Claude Opus 5 mění proaktivitu v hlavní metriku agentů

Anthropic představil Claude Opus 5 pro každodenní coding a znalostní práci. Firma tvrdí, že se model blíží schopnostem Claude Fable 5 za polovinu ceny a na Frontier-Bench v0.1 více než zdvojnásobil výkon Opus 4.8 při nižším nákladu na úlohu. Simon Willison z oznámení vytáhl hlavně popis modelu jako promyšleného a proaktivního.

Opus 5 si v benchmarku postavil chybějící nástroj

Anthropic popisuje úlohu, ve které model dostal obrázek strojní součástky bez přímého nástroje pro jeho zobrazení. Opus 5 si podle firmy napsal postup počítačového vidění, získal geometrii z pixelů a rekonstruoval díl ve FreeCADu.

Příklad ukazuje jinou schopnost než správnou odpověď na dobře připravený prompt. Model rozpoznal překážku, vytvořil mezikrok a pokračoval k výsledku. Právě takové chování je pro dlouhé agentické úlohy cenné.

Firmy kupují dokončenou práci, nikoli počet kroků uvažování

Uváděná cena je 5 dolarů za milion vstupních tokenů a 25 dolarů za milion výstupních tokenů, stejně jako u Opus 4.8. Fast mode stojí dvojnásobek. Pro tým proto rozhoduje cena dokončeného úkolu, počet zásahů člověka a podíl návrhů, které přežijí testy.

Proaktivita může snížit čekání na doplnění instrukcí. Zároveň přidává více rozhodnutí, která musí být viditelná v záznamu běhu a srozumitelná při review. Úspora vzniká jen tehdy, když samostatnost nezvětší kontrolní práci na konci.

Iniciativa modelu násobí chyby nejasného zadání

Anthropic označuje Opus 5 za svůj nejlépe zarovnaný model a uvádí omezení tréninku u některých rizikových kybernetických schopností. Ani silnější alignment však neřeší běžnou situaci, kdy agent přesně provede špatně formulovaný požadavek. Pro produkci zůstávají nutné limity nástrojů, testy a schvalovací body.

Výsledek změří review fronta a počet vrácených změn

Silným signálem budou migrace, opravy a analýzy dokončené s menším počtem lidských zásahů a bez růstu incidentů. Pokud se pouze zvětší diff a prodlouží kontrola, proaktivita bude dražší způsob, jak vyrobit více práce člověku při review.

Lilithin verdikt

Opus 5 se ukáže ve chvíli, kdy člověk při review otevře rozsáhlý diff, který model vytvořil bez doplňujících otázek. Hodnota leží v počtu změn, které může po kontrole skutečně schválit.