一、引言：先记住这个数字#

SWE-bench Verified 不是选择题考试。它是从真实开源仓库里挑出的 500 个 issue，要求模型读代码、定位 bug、写补丁、跑测试，每道题都有人类工程师手工确认”可解”。在 Opus 4.5 之前，没有任何模型能在这个基准上破 80%。

2025 年 11 月 24 日，Opus 4.5 把这个数字钉在 80.9%。官方 System Card 的对比表写得很清楚：GPT-5.1 76.3%、Gemini 3 Pro 76.2%、自家 Sonnet 4.5 77.2%。同一份文档里还有更吓人的一句——Anthropic 内部的绩效工程师招聘测验（2 小时限时的”带回家”工程题），Opus 4.5 得分高于历史上所有人类应征者。

二、能力与数据拆解：全面登顶#

编码是招牌，但 Opus 4.5 不是只修代码：

• SWE-bench Verified 80.9%（首个破 80，当时全球第一）
• GPQA Diamond ~87%（研究生级科学推理）
• MMMU 80.7%（多模态）
• OSWorld 66.3%（电脑操作，当时最强）
• Terminal-Bench Hard 44%（更难的终端任务子集）
• SWE-bench Multilingual：9 种编程语言里领先 8 种

数字之外，用户评价里反复出现一个词：“开窍了”（just gets it）。开发者关系负责人 Alex Albert 说它处理真实任务时表现出直觉和判断力，“感觉比前代质的跨越”。模糊需求能自己权衡，跨系统的大 bug 能自己定位——这类”现实感”是基准分数量不出来的，但对实际生产力才是关键。

三、关键技术创新：把”算力花在哪”交给你决定#

这一代的技术创新不在模型内部，而在使用方式的革新。

effort 参数。 官方承认：不同任务对速度和质量的要求天差地别，有些任务希望它多想一会儿，有些任务要它麻利。于是 API 加了 effort 参数（low/medium/high），把”投入多少算力”做成一个旋钮。官方给的数据非常有说服力：medium 档在 SWE-bench 上追平 Sonnet 4.5 的最佳成绩，同时输出 token 省 76%；最高档比 Sonnet 4.5 高 4.3 个百分点，token 还省 48%。开发者终于不用再”买断”全部算力——按任务精度花钱，第一次成为可能。

上下文压缩（context compaction）。 长对话不再撞墙：上下文快满时，Claude 自动总结更早的内容腾出空间。在带搜索的深度研究评估（BrowseComp-Plus）里，配合上下文管理后性能从 70.48% 升到 85.30%——长任务不掉链子，靠的就是这个。

客户端 Memory 工具（beta）。 在 200K 上下文之外，模型可以读写客户端本地的一个记忆目录，跨会话积累知识。对要跑几天的 agent 项目，记忆不再是”塞进上下文”，而是”存进文件”。

四、意义与影响：性能与价格的双重改写#

性能端，80.9% 把 SWE-bench 的天花板从”差一口气到 80”推到了”80 是及格线”。它领先 GPT-5.1（76.3%）4.6 个点、Gemini 3 Pro（76.2%）4.7 个点——这已经是身位级的差距，不是同档竞争。编码霸权这一局，Anthropic 赢得干净利落。

价格端，$5/$25 比 Opus 4.1 的 $15/$75 便宜约 66%——输入和输出都降到原来的三分之一。这等于同时改写了两条规则：一是旗舰不必最贵，二是最强模型也可以是最普惠的模型。对竞争对手，这是”性能 + 价格”的双重挤压；对开发者，Opus 级能力首次进入可以日常调用的预算区间。

这两件事叠在一起的信号再明确不过：Anthropic 不再把”最强”当成稀缺品来卖。 它要把最强的能力铺到最多的地方——接下来的 Opus 4.6、5 系，都在这条路上继续跑。

收尾：我的一点看法#

80.9% 这个数字的象征意义，比数值本身大。SWE-bench 破 80，意味着”让 AI 独立修真实代码”从”偶尔能成”变成了”大概率能成”。 行业对 agent 的预期在这一天被整体抬了一格——之后所有模型都以”破 80”为基线来讨论，这是 Opus 4.5 给整个 2026 年定下的调子。

我最欣赏的是 effort 参数。它本质上是把”智能”拆成了可买的资源：同一颗大脑，low 档干快活，high 档干硬活。比起”买断一个最强模型”，这种按需付费更接近真实世界——没有哪个工程师会对所有任务都用最大力气。Anthropic 又一次把行业变量做成了产品旋钮，上一回是 3.7 Sonnet 的思考预算，这一回是 effort。

降价 66% 背后其实藏着它的商业判断：在模型能力开始过剩、调用成本卡脖子的阶段，把价格打下来比再堆 5 个点分数更能打开市场。 2026 年 Claude 的企业采用率反超 OpenAI，回头看，Opus 4.5 的定价是那场反超的重要推手。

当然，破 80 的成色得打个问号——SWE-bench 是限定仓库、限定环境的”干净世界”，Flexport 的工程师专门写过一篇文章，提醒大家别把它当生产环境。但这不影响 Opus 4.5 的里程碑地位：天花板被它抬高了，至于天花板离地多远，是下一个模型的事。

附：核心数据速查#

Claude Opus 4.5 基本盘

关键 benchmark（官方 System Card）

• SWE-bench Verified 80.9%（首个破 80；GPT-5.1 76.3%、Gemini 3 Pro 76.2%、Sonnet 4.5 77.2%）
• GPQA Diamond ~87%；MMMU 80.7%
• OSWorld 66.3%；Terminal-Bench Hard 44%
• SWE-bench Multilingual：9 语言领先 8 种

新能力

• effort 参数：medium 追平 Sonnet 4.5 最佳、token 省 76%；最高档超 Sonnet 4.5 4.3 个点、token 省 48%
• 上下文压缩：长对话自动总结，deep research 评估 70.48% → 85.30%
• 客户端 Memory 工具（beta）：跨会话持久记忆

关键概念清单

• effort parameter = 努力参数（low/medium/high 三档，控制算力投入换取速度或质量）
• context compaction = 上下文压缩（长对话自动总结旧内容腾出空间）
• Memory tool = 记忆工具（beta，读写客户端本地目录实现跨会话记忆）
• SWE-bench Verified = 真实 GitHub issue 修代码基准（500 题，人类验证可解）
• GPQA Diamond = 研究生级科学问答基准（生物/物理/化学）
• MMMU = 多模态多学科理解基准
• OSWorld = 电脑操作（GUI）能力基准
• Terminal-Bench Hard = 终端任务基准的高难子集
• SWE-bench Multilingual = SWE-bench 多语言版本（9 种编程语言）
• ASL-3 = AI 安全三级（高能力模型的严格部署分级）