Opus 5 目前位居 Artificial Analysis Intelligence Leaderboard 第 1 名

原文 ↗ Hacker News 讨论 ↗

Anthropic 的 Opus 5 短暂登上了 Artificial Analysis AI 排行榜榜首，但许多工程师认为，它相较 GPT‑5.6 Sol 和 Kimi K3 等竞争对手那一点点性能优势，并不值得其高得多的成本。评论者强调，真实世界的价值更多取决于“每美元智能”、推理设置，以及任务领域（例如编程 vs. 知识检索），而不是单一的“最佳模型”分数。一个主要痛点是 Anthropic 激进的安全过滤器和自动模型降级——尤其在生物、安全和调试工作流中——一些人因此认为，哪怕基准分数略低，限制更少的廉价模型或开源模型也更实用。

整体排行榜反应

  • Opus 5 登顶 ArtificialAnalysis 的“Intelligence Index”，但它相对 GPT‑5.6 Sol 和其他前沿模型的领先幅度很小。
  • 一些评论者认为，更有意思的图表是“智能 vs 成本/时间”，而不是单一的头条分数。
  • 有人把 Opus 5 的位置视为 Anthropic 技术进展的验证；也有人认为，考虑到相近性能但更低成本，GPT‑5.6 Sol 看起来更有吸引力。

成本、效率与推理设置

  • 很多人强调，推理等级（“low/medium/high/max/xhigh”）会极大改变成本和行为。
  • 据称，Opus 5 High 与 Sol Max 的得分相近，成本/时间也大致可比；Opus Max 则贵得多，而且有时会过度思考。
  • 有人认为，通常更好的做法是用更聪明的模型配较低推理，而不是用便宜模型开到最高。
  • 多位评论者强调 Kimi K3 和其他非美国模型在性价比上很强，尽管 K3 还没有在 AA 图表中得到完全体现。

模型角色与多模型工作流

  • 讨论了 OpenAI 的 Sol/Luna/Terra “stack”：Luna 被称赞为高效的主力/工具调用模型，Terra 是不错的对话者，Sol 则适合细腻的综合归纳。
  • 有人提出流水线方案：例如用 Sol 或 Opus 做规划/架构，用更便宜或更小的模型做实现，再用多个模型交叉复审。

用户对 Opus 5、Fable、Opus 4.8 和 Sol 的体验

  • 反馈不一：有人说 Opus 5 是明显的代际跃迁，尤其适合游戏或复杂设计任务；也有人觉得它比 Opus 4.8 或 Sol 更表面化，甚至更“迷失”。
  • 批评包括过度构建、UI 设计薄弱，或在续接旧会话时表现不佳；也有人称赞它比 4.8 更简洁、回答更聚焦。
  • 多位评论者指出，性能高度依赖代码库和任务类型。

护栏、审查与模型降级

  • 最激烈的讨论集中在 Anthropic 的安全过滤器，尤其是 Fable，其次是 Opus 5。
  • 很多人报告称，良性提示词（生物学、医学、化学、安全、性能，甚至某些词如“cell”“microbes”“segfault”“login”）会触发硬拒绝或自动降级到 Opus。
  • 生物、医学、放射学、安全和逆向工程领域的用户表示，由于分类器过于宽泛，这些模型实际上已经无法使用。
  • 有人认可安全方面的顾虑；也有人认为风险被夸大，而过度拦截损害了科研和生产力。
  • 对于静默/自动降级是否可接受存在争论；有人指出可以通过设置关闭自动切换，但也有人反感这种做法本身。

基准测试的实用性与局限性

  • 多位评论者批评单一“最佳模型”排行榜具有误导性；真实工作负载各不相同，且领域特定优势（如编程、知识、agent）很重要。
  • 也有人为基准测试辩护，认为只要用户查看多个指标（成本、幻觉率、领域分数），它们仍然非常有助于缩小选择范围。
  • 有人呼吁为特定栈或社区维护评测（例如针对特定语言/框架）。