Claude Opus 5.5 以 1,509 分登顶 Text Arena，VulcanBench 称其 Medium 与 High 档表现最佳

9 月 26 日，，Anthropic 于 9 月 22 日发布的 Claude Opus 5.5（High 推理档）首次进入 Text Arena 榜单就以 1,509 分登顶，比现列第 11 位的 Opus 5（High）高 18 分，前六名也全部是 Anthropic 的 Claude 模型。同日稍早，开源编码基准的运营者一轮耗时四天的测试：在 Frontier v4 上，Opus 5.5 在 Medium 与 High 两档表现最好，把推理档继续调到 Extra High 或 Max，精度不再提升，成本却大幅上升。

Opus 5.5 发布四天后，两份来自 Anthropic 之外的评测数据先后公布。Anthropic 在上称 Opus 5.5「在大多数工作上达到 Claude Fable 5.1 的水平」；两份数据给出了可核对的数字，也各自带着限制。

Text Arena 的规模与排名方式

显示，该榜覆盖数学、编程、创意写作和其他开放式文本任务，分数是社区投票产生的 Arena Score，标注为开启风格控制（Style Control）；截至页面标注的 9 月 25 日，榜单累计 8,528,723 张投票，收录 409 个模型。

第 2 至第 6 名依次为 Opus 4.6（High）、Fable 5（High）、Opus 4.7（High）、Fable 5.1（Max）和 Opus 4.6，分数区间为 1,498～1,505；第 2 名距榜首 4 分。Opus 5（High）的分数为 1,491。

榜首的 2,307 票与 ±12 的区间

榜单还列出各名次的票数与误差标注：Opus 5.5（High）是 2,307 票、±12；第 2 名是 76,518 票、±3；第 11 名是 55,063 票、±4。把 ± 值换算成区间，榜首与第 2 名的区间重叠；榜首到第 6 名相差 11 分。除了榜首，第 2 至第 6 名的票数在 9,942～80,836 之间。

混合价 $16 与帕累托前沿

Arena 的主帖称 Opus 5.5（High）「以约每百万 token 16 美元的混合价格落在 Text Arena 的帕累托前沿」；称它「重塑了」这条前沿，并附上标注其位置的前沿图。

所谓帕累托前沿（Pareto frontier），是分数与价格权衡中「想再提高一项，就得损失另一项」的那条边界；这张图里，绿色折线连接的就是前沿上的模型，Opus 5.5（High）位于线上分数最高的一端。

Anthropic 发布页列出的价格为输入每百万 token 4 美元、输出 20 美元；该公司还称按默认设置，典型工作负载的成本比 Opus 5 低 40%。

VulcanBench：Medium 档 23 题全部通过

Morgan 的测试基于 VulcanBench Frontier v4 的一批固定任务。显示：23 项遗留系统重建任务，每个推理档（effort level）各跑一遍；Opus 5.5 于 9 月 22 日至 24 日通过 Claude Code 2.1.280 在一个 Claude Max 订阅上运行，9 月 24 日至 25 日由 Muse Spark 1.3 与 Grok 4.6 打分，两位评委来自「榜单上没有自家模型的实验室」；报告覆盖 115 次运行，评分协议为 v3.15。

五个档位的分数是：Low 档 86.36 分，23 题通过 17 题；Medium 档 90.86 分，23 题全部通过，每任务成本 2.84 美元；High 档 91.11 分，23 题通过 22 题，为五个档位中的最高分；Extra High 与 Max 回落到 90.68 和 90.22 分，每任务成本升到 4.11 与 8.75 美元。报告用「投入只回报一次，之后趋平」概括这条曲线，并注明 High、Extra High、Max 三档的标准误与 Medium 档的重叠。

这张对比卡上还有 Claude Fable 5.1 与 GPT-6 Astra：Fable 5.1 的 Max 档拿到三者中最高的 91.84 分，Astra 的最好成绩是 Max 档的 89.30 分。Opus 5.5 的最好成绩（High 档 91.11）只输给 Fable 5.1 的 Max 档，高于 Astra 的最好成绩；在 Max 档以下，其每任务成本是 Fable 5.1 的 21%～34%。Morgan 的建议是 Medium 档：他称这一档在高精度与成本效率之间有很好的平衡。

限定条件：回退模型、工具版本与任务代表性

报告把几条限定写在明处。其一是回退模型（fallback）：当 Claude Code 的安全分类器拒答某一轮时，会话可以由 claude-opus-4-8 接手完成；有 Opus 4.8 参与作答的运行从 Low 档的 0 次增至 Max 档的 12 次，按回复量计，Max 档 47.8% 的回复由 Opus 4.8 写成（Extra High 为 32.4%、Medium 为 6.4%）。报告自己的描述是：「更高档位因此在部分意义上测量的是 Opus 4.8，Max 档接近对半。」

其二是工具版本：Opus 5.5 与 Fable 5.1 分别运行在 Claude Code 2.1.280 与 2.1.259～2.1.261 上，报告称两者之间的微小差距「受工具链差异的混杂影响」；Astra 与 Fable 5.1 的成绩取自此前按 v3.4 协议发布的结果，没有重新评审。

其三是方法边界：报告注明没有任何人类参与评分，分数是两位模型评委「为人类读者」给出的判断，且每次运行只跑一遍、没有重复。Morgan 本人点出了任务的代表性问题——这些是「为刁难前沿模型而设计的超难任务，不代表你日常会交给这些模型的工作」。在这个口径之内，他的判断是：「我现在可以有把握地说，有数据作为依据，Anthropic 在这一刻正式取得了领先。」

VulcanBench 公布了每次运行的测量结果、两位评委的逐项打分与成本明细；Arena 的榜单页列着每一行的票数、误差标注与价格。至于 Opus 5.5 的位置能保持多久，两份材料都没有给出答案。