Od premiery Claude Opus 5 minęły dwa dni, a to wystarczająco długo, żeby pierwsze zachwyty zdążyły zderzyć się z pierwszymi rachunkami. Zebrałem to, co mówią o nowym modelu firmy, które testowały go przed premierą, niezależne zespoły oraz społeczność Hacker News. Obraz jest ciekawszy niż komunikat prasowy, bo nie wszystko wypada na korzyść Anthropic.
Wrażenie pierwsze: model nie prosi o pomoc, tylko szuka obejścia
Powtarzającym się motywem w relacjach jest samodzielność. W jednym z opisywanych testów model nie miał dostępu do podglądu tego, co generuje, więc napisał sobie własny potok przetwarzania obrazu, żeby odczytać geometrię wprost z pikseli. W innym zadaniu, przy realnym błędzie w popularnym menedżerze pakietów, zbudował własne środowisko testowe, żeby sprawdzić, czy jego kod w ogóle się parsuje.
Anthropic potwierdza to od strony technicznej: Opus 5 weryfikuje swoją pracę bez proszenia, chętniej deleguje zadania do podagentów i częściej opowiada użytkownikowi, co właśnie robi. To zachowanie, nie ustawienie, więc odczujesz je nawet bez zmiany jednej linijki promptu.
Co mówią firmy, które miały wcześniejszy dostęp
Ostatnia uwaga jest z praktycznego punktu widzenia najciekawsza. Mniejsza wariancja oznacza, że ten sam prompt rzadziej daje raz świetny, a raz bezużyteczny rezultat. W pracy agentowej, gdzie model wykonuje kilkadziesiąt kroków, przewidywalność bywa cenniejsza niż kilka punktów procentowych w rankingu.
Test, w którym Opus 5 wypadł gorzej od poprzednika
Zespół CodeRabbit, który buduje narzędzie do automatycznego przeglądu kodu, opublikował wyniki własnego porównania. Nowy model przy wysiłku xhigh wykrył 55,2 procent znanych błędów z ich benchmarku, podczas gdy dotychczasowa konfiguracja produkcyjna wykrywa 61,1 procent. Precyzja poszła w górę (39,3 wobec 35,2 procent działających uwag), ale liczba drobiazgowych zastrzeżeń wzrosła z 23 do 92, czyli około czterokrotnie.
Wniosek autorów testu jest zniuansowany: Opus 5 lepiej sprawdza się jako asystent piszący kod niż jako samodzielny recenzent pilnujący jakości. To dobra ilustracja zasady, o której łatwo zapomnieć przy czytaniu rankingów. Wysoka pozycja w benchmarku ogólnym nie przekłada się automatycznie na Twój konkretny proces.
Sceptycy: rachunek nie jest tak oczywisty
Na Hacker News, obok relacji o zaskakująco samodzielnych rozwiązaniach, dominuje wątek kosztów. Zwolennicy nowego modelu wskazują pierwsze miejsce w rankingu Artificial Analysis. Sceptycy odpowiadają, że Opus 5 przy wysiłku high uzyskuje tam 59 punktów, dokładnie tyle co GPT-5.6 Sol w trybie maksymalnym, a koszt i czas obu wariantów wychodzą podobnie. Pojawia się też argument, że część konkurencji osiąga wyniki w granicach jednego, dwóch punktów różnicy przy niższej stawce.
Do tego dochodzi zmiana, którą Anthropic opisuje otwarcie: domyślne odpowiedzi Opusa 5 są dłuższe niż wcześniej. Test CodeRabbit pokazuje to samo w liczbach: o połowę więcej tokenów wejściowych i o dwie trzecie więcej wyjściowych na to samo zadanie. Cena za milion tokenów faktycznie się nie zmieniła, ale tokenów zużywa się więcej.
Cztery rzeczy, które warto zrobić przed poważniejszą pracą
max_tokens w swoich integracjach. Obejmuje on łącznie myślenie i odpowiedź, a myślenie jest teraz włączone domyślnie.Wrażenie po dwóch dniach
Opus 5 wygląda na model zaprojektowany pod długie, wieloetapowe zadania, w których liczy się doprowadzenie sprawy do końca, a nie efektowna pojedyncza odpowiedź. To realny postęp, szczególnie że cena za tokeny nie drgnęła. Jednocześnie żadna z tych liczb nie zwalnia z prostego obowiązku: sprawdzenia modelu na własnych zadaniach, zanim uzna się ranking za rozstrzygnięty.
Szczegóły techniczne, pełne zestawienie benchmarków i lista zmian łamiących zgodność znajdziesz w moim wpisie o premierze Claude Opus 5. Modele porównasz też samodzielnie w bezpłatnej porównywarce modeli AI, a jeśli chcesz nauczyć się formułować polecenia tak, żeby uzyskiwać z modelu powtarzalnie dobre wyniki, zajrzyj do kursu Skuteczne Prompty.