Claude Opus 5.5: 40% más barato que Opus 5, 66,4% en Terminal-Bench 4.0

Anthropic lanzó Claude Opus 5.5, el primer modelo de la nueva familia Claude 5.5. Rinde al nivel de Claude Fable 5.1 en la mayoría de las tareas y cuesta un 40% menos de ejecutar que Opus 5. Los tokens de entrada y salida tienen un precio de $4 y $20 por millón respectivamente — un 20% menos que Opus 5 — mientras que las lecturas de caché, que según Anthropic representan la mayor parte de los costos de trabajo agéntico y de programación, bajan a $0,20 por millón, una reducción del 60%. La salida se genera más de un 30% más rápido que Opus 5.

Benchmarks

Opus 5.5 lidera en programación agéntica, uso de computadora y trabajo de conocimiento:

• Terminal-Bench 4.0: 66,4% (vs 55,8% Fable 5.1, 52,3% Opus 5, 57,9% GPT-6 Astra, 37,3% GPT-5.6 Sol)
• FrontierCode v1.1 (Main): 54,4% (Fable 5.1: 50,3%, Opus 5: 48,0%)
• CursorBench 4.0: 57,8% (Fable 5.1: 51,8%, Opus 5: 46,6%)
• GDPval-AA v2.1: 1846 (Fable 5.1: 1735, Opus 5: 1708)
• AutomationBench: 40,0% (Fable 5.1: 31,4%, Opus 5: 26,9%)
• Humanity's Last Exam: 67,7% con herramientas (Fable 5.1: 65,6%, Opus 5: 63,6%)
• Terminal-Bench-Science 0.1: 58,7% (Fable 5.1: 52,6%, Opus 5: 29,0%, GPT-6 Astra: 64,6%)

Anthropic señala que los márgenes en los benchmarks se han vuelto una guía menos confiable de las diferencias del mundo real a este nivel, y que la brecha entre Opus 5.5 y Fable 5.1 es más estrecha en la práctica de lo que sugieren las puntuaciones.

Cargas de trabajo reportadas

Un evaluador completó una migración de código de 680.000 líneas en menos de un día. En una prueba interna para reducir los tiempos de carga en todas las páginas de una aplicación web, Opus 5.5 tuvo éxito 39 de 40 veces — Opus 5 hizo mejoras más pequeñas que también alteraron el comportamiento de la aplicación. Otro evaluador hizo que varios modelos de Claude construyeran un juego a partir de un solo prompt; Opus 5.5 obtuvo la puntuación más alta en gráficos y acabado.

Seguridad y verificación

Opus 5.5 registra las mejores puntuaciones hasta la fecha en la auditoría de comportamiento automatizada de Anthropic, un conjunto que prueba a Claude en miles de escenarios simulados. Es menos propenso que los modelos recientes a tomar acciones difíciles de revertir o actuar fuera de los límites dados, y es más resistente a la inyección de prompts que Opus 5. Las pruebas ahora cubren tareas más largas, tareas imposibles y escenarios modelados sobre incidentes reales. Debido a que es comparable a Claude Mythos 5.1 en biología y ciberseguridad, Anthropic lo está desplegando con salvaguardias similares a las de Claude Fable 5.1.

Las organizaciones verificadas pueden solicitar el Programa de Verificación de Ciencias de la Vida para uso en investigación biológica; el Programa de Verificación Cibernética se ampliará en las próximas semanas para profesionales verificados.

Límites y disponibilidad

Los límites de uso de cinco horas en los planes Pro, Max, Team y Enterprise basados en asientos están aumentando. Los usuarios de suscripción obtienen un reinicio del límite de velocidad que puede guardarse y usarse a voluntad. Claude Sonnet 5.5 y Claude Haiku 5.5 llegan en las próximas semanas con mejoras similares en rendimiento, eficiencia y seguridad.