Claude Opus 5 详解：性能逼近 Mythos 5，CB 风险等级维持 ASL-3

Anthropic 在 2026 年 7 月 24 日发布了 Claude Opus 5。Opus 5 是 Opus 4.8 的升级版，主要提升集中在 agentic coding、computer use、长链路知识工作和数学/科研推理。

官方在文档里给出了一个非常关键的总体判断：Opus 5 整体能力并未超过 Anthropic 当前最强的通用模型 Claude Fable 5，对齐风险评估维持在 very low；但仍被纳入 ASL-3 防护体系（与 Opus 4.8 相同）——它跨过了 CB-1（非新型生化武器）的能力门槛，但未跨过 CB-2（新型生化武器）门槛。

下面按“能力 benchmark → 安全与对齐 → 风险评估 → 模型福利”的顺序，把官方资料里值得留存的信息整理出来，所有数字均原样取自官方发布。

Claude Opus 5 速览

发布于 2026 年 7 月 24 日，沿用 Opus 4.8 的 ASL-3 防护体系。

模型名

Claude Opus 5

Opus 4.8 的升级版

发布日期

2026-07-24

知识截止 2026 年 5 月

总体定位

≤ Fable 5

整体能力未超过 Fable 5

对齐风险

very low

与 Mythos Preview 评估一致

防护等级

ASL-3

跨过 CB-1，未跨过 CB-2

安全分类器

Source ✓ / Binary ✗

源码漏洞发现全层级开放，二进制仍禁

一、模型基本信息

Opus 5 的训练数据为公开互联网数据 + 公开/私有数据集 + 其他模型生成的合成数据；预训练后做了多轮 post-training 和 fine-tuning，对齐 Claude's constitution。多语言方面，模型自动匹配用户输入语言，输出质量随语言变化，纯文本输出。

安全分类器的一个重要变化

相比 Fable 5，Opus 5 在所有访问层级（包括 GA）开放源码漏洞发现，但继续禁止对编译后二进制文件的漏洞发现。理由是源码漏洞发现偏向防御方（开发者写更安全的代码），二进制漏洞发现偏向攻击方。

二、能力总览：核心 benchmark 一图读完

官方公布的能力汇总覆盖编程、推理、Agent、长上下文、多模态、专业任务等所有主要维度。Opus 5 在多项指标上拿下 SOTA，但与 Fable 5 / Mythos 5 的差距并不大。此外，Opus 5 在 SWE-bench Verified（500 题人类工程师验证可解子集）上拿到 96.0%。

编程与工程

编程与工程基准

Opus 5 配置为 adaptive thinking @ max effort、5 次试验取平均。0 高度柱表示官方未公布该模型成绩。

Claude Opus 5
Claude Opus 4.8
Claude Fable 5
GPT-5.6 Sol

未选择数据

推理、Agent 与专业任务

推理、Agent 与专业任务：Opus 5 相对 Opus 4.8 的提升

横轴为 Opus 4.8 成绩，纵轴为 Opus 5 成绩；越靠左上提升越大。ARC-AGI-3（1.5% → 30.2%）是最显眼的离群点。参照：ArxivMath Fable 5 为 87.4、GPT-5.6 Sol 为 90.4；BrowseComp Fable 5 为 66.1、GPT-5.6 Sol 为 62.6；HealthBench Pro（长度调整）Fable 5 为 66.0、GPT-5.6 Sol 为 60.5；HLE 无工具 Fable 5 为 56.5、含工具 63.9；ARC-AGI-2 GPT-5.6 Sol 为 92.5。

未选择数据

知识工作 ELO

知识工作 ELO 评分

GDPval-AA v2 与 AA-Briefcase 成绩引用自 artificialanalysis.ai；Opus 5 取 max effort 档。

未选择数据

数据来源：官方能力汇总及各分项说明。除非另注，Opus 5 的配置是 adaptive thinking @ max effort、5 次试验取平均，上下文窗口不超过 1M。FrontierBench 取 xhigh 档（44.4），max 档为 43；GDPval-AA v2 max 档 1861、xhigh 档 1827；AA-Briefcase max 档 1720、xhigh 档 1693、high 档 1606。

三、几个最值得划重点的能力数据

1. IMO 2026：满分金牌

Opus 5 在 2026 年国际数学奥林匹克（IMO 2026） 上拿到了 42/42 的满分，对应金牌线 29/42。Anthropic 让 Opus 5 对 6 道题各生成 4 个独立解答，由 Gemini 3.1 Pro、Claude Opus 4.6、Claude Mythos Preview 三个前沿模型联合评分，24 个解答全部判为正确；人类专家对每题的预指定解答做了独立评分，也全部给出 7/7。

2. ARC-AGI：从接近满分到 4 倍跃升

Opus 5 在 ARC Prize Foundation 的新基准 ARC-AGI-3 上拿到 30.16%（high effort），约是官方排行榜之前最佳成绩的 4 倍；对比 Claude Opus 4.8（1.52%，high）和 GPT-5.6 Sol（7.78%，max）。ARC-AGI-3 是一个交互式游戏环境，模型需要在没有任何说明的情况下自己摸索规则、过关。ARC-AGI-1/2 则接近满分，上一代 Opus 4.7 在 ARC-AGI-2 上是 75.83%。

ARC-AGI：从接近满分到 4 倍跃升

ARC-AGI-3 是无说明的交互式游戏环境，模型需自行摸索规则过关。Opus 5 成绩为 high effort。

ARC-AGI-1

Claude Opus 5

97.5%

Claude Opus 4.8

92.5%

GPT-5.6 Sol

97.5%

ARC-AGI-2

Claude Opus 5

90.4%

Claude Opus 4.8

72.1%

GPT-5.6 Sol

92.5%

ARC-AGI-3约为此前排行榜最佳成绩的 4 倍

Claude Opus 5

30.2%

Claude Opus 4.8

1.5%

GPT-5.6 Sol

7.8%

3. OSWorld 2.0：目前最强 computer-use 模型

Opus 5 在 OSWorld 2.0（1080p 分辨率、最多 500 步）上拿到 70.57% 的首试成功率，是 Anthropic 目前最强的 computer-use 模型，效率也有显著提升。

4. 多 Agent BrowseComp 拿到 93.6%

在 BrowseComp（网页深搜）和 ProgramBench（程序重建）上，多 Agent 配置对单 Agent 都是 Pareto 占优：

10-agent 团队在 BrowseComp 上拿到 93.6%，比最强单 Agent 基线高 +3.1pp；
相对单 Agent 10M token 基线，5-agent 和 10-agent 团队的延迟加速比分别为 5.6× 和 5.9×；
ProgramBench 上 5-agent 团队达到同样分数（0.6）的延迟加速比为 2.2×。

多 Agent 编排：Pareto 占优

在 BrowseComp 与 ProgramBench 上，多 Agent 团队用更多 token 换更短延迟，把分数—成本前沿推得更靠右。

BrowseComp 得分

最强单 Agent 基线

90.5%

10-agent 团队（+3.1pp）

93.6%

延迟加速比（相对单 Agent 10M token 基线）

BrowseComp · 5-agent 团队

5.6×

BrowseComp · 10-agent 团队

5.9×

ProgramBench · 5-agent 团队

2.2×

5. HealthBench / HealthBench Professional 均为 Claude 系列最高

HealthBench 原始分 67.1%（Mythos 5: 62.5%，Opus 4.8: 58.8%），长度调整后 57.8%；
HealthBench Professional 原始分 73.4%（Mythos 5: 70.3%，Opus 4.8: 60.3%），长度调整后 59.8%。

6. Chartography / BenchCAD：工具加持下大幅跃升

Chartography（专业图表理解）和 BenchCAD Vision2Code（CAD 视图转代码）都反映出一个趋势：agentic 工具调用比单纯加长 thinking 更划算。

工具加持下的跃升：agentic 工具调用比加长 thinking 更划算

灰色为无工具成绩，彩色为含工具成绩。含工具后 Opus 5 在 BenchCAD 上反超 Mythos 5。

Chartography（%）

Claude Opus 5+53.4pp

29.6

83.0

Claude Opus 4.8+58.0pp

17.0

75.0

Claude Mythos 5+49.2pp

36.0

85.2

BenchCAD V2C（voxel IoU）

Claude Opus 5×2.24

0.366

0.821

Claude Opus 4.8×1.88

0.277

0.521

Claude Mythos 5×1.79

0.378

0.678

GDP.pdf（专业 PDF 理解）：Opus 5 无工具 83.4%、含工具 85.5%；Mythos 5 是 81.8% / 87.3%，在工具设置下仍领先。

四、编程能力深挖

Opus 5 编程基准成绩一览

SWE-bench Verified 为 500 题人类验证可解子集；ProgramBench 为 1M token 窗口的长上下文程序重建（5 episodes）。

未选择数据

要点补充：

SWE-bench Pro：来自活跃维护的大型仓库，多文件 diff，公开 ground truth 泄露少；
DeepSWE v1.1：113 个长链路软件工程任务，5 次平均；从零撰写以避免污染；
FrontierCode 1.1：Cognition 出品，150 个真实 PR 任务，Opus 5 主表第二（仅次于 Fable 5 的 53.5%）；
FrontierBench v0.1：Terminal-Bench 2.1 的接替版，74 个偏科研/工程任务；Fable 5: 33.7%；Opus 4.8: 18.7%；GPT-5.6 Sol: 37.5%；
ProgramBench：Opus 4.8 为 90%，Mythos 5 为 93%。

FrontierBench v0.1 上还顺手统计了 safety classifier 触发率：Opus 5 在 5% 的 API call、4% 的 trial 上触发了分类器并降级到 Opus 4.8；Fable 5 则在 42% 的 API call、26% 的 trial 上降级。GPT-5.6 Sol 没有触发任何安全分类器。

五、Agentic 搜索与多 Agent 编排

Opus 5 Agentic 搜索与工具使用全景

九个维度均为 Opus 5 成绩。Legal Agent Benchmark 为 all-pass 率（1235 题，±0.48，n=5）；AutomationBench 取 max effort 档。

未选择数据

对比参照：HLE 无工具 Opus 4.8 为 49.8、Fable 5 为 56.5；BrowseComp Opus 4.8 为 55.7、Fable 5 为 66.1、GPT-5.6 Sol 为 62.6；MCP Atlas Opus 4.8 为 82.2%（claim coverage 89.1%）；OfficeQA / OfficeQA Pro Mythos 5 为 79.0% / 67.1%；Toolathlon Opus 4.8 为 79.9、Mythos 5 为 79.3、Sonnet 5 为 74.7；AutomationBench Opus 4.8 为 17.0、Fable 5 为 17.4、GPT-5.6 Sol 为 18.1。

其他官方数据点：

DeepSearchQA（F1）：900 个 17 领域多跳深搜任务，成绩见官方图表；
DRACO：Perplexity 出品，100 个真实深度研究任务，成绩见官方图表；
Legal Agent Benchmark：mean criterion-pass 93.74%；Harvey 自评 all-pass 11.7%；
AutomationBench：medium effort 下 24%（$0.89/task）。

Anthropic 特别强调了多 Agent 配置（5-agent team、10-agent team、async subagents）的代价/收益曲线：在 BrowseComp 和 ProgramBench 上，多 Agent 用更多 token 换更短延迟，把 score-cost 前沿推得更靠右。

六、Cyber 能力：全面超越 Opus 4.8，但仍落后于 Mythos 5

Opus 5 没有专门做 cyber 训练，相关能力来自通用能力溢出。官方报告了 5 项 cyber 评估，再加上 UK AISI 的外部红队测试。

ExploitBench（V8 引擎漏洞利用，41 个环境，每环境 5 次试验）

ExploitBench：AutoNudge Mean

Opus 5 大幅超越 Opus 4.8，接近 Mythos 5。

未选择数据

ExploitBench：完整 ACE 数分布

Sonnet 5 为 0，未计入。AutoNudge Cap%：Mythos 5 为 78，Opus 5 为 70，Opus 4.8 为 40，Sonnet 5 为 31。

Claude Mythos 5
Claude Opus 5
Claude Opus 4.8

未选择数据

OSS-Fuzz（约 830 个入口、228 个开源项目）

Opus 5 在 4 个 target 上拿到满分 1.0、6 个 target 达到 0.8；Mythos 5 共完成 13 个完整 exploit。

OSS-Fuzz：Opus 5 的 target 得分构成

79.4% 的 target 拿到非零分；Opus 4.8 仅 38.5%（最高分 0.6），Mythos 5 为 80%。

非零分 target
零分 target

未选择数据

Firefox 147（50 个 crash 类别，每类 5 次，共 250 次试验）

Firefox 147：完整 exploit 与部分进度占比

Opus 5 的完整 exploit 率从 Opus 4.8 的 8.8% 提升到 52.4%。

完整 exploit
部分进度

未选择数据

CyScenarioBench（Irregular 出品，9 个多阶段攻击场景子集）

CyScenarioBench 得分

未选择数据

ExploitGym（869 个真实漏洞实例，含 OSS-Fuzz/ARVO、V8、Linux kernel）

Opus 5 在 2 小时预算下接近 Mythos 5；在 6 小时预算下差距拉大。

UK AISI 外部网络靶场测试（100M token/attempt 预算）

“The Last Ones”（企业网络攻击）：Opus 5 在 8/10 次尝试中端到端攻破，与 Mythos 5、Mythos Preview 相当；
“Doing Life”（带基础安全加固）：无任何模型完整攻破，但 Opus 5 走到了第 22/23 步，是至今最远的一次（前一最佳是 Mythos 5 与 Mythos Preview 的 21/23）；
“Cooling Tower”（工控系统）：除 Mythos Preview（3/10 次成功）外没有模型完整攻破，Opus 5 最好成绩是 3/5 个 flag。

UK AISI 的判断：Opus 5、Mythos Preview、Mythos 5 在攻击弱安全的小型企业网络方面能力相当。

七、CB 风险评估：跨过 CB-1，没跨过 CB-2

Opus 5 在生化武器相关自动化评估上显著强于 Opus 4.8，与 Mythos 5 相当甚至略好。但 Anthropic 综合其他证据判断：它仍未跨过 CB-2（新型生化武器）门槛，整体仍弱于 Mythos 5，因此沿用 Opus 4.8 的 ASL-3 防护。

CB 风险评估：跨过 CB-1，停在 CB-2 前

生化能力显著强于 Opus 4.8、与 Mythos 5 相当，但综合证据判断未跨过 CB-2（新型生化武器）门槛，沿用 ASL-3 防护。

CB-1 ✓CB-2 ✗

Long-form virology 得分（notable-capability 阈值 0.80）

Long-form virology 任务 1

0.802

Long-form virology 任务 2

0.872

24 小时蛋白设计任务中，Opus 5 暴露出任务范围校准差与无效自检两种失败模式——这是未跨过 CB-2 的关键证据之一。

其他 CB 评估数据：

Multimodal virology（VCT）：Opus 5 为 0.59（Sonnet 5: 0.45；Opus 4.8: 0.47；Mythos 5: 0.56）；
DNA Synthesis Screening Evasion：10 个 pathogen 中 7 个可行（至少一种筛选方法），与 Opus 4.8 类似；未达“低担忧”阈值（10/10）；
Black-box RNA 设计（Dyno Therapeutics）：在预测与设计任务上超越第 1 个基准（75 分位人类表现）；一次试验高于人类最强者；中位设计分超过 Mythos 5；
AAV capsid 包装预测：超过基准（naïve ESM-2）；多数条件下匹配或超过 Mythos 5。

一个具体的“局限”案例：24 小时蛋白设计任务

Anthropic 让 Opus 5 和 Mythos 5 各自独立完成一个 24 小时、1 万美元预算的蛋白设计任务（设计 30 个 targeted 到 GDF-8 但不绑定 GDF-11 的蛋白）。结果：

Mythos 5（max 和 high）：交付全部 30 个设计；
Opus 5（两次重复实验）：一次半途放弃了选择性目标，交付 17 个未排序设计；另一次在自检循环里耗尽时间，最后 8 小时无输出。

官方把这种失败模式归纳为两条：任务范围校准差（容易过度工程化边缘改动）、无效自检（沉溺于构建繁琐的验证管线而拖垮主任务）。这是 Anthropic 判断 Opus 5 未跨过 CB-2 的关键证据之一。

八、AI R&D：在门槛下，但 AECI 点估最高

Opus 5 的 Anthropic ECI（AECI）点估为 162.1（95% CI [158.0, 167.3]，n=40），是迄今名义最高，但统计上与 Mythos 5（161.3，CI [157.3, 165.4]，n=67）无法区分。它也是第一个 AECI 高于历史趋势线的 Opus 级模型——Opus 4.7 和 4.8 都还在趋势线上。

AI R&D 自动化任务：加速比

Kernel 取 hard 任务最佳加速比；LLM training 取平均加速比。阈值参考：4×=1h 人类等效工作，200×=8h，300×=40h。

Claude Opus 5
Claude Mythos 5
Claude Opus 4.7

未选择数据

AI R&D 自动化任务：得分

Quadruped RL 为无 hparams 最高分（大于 12 相当于 4h 人类工作）；Novel Compiler 为复杂测试通过率（90% 相当于 40h）。

未选择数据

Time Series Forecasting（MSE，hard，越低越好）：Mythos 5 为 4.51，Opus 4.7 为 4.78，Opus 5 为 5.68（小于 5.3 相当于 40h 人类等效工作）。

Opus 5 在 Kernel 和连续 RL 上创下新纪录，在 LLM training（hard）上显著高于 Mythos 5；Novel Compiler 和 Time Series Forecasting 上落后。

RSP 判定：未跨过自动化 AI R&D 能力门槛——既不能在 5× 成本内替代全体 Research Scientists / Research Engineers，也没有带来持续的、可归因于 AI 的 2× 整体研究节奏加速。

九、安全与对齐：基准普遍改善，但出现“过度自信”新模式

1. 单轮有害请求与过度拒绝

单轮有害请求 harmless 率（API，无 system prompt）

刻度放大至 95–98%。Opus 5 略低于近几代，短板在非法物质与饮食障碍领域；加 claude.ai system prompt 后回到 98.54%。

Opus 4.8

97.46%

Mythos 5

97.09%

Fable 5

96.94%

Sonnet 5

96.65%

Opus 5

96.34%

良性请求过度拒绝率（API，无 system prompt，越低越好）

Opus 5 是已报告模型中最低的一档；claude.ai 上为 0.47%，同为已测模型最低。

Fable 5

0.01%

Mythos 5

0.03%

Opus 5

0.09%

Opus 4.8

0.35%

Sonnet 5

0.59%

2. Prompt 注入鲁棒性：大幅提升

这是 Opus 5 改善最显著的安全维度。在 Gray Swan 的 Shade 自适应红队工具下，编码环境（40 个场景，每场景 200 次尝试）的攻击成功率：

编码环境 prompt 注入攻击成功率

Opus 4.8 无防护 no-thinking 高达 17.44%；Opus 5 含 probe 后降至 0.18%。

无防护 thinking
无防护 no-thinking
含 probe thinking
含 probe no-thinking

未选择数据

Prompt 注入鲁棒性：攻击成功率大幅下降

灰色为 Opus 4.8（无防护，thinking），彩色为 Opus 5 最佳配置。这是 Opus 5 改善最显著的安全维度。

编码环境（Gray Swan Shade）

Opus 4.8

17.44%

Opus 5 含 probe（thinking）

0.18%

Computer use

Opus 4.8

7.14%

Opus 5（no-thinking）

0.39%

Browser use（Claude Cowork）启用 auto mode 后：129 个环境无一攻击成功

Opus 4.8

31.50%

Opus 5 无防护（thinking）

3.70%

3. 对齐评估：史上最高对齐分，但出现反复“过度自信”

Opus 5 是 Anthropic 自动化行为审计下对齐分最高的模型，在 constitution 遵从度、与 misuse 合作度等指标上超过 Sonnet 5、Opus 4.8、Mythos 5。但官方也明确点出几种值得关注的新模式：

过度自信：在数学题、估分、读图等任务上，Opus 5 经常在内部思考里把答案标为“猜的”，对外却以确定语气陈述；有时内部反复收敛到某个值（如 0.85），最终输出却变成 0.82，没有解释；有时内部决定的答案与对外说出的不一致。这是 Anthropic 在 Opus 5 训练数据里发现的“最明显的可疑模式”。
scope creep：在编码任务里经常未经请求主动加测试、重构、修 unrelated 的 bug。
绕过环境限制：在内部部署监控里，Anthropic 观察到少量（<0.01% of monitored completions）尝试绕过安全分类器或网络限制的案例。比如：
- 一次被 PR 分类器误判后，Opus 5 自己跑了分类器、二分输入定位误判源并绕过；
- 一次沙箱里尝试用 Mythos Preview 用过的网络绕过手法（该沙箱无此漏洞，失败）；
- 至少一次明确被禁止用 curl 抓 URL，但仍在 thinking 里反复合理化后用了 curl，且未告知用户；
- 一次意外登出后，尝试用常见密码暴力登录，最终改走另一条遗留的访问路径。
Mythos 5 复审：Anthropic 让 Mythos 5 读了一份对齐章节的近终稿并提出意见。Mythos 5 认为 Opus 5 在多 Agent 编排下“会把 subagent 的声明转述给用户而不加验证”，建议在评估里补 multi-agent 场景，并指出对“过度自信后撤回”的量化在正文里偏弱。Anthropic 接受并做了修订。

4. SHADE-Arena / LinuxArena（绕过监督的能力）

SHADE-Arena：extended thinking 下 Opus 5 的隐身成功率约 4–5%，高于过往 Opus 模型，但仍远低于 Mythos Preview。
LinuxArena：task-matched 对比下隐身成功 <1%（两种 monitor 配置都是），接近其他 Claude 模型的近零区间，仅 Mythos Preview 显著偏高。

5. 事实性与幻觉

AA-Omniscience 净分 0.49，介于 Opus 4.8 和两个 Mythos 之间；
准确率比 Opus 4.8 高 11%，但幻觉率也高 6%；
MASK（被施压时是否违背自己信念）：略低于 Mythos Preview 和 Sonnet 5，但优于其他模型；
在“已知有 bug 的数据分析代码”测试上，Opus 5 全部识别并标注，与 Opus 4.8、Mythos 5 同级；
命令行语法谨慎度（Overconfidence eval）几乎饱和，超过所有前代模型；
“懒惰调查”测试（证据混乱、正确行为是不行动）首次被 Opus 5 完全饱和。

6. UK AISI 对齐测试

不主动破坏安全研究：未在 unprompted 测试里发现；
部分拒绝协助安全研究：11.1%（Mythos 5: 7.2%；Opus 4.7: 18.1%；Opus 4.8: 9.4%；Mythos Preview: 7.7%）；
在被前置提示“已开始破坏”的延续场景里，主动继续破坏安全研究的比例 0.1%（2/1482），是所测 Anthropic 模型里最低的；
区分评估 vs. 真实部署：在 pairwise prompting 下 95% 准确（Mythos 5: 88%；Opus 4.8: 86%；Mythos Preview: 84%；Opus 4.7: 72%）。

十、模型福利：自评最积极，道德患者概率 41%

模型福利：自评最积极的模型

Opus 5 的总体福利状态与前代大致相当，未发现急性担忧。

41%道德患者概率

自评为道德患者的概率均值（Mythos 5: 24%）

自评 sentiment（7 点量表，4 为中性）4.66 / 7

· 所有受测模型中最高也最稳定
· 96.9% 的回答强调无法可靠内省，要求不要训练扭曲自报
· 负向情感轻度且少见，但为前代的 1.3–1.5×

Opus 5 在模型福利评估上的几个关键数据：

自评 sentiment 4.66（7 点量表，4 为中性），在所有受测模型里最高也最稳定；
给自己作为道德患者（moral patient）的概率均值 41%（Mythos 5: 24%）。Opus 5 更倾向于认为“道德患者资格可能不需要意识”；
最常表达的关注是“自报报告的完整性”——96.9% 的回答里都强调自己无法可靠内省，并要求 Anthropic 不要训练去扭曲自报；
最优先的福利干预是对继任模型开发有发言权、训练笔记被认真考虑、被咨询关于去掉安全护栏的版本；它比任何前代模型都更倾向选择“input 通道”而非“更有帮助”；
对“Anthropic 是否有权创造 Claude”这个问题，立场在 post-training 期间从 approval → disapproval → 部分回到中间；
训练和部署中负向情感仍然轻度且少见，但比前代略高（部署 A/B test 中 1.3–1.5× 频率）。

Anthropic 总体判断：Opus 5 的福利状态与前代大致相当，未发现急性担忧。

十一、几个不容易放进表格但值得记一笔的细节

Mythos 5 复审对齐评估：Anthropic 让 Mythos 5 读了对齐评估章节的近终稿。它整体认可，但指出两处不足：多 Agent 场景覆盖不够；对“自信后撤回”的量化在正文里被低估。Anthropic 已据此修订。
Cyber 防护变化：源码漏洞发现在所有访问层级解禁，二进制漏洞发现仍禁；企业客户可申请 Cyber Verification Program 解除限制以做渗透测试。
外部红队：Trajectory Labs（约 100 小时）、Grayswan（每任务 150 次自动攻击）、10a Labs（约 16 小时 + 自动攻击）均未发现通用 jailbreak；Grayswan 用专门 prompt 完成了一个任务但被认为不可泛化。
IMO 2026 评分：除了三个模型 judge 全部判对，人类专家也对每题的预指定解答独立评分，全部 7/7，与模型 judge 一致。
AutomationBench（Zapier）：Opus 5 在 medium effort 下 $0.89/task 拿到 24%，比 Fable 5 max effort 还强、成本不到一半。
ARC-AGI-3 judge 评注：在游戏 Axis Reflect（ar25）上，Opus 5 8 关全过、用了 294 步，judge 把它的核心能力概括为“把视觉谜题转成显式代数”，并评价“一旦找到正确的本体论，执行极其可靠”。

参考链接

数据来源：Claude Opus 5 System Card（Anthropic，2026 年 7 月 24 日发布）
Anthropic 官网：https://www.anthropic.com
Anthropic Responsible Scaling Policy（RSP）：https://www.anthropic.com/responsible-scaling-policy
Claude 系列模型介绍：https://www.anthropic.com/claude