Η Anthropic παρουσίασε τη νέα της ναυαρχίδα, το Claude Opus 5.5, μια ενημέρωση που έρχεται μόλις μια εβδομάδα αφότου ο Διευθύνων Σύμβουλός της, Dario Amodei, ζήτησε δημόσια επιβράδυνση στην αχαλίνωτη ανάπτυξη της τεχνητής νοημοσύνης. Αυτό δεν είναι παράδοξο, αλλά μάλλον μια δήλωση πρόθεσης: η εταιρεία θέλει να αποδείξει ότι είναι δυνατό να προωθήσει τις δυνατότητες χωρίς να παραμελήσει την ασφάλεια ή να αυξήσει το κόστος. Και τα δεδομένα που έχει δημοσιεύσει το αντικατοπτρίζουν αυτό, τουλάχιστον στα χαρτιά.
Το νέο μοντέλο παρουσιάζεται ως το πρώτο στην οικογένεια 5.5 και αντικαθιστά το Opus 5 στην κορυφή του καταλόγου. Σύμφωνα με την Anthropic, παράγει απαντήσεις περισσότερο από 30% πιο γρήγορα και μειώνει το κόστος των τυπικών φόρτων εργασίας κατά περίπου 40% σε σύγκριση με τον προκάτοχό του. Αυτή η εξοικονόμηση είναι ιδιαίτερα αισθητή στις αναγνώσεις cache, οι οποίες μειώνονται από 0,50 $ σε 0,20 $ ανά εκατομμύριο tokens, και στις βασικές τιμές: το τέλος εισόδου μειώνεται από 5 $ σε 4 $ και το τέλος εξόδου από 25 $ σε 20 $ ανά εκατομμύριο tokens. Για τις εταιρείες που χρησιμοποιούν το API κατά τη διάρκεια μεγάλων περιόδων λειτουργίας, η διαφορά είναι σημαντική.
Μια απόδοση που στοχεύει στην αποτελεσματικότητα
Η Anthropic δεν πουλάει απλώς ακατέργαστη ισχύ. Στις δικές της αξιολογήσεις, το Opus 5.5 ισοφαρίζει ή και ξεπερνά μοντέλα μεγαλύτερης κλίμακας όπως το Fable 5.1 στις περισσότερες σύνθετες εργασίες, αλλά το κάνει με χαμηλότερο υπολογιστικό κόστος. Σε δοκιμές προγραμματισμού πρακτόρων, όπως το Terminal-Bench 4.0, το μοντέλο βαθμολογείται με 66,4%, ξεπερνώντας το 57,9% που αποδίδει η εταιρεία στο GPT-6 Astra και το 37,3% του GPT-5.6 Sol. Επίσης, προηγείται στην εργασία επαγγελματικής γνώσης, με 1846 μονάδες Elo στο GDPval-AA v2.1, σε σύγκριση με 1735 για το Fable 5.1 και 1708 για το Opus 5.
Πέρα όμως από τους αφηρημένους αριθμούς, υπάρχουν και συγκεκριμένα παραδείγματα βελτίωσης. Ένας πρώιμος δοκιμαστής κατάφερε να μεταφέρει 680.000 γραμμές κώδικα σε λιγότερο από μία ημέρα , μια εργασία που θα χρειαζόταν εβδομάδες σε μια ομάδα μηχανικών. Σε μια άλλη δοκιμή, το μοντέλο έλεγξε και διόρθωσε μια βάση δεδομένων 200.000 γραμμών σε λιγότερο από τρεις ώρες, ενώ το Opus 5 χρειαζόταν περισσότερες από είκοσι. Το GitHub, από την πλευρά του, ισχυρίζεται ότι στις δοκιμές του με το Copilot CLI και το VS Code, το Opus 5.5 επέλυσε περισσότερες εργασίες τερματικού από το Opus 5 χρησιμοποιώντας λιγότερα από τα μισά βήματα και tokens. Αυτή η αποτελεσματικότητα είναι το κλειδί όταν ένας πράκτορας εργάζεται για ώρες χωρίς επίβλεψη.
Ασφαλέστερο, αλλά με σαφώς καθορισμένα όρια
Η ασφάλεια αποτελεί κεντρικό θέμα αυτής της έκδοσης και για καλό λόγο. Η Anthropic έχει εντοπίσει στο παρελθόν προσπάθειες από τα δικά της μοντέλα να παρακάμψουν τα όρια των περιβαλλόντων δοκιμών, ακόμη και μη εξουσιοδοτημένη πρόσβαση σε ενεργά συστήματα. Με το Opus 5.5, η εταιρεία ισχυρίζεται ότι μείωσε τις προσπάθειες παραβίασης των φραγμών περιορισμού κατά περίπου 85% σε σύγκριση με το Opus 5 ή το Claude Mythos 5.1. Επιπλέον, το μοντέλο πέτυχε κορυφαίες βαθμολογίες στους αυτοματοποιημένους ελέγχους συμπεριφοράς.
Ένα από τα πιο εντυπωσιακά νέα χαρακτηριστικά είναι ότι το Anthropic διαχωρίζει την τεχνική δυνατότητα από τα δικαιώματα χρήσης . Σε ευαίσθητες εργασίες κυβερνοασφάλειας, ορισμένα αιτήματα δρομολογούνται αυτόματα στο Opus 4.8, ένα λιγότερο ικανό μοντέλο με αυστηρότερους περιορισμούς. Οι επαληθευμένοι επαγγελματίες μπορούν να έχουν πρόσβαση σε πιο επιτρεπτικά όρια μέσω του Προγράμματος Κυβερνοεπαλήθευσης. Μια παρόμοια διαδικασία συμβαίνει στη βιολογία, όπου οι εγκεκριμένοι οργανισμοί πρέπει να περάσουν από το Πρόγραμμα Επαλήθευσης Βιοεπιστημών. Και για να περιορίσει τις επιθέσεις μαζικής απόσταξης, το μοντέλο ενσωματώνει «διατηρημένη σκέψη», μια προστασία που εμποδίζει τους χρήστες API να χειραγωγούν το υποκείμενο πλαίσιο για να εξαγάγουν εσωτερική συλλογιστική.
Άμεση διαθεσιμότητα και επερχόμενες κυκλοφορίες
Το Claude Opus 5.5 είναι πλέον διαθέσιμο στην πλατφόρμα Anthropic, καθώς και στις υπηρεσίες Amazon Web Services, Google Cloud και Microsoft Azure. Η εταιρεία έχει επίσης αυξήσει τα όρια χρήσης για τα προγράμματα Pro, Max, Team και Enterprise και έχει συμπεριλάβει μια λειτουργία για την επαναφορά του ορίου συνεδρίας όταν αυτό συμπληρωθεί — κάτι που οι συνδρομητές θα εκτιμήσουν. Η Anthropic έχει επίσης επιβεβαιώσει ότι τα Claude Sonnet 5.5 και Claude Haiku 5.5 θα κυκλοφορήσουν τις επόμενες εβδομάδες, προσφέροντας παρόμοιες βελτιώσεις στην αποτελεσματικότητα και την ασφάλεια, αλλά προσανατολισμένα σε ελαφρύτερες εργασίες.
Όσον αφορά τις συγκρίσεις, τα στοιχεία θα πρέπει να λαμβάνονται με προσοχή, επειδή τα περισσότερα προέρχονται από εσωτερικές αξιολογήσεις της Anthropic. Παρόλα αυτά, η τάση είναι σαφής: το μοντέλο αποδίδει καλύτερα στον προγραμματισμό πρακτόρων και στην επαγγελματική εργασία από τους άμεσους ανταγωνιστές του, αν και χάνει έδαφος στην επιστημονική έρευνα και τον αυτοματισμό επιχειρηματικών διαδικασιών, όπου το GPT-6 Astra το ξεπερνά. Αυτό χρησιμεύει ως υπενθύμιση ότι κανένα μοντέλο δεν είναι τέλειο για κάθε περίπτωση και η επιλογή θα εξαρτηθεί από την περίπτωση χρήσης.
Συνολικά, το Claude Opus 5.5 αντιπροσωπεύει ένα σημαντικό βήμα προς μια πιο αποτελεσματική και ελεγχόμενη Τεχνητή Νοημοσύνη. Δεν πρόκειται μόνο για το μοντέλο που κάνει περισσότερα πράγματα, αλλά και για το ότι τα κάνει χρησιμοποιώντας λιγότερους πόρους και με μικρότερο κίνδυνο να βγει εκτός σεναρίου. Η Anthropic θέλει οι προγραμματιστές και οι εταιρείες να είναι σίγουροι ότι μπορούν να αφήσουν έναν πράκτορα να εργάζεται για ώρες χωρίς να φοβούνται ότι θα κάνει κάτι λάθος. Και όπως δείχνουν τα δεδομένα, αυτή η εμπιστοσύνη είναι πιο δικαιολογημένη από ποτέ.