Claude Opus 5: что даёт новый флагман на практике

Anthropic объявила выпуск Claude Opus 5, представив его как новый флагман для сложного кода, длинных документов и агентных задач. В анонсе отдельно подчёркиваются показатели SWE-bench, контекст до миллиона токенов и цена ниже, чем у Fable 5. Эти цифры интересны как ориентир, но сами по себе не доказывают, что переход принесёт пользу каждому проекту. Разбираем, что заявлено, что нужно проверить и где сравнение может вводить в заблуждение.

Что заявлено в релизе

По данным анонса, Opus 5 доступна через интерфейс, командный инструмент и API; конкретный набор каналов и лимиты зависят от тарифа. Заявленная цена — 5 долларов за миллион входных токенов и 25 долларов за выходной. Контекст обозначен как до одного миллиона токенов, максимальная длина ответа — до 128 тысяч. Эти значения нужно подтвердить в том канале, где будет работать ваша команда: веб-план и API могут иметь разные ограничения.

В опубликованных результатах указаны 96% на SWE-bench Verified и 79,2% на SWE-bench Pro. Также приводятся показатели на задачах работы с компьютером и агентного кодинга. Мы относим эти числа к заявлениям разработчика: условия запуска, количество попыток, подсказки и отбор задач влияют на итог. Независимый прогон на вашем репозитории остаётся обязательным.

Почему сравнение с Fable 5 не такое простое

В таблице анонса Opus 5 сравнивается с более дорогой Fable 5 по двенадцати тестам. По заявлению Anthropic, Opus лидирует в семи, а Fable — в пяти; на SWE-bench Pro разница составляет менее одного процентного пункта. Это показывает, что цена и место в линейке не образуют строгую шкалу качества.

Но «выше на бенчмарке» не означает «лучше в вашем проекте». Fable может удобнее работать с конкретным инструментом, а Opus — быстрее отвечать на коротком запросе. Сравнивайте одинаковую версию промпта, число попыток, контекст, тайм-аут и объём ручного ревью. Иначе вы измерите условия эксперимента, а не модели.

Кому релиз может быть полезен

Командам разработки стоит проверить Opus на задачах, где модель читает несколько файлов, находит причину сбоя, предлагает небольшой патч и обновляет тесты. Важно оценивать полный diff: прохождение SWE-bench не означает, что агент не затронет лишний модуль или изменит поведение ради одного теста.

Аналитики могут проверить работу с длинным отчётом и таблицей. Попросите модель указать источник каждого числа, выделить противоречия и перечислить отсутствующие сведения. Контекст в миллион токенов не отменяет разбиение, фильтрацию версий и проверку прав доступа.

Для коротких писем, классификации и простого извлечения полей флагман может оказаться избыточным. Более дешёвая модель даст тот же принятый результат быстрее, если задача легко проверяется.

Практический тест перед переходом

Соберите двадцать обезличенных задач: восемь по коду, шесть по документам, четыре с таблицами и две без ответа в контексте. Для каждой зафиксируйте эталон, обязательные поля и недопустимые действия. Запустите текущую модель и Opus 5 с одинаковыми параметрами.

Сохраните необработанные ответы, задержку первого токена, стоимость, число повторов и время ручного ревью. Для кода запустите тесты и проверьте лишние изменения; для документов сверяйте цитаты и даты; для таблиц пересчитывайте суммы отдельно. Повторите часть набора через несколько дней и на новом файле.

Стоп-условия задайте заранее: обращение к продакшену, выдуманная ссылка, потеря обязательного поля, рост ошибок или превышение бюджета. При срабатывании откатите маршрут и сохраните пример сбоя.

Контекст и стоимость

Большое окно удобно для связанного архива, но увеличивает время и расход. Передавайте только нужные документы, добавляйте метаданные версии и оставляйте запас под ответ и инструменты. Считайте стоимость принятого результата с учётом повторов и проверки, а не только цену входного токена.

Проверьте доступность, регион, лимиты и политику хранения именно для своего канала. Не переносите цифры из анонса на другой тариф или интерфейс без подтверждения. Историю запросов и коммерческие документы обезличивайте до теста.

Отдельно запишите, какие функции доступны в день проверки, а какие пока находятся в ограниченном режиме. Это позволит отличить изменение качества от изменения самого продукта при следующем сравнении.

Ограничения новости

Бенчмарки измеряют узкие наборы задач и могут не отражать русский язык, редкие форматы и внутренние правила. Стабильная модель всё равно может быть выведена из поддержки позже. Зафиксируйте версию, сохраните резервный маршрут и следите за изменениями API и цены.

Чек-лист чтения релиза

Перед тем как пересказывать анонс коллегам, отделите четыре слоя информации. Сначала выпишите факты: дата доступа, каналы, лимиты и цена. Затем отметьте заявления компании — бенчмарки, проценты и формулировки вроде «лучший» — и не смешивайте их с независимыми проверками. Третий слой — собственные условия: язык, типы файлов, инструменты и допустимое время ожидания. Наконец, запишите решение, которое можно отменить: пилот на ограниченной очереди, резервную модель и понятный срок оценки.

Такой порядок защищает от типичной ошибки после громкого релиза: команда меняет модель, а потом пытается придумать, почему это было нужно. Если критерии и стоп-условия записаны заранее, результат можно сравнить через неделю и спокойно отказаться от перехода, если выгода не подтверждается.

Редакционный вывод

Claude Opus 5 выглядит заметным обновлением по заявленным показателям и соотношению цены с Fable 5. Однако главный практический вопрос — не кто выше в графике, а сколько времени и ошибок остаётся до принятого результата. Начинайте с ограниченного пилота, сравнивайте собственные сценарии и переводите трафик только после проверки качества, стоимости, приватности и возможности отката.

Решение для небольшого проекта

Если команда не использует длинный контекст и агентные инструменты, не начинайте с полной миграции. Выберите один тип задачи, ограничьте бюджет на неделю и сравните долю принятых ответов с текущей моделью. При равном качестве решающим может стать время ревью или стабильность русского языка, а не разница в синтетическом тесте. Зафиксируйте этот критерий до запуска, чтобы не подгонять вывод под эффектный результат.