51.2%第 2 / 39
    看房屋照片画出平面图，测空间理解与工程绘图能力。第三方实测
    https://andonlabs.com/evals/blueprint-bench-2
多模态
  • Chartography 读图表89.0%第 1 / 1
    看懂各种统计图表并回答问题，考的是从图里准确读出数字和趋势。厂商自报
游戏与谜题
其他