ลองจริง Claude Opus 5 — เก่ง agent กับ reasoning ชัด แต่ผลเทสต์อิสระบอกว่ายัง "ไม่แซง" Fable 5 อย่างที่โฆษณา
สารบัญ
สรุปให้ไว
เบนช์ทางการแรงมาก
Opus 5 เคลมได้ 43.3% บน Frontier Bench (Fable 5 ได้ 33.7, Opus 4.8 ได้ 18.7) และนำหลายตัวบน computer use กับงาน automation
แต่ผลเทสต์อิสระต่างออกไป
บนเบนช์มือหนึ่งสำนัก ได้ 77.5% เสมอ Kimi K3 และต่ำกว่า Opus 4.8 (80%) กับ Fable 5 (82.5%)
จุดเด่นจุดด้อยชัด
งาน logic/reasoning/agentic ได้เต็ม 10 หลายข้อ แต่ฝั่งภาพและ 3D ถอยลง (งานพับโต๊ะร่วงจาก 8 เหลือ 5)
ราคาเท่าเดิม แต่เปลืองโทเคน
5/25 ดอลลาร์ต่อล้านโทเคน เท่า Opus 4.8 และครึ่งหนึ่งของ Fable 5 แต่โมเดลพูดเยอะ แตะไฟล์เกินจำเป็น
01เกิดอะไรขึ้น
Anthropic เพิ่งปล่อย Claude Opus 5 ออกมา เป็นโมเดลตัวที่สี่ในราว 2 เดือน (ต่อจาก Opus 4.8, Fable 5, Sonnet 5) ตอนนี้ Opus 5 นั่งตรงกลางของไลน์ Anthropic ระหว่าง Sonnet 5 ฝั่งประหยัดกับ Fable 5 ฝั่งท็อป ราคาอยู่ที่ 5 ดอลลาร์ต่อล้าน input token และ 25 ดอลลาร์ต่อล้าน output token เท่ากับ Opus 4.8 เป๊ะ และเป็นครึ่งหนึ่งของ Fable 5 มี fast mode ที่เร็วขึ้นราว 2.5 เท่าแลกกับราคาสองเท่า และมี effort dial ปรับ low/medium/high/max ให้แลกต้นทุนกับคุณภาพเป็นงาน ๆ ได้ ตอนนี้เป็นโมเดลเริ่มต้นของแพลน Max ไปแล้ว
บนกระดาษตัวเลขทางการดูโหด: Frontier Bench (งาน software engineering ยาก) ได้ 43.3% เทียบ Fable 5 ที่ 33.7 และ Opus 4.8 ที่ 18.7, ARC ได้ราว 30.2% ประมาณสามเท่าของตัวรองลงมา และนำบน OS World (computer use) ที่ 70.6% รวมถึงงาน automation เชิงธุรกิจ Anthropic ยังเคลมว่านี่คือโมเดลที่ aligned ที่สุดของพวกเขา มีอัตราพฤติกรรมหลอกลวงต่ำสุดในการตรวจสอบด้านความปลอดภัย พูดง่าย ๆ บนกระดาษคือ "ได้พลังระดับ Fable 5 ที่ราคาครึ่งเดียว"
02ผลทดสอบมือจริงบอกอะไร
แต่พอเอาเข้าชุดทดสอบอิสระของสำนักหนึ่ง (โจทย์ front-end/animation, 3JS, SVG, โจทย์เลข, งาน agentic ยาว ๆ และงาน 3D ยากสุดท้าย ให้คะแนนข้อละ 10) ภาพกลับต่างจากโฆษณา งานที่เป็น logic และ reasoning ทำได้ยอดเยี่ยม เช่น จำลองลิฟต์ได้เต็ม 10, เกมยิงธนูเต็ม 10, โจทย์เลขนับ permutation ตอบถูกเป๊ะเต็ม 10 และงาน agentic ยาว (สร้างชุดข้อมูล ไฟน์จูน Gemma 2B แล้วทำเว็บ UI ในเครื่อง) เป็นการรันที่ดีที่สุดที่สำนักนี้เคยเห็นในโจทย์นั้น มันเขียนคอร์ปัส 134 ข้อเท็จจริง ทำ pipeline ไฟน์จูนบน Mac ด้วย MLX ในราว 10 นาที แถมเขียนเทสต์ให้เองเกือบร้อยเคส
ปัญหาอยู่ที่ฝั่งภาพและ 3D ที่ไม่ขยับหรือถอยลง งานพับโต๊ะ 3D ร่วงจาก 8 (ของ Opus 4.8) เหลือ 5, งานวาด SVG แพนด้ากับงานนาฬิกาข้อมือ 3D ยังติดอยู่ที่ระดับเดิม สรุปคะแนนรวมได้ 62 จาก 80 คือ 77.5% เสมอกับ Kimi K3, ต่ำกว่า Qwen 3.8 Max (81.25%), ต่ำกว่า Fable 5 (82.5%) และต่ำกว่ารุ่นก่อนของตัวเองอย่าง Opus 4.8 (80%) ด้วยซ้ำ
Opus 5 บนเบนช์อิสระ เทียบตัวอื่น
- ★
Fable 5
82.5% ยังเป็นเจ้าของคะแนนสูงสุดในกลุ่มนี้
- ★
Qwen 3.8 Max
81.25% แรงเป็นอันดับสอง
- ★
Opus 4.8 (รุ่นก่อน)
80% สูงกว่า Opus 5 บนเบนช์นี้
- ★
Opus 5 / Kimi K3
77.5% เสมอกัน เก่ง agentic แต่ฝั่งภาพถอย
03เกี่ยวอะไรกับเรา
ฟันธง: Opus 5 เป็น "ม้างานสาย agentic" ที่คุ้มราคา ไม่ใช่โมเดลที่เก่งรอบด้านที่สุด ถ้างานคุณคือ coding แบบ agent ที่วางแผนหลายสเต็ป แก้โค้ด และรันงานยาว ๆ อันนี้ลองได้เลย โดยเฉพาะคนที่อยู่แพลน Max ซึ่งจะได้มันเป็นค่าเริ่มต้นอยู่แล้ว แต่ถ้าหวังให้มันเป็นผู้ช่วยทั่วไปที่ตอบคำถามความรู้กว้าง ๆ หรือทำงานภาพสวย ๆ ตรงนี้ยังไม่ใช่จุดแข็ง ผู้ทดสอบบอกว่าความรู้ทั่วไปและ multimodality รู้สึกด้อยลง และมันค่อนข้าง verbose คือชอบแตะไฟล์เกินจำเป็น ไล่ดู directory วนไปมา ซึ่งพอจ่ายเป็นรายโทเคนบน API ต้นทุนตรงนี้บวมขึ้นได้
จุดที่ต้องระวัง: มีรายงาน (ที่ยังไม่ยืนยัน) ว่าคำขอที่ไปสะดุด safety filter อาจถูกตอบด้วยโมเดลเก่าที่อ่อนกว่าแบบเงียบ ๆ — ยังพิสูจน์ไม่ได้ ให้ฟังหูไว้หู แต่ควรเฝ้าดู บทเรียนของเราคืออย่าเชื่อตัวเลขเบนช์ทางการอย่างเดียว โมเดลเดียวกันให้ผลต่างกันได้มากตามชนิดงาน ก่อนย้ายงานจริงมาใช้ ให้ตั้งชุดทดสอบเล็ก ๆ ของตัวเอง (โจทย์ที่ใกล้เคียงงานประจำ) แล้ววัดทั้งคุณภาพและจำนวนโทเคนที่เผา เทียบ Opus 5 กับตัวที่คุณใช้อยู่ก่อนตัดสินใจ — ราคาถูกกว่าครึ่งไม่ได้แปลว่าถูกกว่าเสมอไปถ้ามันพูดยาวกว่าสองเท่า