Claude Opus 5 stawia proaktywność w centrum oceny agentów

Anthropic przedstawił Claude Opus 5 do codziennego codingu i pracy z wiedzą. Firma twierdzi, że model zbliża się możliwościami do Claude Fable 5 za połowę ceny, a w Frontier-Bench v0.1 ponad dwukrotnie poprawia wynik Opus 4.8 przy niższym koszcie zadania. Simon Willison zwrócił szczególną uwagę na opis modelu jako przemyślanego i proaktywnego.

Opus 5 sam zbudował brakujące narzędzie w zadaniu benchmarkowym

Anthropic opisuje zadanie, w którym model dostał obraz części maszynowej bez bezpośredniego narzędzia do jego obejrzenia. Według firmy Opus 5 napisał postup počítačového vidění, wydobył geometrię z pikseli i odtworzył element we FreeCAD.

Ten przykład sprawdza coś innego niż odpowiedź na dobrze przygotowany prompt. Model rozpoznał przeszkodę, stworzył etap pośredni i kontynuował pracę. Takie zachowanie ma wartość w długich zadaniach agentowych, gdzie nie da się wcześniej przygotować każdej zależności.

Firmy kupują ukończoną pracę, a nie liczbę kroków rozumowania

Podawana cena wynosi 5 dolarów za milion tokenów wejściowych i 25 dolarów za milion wyjściowych, tyle samo co w Opus 4.8. Fast mode kosztuje dwa razy więcej. Dla zespołu liczy się więc koszt ukończonego zadania, liczba interwencji człowieka i odsetek propozycji przechodzących testy.

Proaktywność może ograniczyć czekanie na dodatkowe instrukcje. Tworzy jednak więcej decyzji modelu, które powinny być widoczne w zapisie przebiegu i zrozumiałe podczas review. Oszczędność pojawia się dopiero wtedy, gdy autonomia nie zwiększa końcowej pracy kontrolnej.

Inicjatywa modelu wzmacnia błędy niejasnego polecenia

Anthropic nazywa Opus 5 swoim najlepiej dopasowanym modelem i informuje o ograniczeniu części treningu związanej z ryzykownymi zdolnościami cyber. Lepszy alignment nie usuwa zwykłego problemu: agent może bardzo sprawnie wykonać źle opisane zadanie. Produkcja nadal wymaga limitów narzędzi, testów i punktów zatwierdzenia.

Kolejka review i cofnięte zmiany dostarczą właściwej miary

Dobrym sygnałem będą migracje, poprawki i analizy ukończone przy mniejszej liczbie interwencji oraz bez wzrostu incydentów. Jeśli wzrośnie tylko rozmiar diffu i czas kontroli, proaktywność okaże się drogim sposobem na dokładanie pracy osobie sprawdzającej.

Werdykt Lilith

Opus 5 pokaże swoją wartość, gdy osoba sprawdzająca otworzy duży diff przygotowany bez dodatkowych pytań. Liczy się liczba zmian, które po sprawdzeniu naprawdę będzie mógł zatwierdzić.