Claude Opus 5.5 资料评测：单价比 Astra 低 60%，任务成本也更低吗？

2026 年 9 月 22 日，Anthropic 发布 Claude Opus 5.5。它面向长时间运行的编码智能体和知识工作，标准 API（应用程序接口，读音 ay-pee-eye）价格降到每百万输入 token 4 美元、输出 token 20 美元。与 GPT-6 Astra 的标准输入、输出价格相比，两项都低 60%。单看价目表，这次更新已经值得关注；问题是，便宜的模型调用，是否一定能换来便宜的工作成果？Anthropic 模型规格和 Astra 模型文档给出了计算依据。

答案不能只靠价格表。模型每次想多久、生成多少内容、失败后重试几次，以及最后交出来的东西能不能用，都会进入账单。本文依据截至 2026 年 9 月 27 日的官方资料与第三方评测，分别讨论能力和成本；没有把公开数据包装成本站调用实测。

这次的 Opus，首先是一个长任务模型

官方文档列出的能力边界很清楚：文字和图片输入，文字输出；上下文窗口为 1M，常规最大输出为 128K；自适应思考始终开启，默认采用 medium 中档。这里的 token（模型处理与计费单元，读音 toh-kuhn）不是汉字数，1M 也不能直接换算成“能准确理解一百万个汉字”。完整规格与限制

这些规格意味着它可以接收大量工作材料，却不自动证明它在所有长文任务里都更准确。读进一整个项目，与找对其中那个决定需求边界的句子，是两件事。同样，支持图片不等于已经证明它能稳定识别密集后台页面里的每个数字。

因此，评价 Opus 5.5 不宜只看聊天答案是否流畅，更该看它能否带着材料完成工作：查阅文件、调用工具、形成交付物，再根据反馈继续修改。下面的独立评测，正好提供了几种不同观察角度。

编码和知识工作有竞争力，但不是每项都领先

Artificial Analysis（独立模型评测机构，读音 ar-tuh-fish-uhl uh-nal-uh-sis）的发布评测中，Opus 5.5 最高思考档在其综合指数获得 58 分；同一发布系列比较页列出的 Astra 最高档为 53 分。这是该版评测指数的结果，不是“智能高出 9.4%”，也不能和几个月前换过测试组合的指数直接画成进步曲线。同系列比较

比总分更有用的是拆开看。

*图：Artificial Analysis 9 月 22 日发布评测，综合指数图标注 v4.3；下半部分费用横轴为对数刻度。图中的思考档位、回退标记和测试集合均应保留，不能把柱高解释为所有任务的胜率。*

这些结果来自 AA 的原始评测说明。Elo 是相对比较评分，不是正确率；AA-Briefcase 使用其参考智能体执行框架 Stirrup，成绩包含模型与执行环境共同作用。该次评测还开启了 Anthropic 默认回退机制，不能将它解释为完全脱离产品机制的裸模型能力。

*图：AA 的专业交付物相对评分。原图保留不同思考档位和回退标记；发布文字与图表对 Fable 5.1 的差值存在 1 分出入，本文不合并修正该差值，也不据此作精确提升比例判断。*

同一份评测也保留了没有领先的地方：CritPt、AA-LCR 和 GDP.pdf 等项目仍落后。这个信息与 1M 上下文规格放在一起看，尤其重要。容量很大，不等于长材料中的检索、判断和文档理解已经没有短板。AA 对优势与落后项目的说明

对需要写需求分析、研究报告或方案的人，这些证据足以让 Opus 5.5 进入候选名单；但不能把专业交付物评分进一步改写成“已经证明中文 PRD 最准确”或“做出的界面最好看”。那需要对应材料、验收标准和实际产物，而不是再换一张总分图。

“低 60%”算的是单价，不是完整任务

先把价格条件摆出来。下表单位为美元／每百万 token，采用标准处理价格；Astra 对应输入不超过 272K 的请求，不包含加速、批处理、工具和地区附加费用。

价格来自 Anthropic 规格页与 OpenAI 模型文档。据此计算，Opus 的非缓存输入、输出单价各低 60%，缓存读取低 80%。

假设两个模型各使用 10 万非缓存输入 token、1 万计费输出 token，且没有其他费用：Astra 为 1.50 美元，Opus 为 0.60 美元。这是用相同计费量做的算术比较，不是“完成同一份需求文档”的实测账单。同一文本在不同分词器下可能得到不同 token 数，更不用说模型的思考长度并不相同。

缓存也不能只看最便宜的一栏。Opus 的五分钟缓存写入价是 5 美元，一小时为 8 美元；只有实际命中后，读取才按 0.20 美元计算。把第一次装入项目材料也算成缓存读取，会高估节省。缓存价格与条件

一个容易被忽略的变量：最高档会写多少

AA 的发布评测补充了一项比“便宜 60%”更值得注意的数据：最高档 Opus 5.5 在每项综合指数任务中平均使用约 119K 输出 token，而 Astra 最高档约为 27K。Opus 5.5 的输出量也约为前代 Opus 5 的 1.6 倍；AA 因而观察到，虽然单价降低，它相对前代的每任务成本仍大致相当。输出用量与任务成本说明

只取这组平均输出量，按标准输出单价计算，输出部分约为：Opus 2.38 美元，Astra 1.35 美元。这不是完整任务费用，因为尚未计入输入、缓存、回退或其他成本；它只是说明，一个单价较低的模型，完全可能因为用了更多计费输出，在某一费用项上反而更高。

所以，真正应该比较的不是“每百万 token 便宜多少”，而是“达到同一验收要求，最终花了多少”。如果多花的思考能减少返工，它可能值得；如果只是把已经明确的任务反复推演，更高的档位就未必划算。

不要把最高档成绩配上最低档成本

同一个 Opus 5.5，档位不同，表现和费用也会变化。AA 页面在本次核对时给出以下快照：

来源分别是 低档、中档和 高档评测页。这些费用针对评测集合，不能当作一次网站修改的报价。

从这组数据可以提出一个工作假设：材料整理、格式转换、明确范围的小修改，不必默认使用最高档；复杂约束、多文件修改、容易漏条件的分析，再考察提高档位是否带来足够收益。这是需要在具体任务中验证的使用策略，不是这三行数据已经证明的通用最优配置。

更稳妥的选择过程，是先固定一组真实任务和验收清单，再观察中档在哪些地方失败。只有提高档位确实减少这些失败，额外思考才有可解释的价值。

旧智能体接入时，有几处不能只改模型名

价格和能力之外，兼容性也是采用成本。官方概览列出了几项会影响旧客户端的变化：不能关闭思考；旧的强制工具选择方式会报错；思考块与模型、会话绑定；在 Claude API 和 Google Cloud 上，旧版电脑操作工具需要迁移。另一个容易误判的问题是，默认显示设置下，工具调用之间的部分文本可能不再作为可见进度消息返回。官方接入变化

这意味着“界面一段时间没有输出”与“模型没有继续工作”未必是同一回事，也意味着一个只适配旧版消息结构的客户端，可能无法正确展示过程。迁移时，应分别检查请求参数、工具定义、会话状态和进度展示，而不是拿到一条成功回答就宣布全部兼容。

值得比较的不是谁赢了所有题，而是谁更适合这项工作

综合目前证据，Opus 5.5 的亮点可以概括为：标准输入与输出单价显著低于 Astra，编码和知识工作有较强第三方结果，中高档之间也存在可选择的成本空间。它不是仅靠低价吸引注意的模型。

另一方面，最高档较大的输出用量、部分长材料与专业推理项目的短板，以及旧客户端的接入变化，都应计入判断。对中文需求、复杂界面理解和长期多轮执行，现有公开测试还不能代替自己的验收。

一份有意义的对照记录，至少应同时保留任务是否通过、完整调用费用、人工返工时间和使用档位。把这几项放在一起，才能回答开头的问题：Opus 5.5 的单价确实更低，但对某一项实际工作而言，便宜多少，要等交付物通过验收之后再算。