Claude Opus 5 深度拆解：性能几乎追平旗舰，但普通人为什么大概率用不上？

本文由 莫潇羽@源码七号站（www.fuyuan7.com） 撰写，转载请注明出处。文中所有观点均基于个人学习实践与公开资料整理，仅作交流参考，不构成任何投资、经营或采购建议。

快速摘要（想看完整拆解，往下翻）

一句话结论：Claude Opus 5 是 Anthropic 在 2026 年 7 月 24 日发布的新模型，官方定位是"用一半的价格逼近旗舰 Fable 5 的智能水平"，跑分上确实接近，但对绝大多数普通用户来说，你花钱买到的那一部分能力，日常工作里很难触发。

三条最值得记住的信息：

• 定价延续 Opus 4.8：每百万输入 Token 5 美元、输出 25 美元，和上一代持平；Fast 模式速度约为普通模式的 2.5 倍，单价翻倍。
• 跑分位置：Frontier-Bench v0.1 拿到 43.3%，直接超过 Fable 5 的 33.7%；ARC-AGI 3 拿到 30.2%，约为第二名的近 4 倍；但 SWE-bench Pro 稍落后 Mythos 5 与 Fable 5 不到 1 个百分点。
• 真实体验：Opus 5 会做饱和式自测，交付质量高，但完成同一个任务消耗的 Token 明显更多，综合成本对个人用户不一定便宜。

关于 Opus 5 到底强不强、你要不要为它买单，我下面会分九个部分把话讲透：从这次发布的背景，到官方跑分的翻译、Token 消耗账本、真正吃得下这份算力的场景，再到国产替代和我自己的模型分工策略。想看完整拆解，往下翻。

温馨提示：境外大模型服务在国内使用需遵守国内网络与内容管理相关规定，本文仅对模型能力做客观评述，不引导任何绕过网络管理的行为。文中涉及价格、跑分等数据变动很快，均以写稿当日的公开资料为准，请以官方定价页面和评测平台的实时数据为准。

一、这次发布为什么值得单独拆一次

1.1 一条低调推特，信息密度并不低

早上刷屏之前，我以为是又一个"半年小升级"，翻完官方推文和博客之后立刻改变了想法。这次 Anthropic 的姿态非常克制，没有开发布会，没有一堆花哨的展示视频，就是一条推特配几张跑分表："以大约一半的成本，达到接近旗舰 Fable 5 的性能水平"。

坦白说，这种"自家新品打自家旧旗舰"的路数，我在国产手机圈见得太多了，看多了就会习惯性提高警惕：一是要看新品到底在哪些指标上追平了旗舰、又在哪些指标上被留了一手；二是要看单价便宜，是不是被使用中的其它成本抵消了。

Opus 5 的关键信息我先按对个人用户最相关的顺序列一遍：

• 定价：输入 5 美元/百万 Token、输出 25 美元/百万 Token，和上一代 Opus 4.8 完全相同。
• 上下文窗口：官方给到 1M Token 级别，长文本处理进入"整本书塞进去"的规模。
• Fast 模式：速度约 2.5 倍，单价翻倍，用来抢那些对首字延迟敏感的实时场景。
• 平台定位：在 Claude Max 里成为默认模型，在 Claude Pro 里成为可选的最强档。
• Effort 档位：从 low、medium、high 到 max effort，可以按任务难度手动切换"思考深度"。

在我看来，最值得单独拎出来说的是 Effort 档位这个设计。以前的模型要不"永远燃烧"，要不"永远节省"，用户没法在同一个模型里做区分。Opus 5 直接把"思考深度"变成一个开关，简单请求走低档、复杂 Agent 任务走高档，账单结构一下子清晰了很多。这个改动对开发者非常友好，对普通用户则意味着：如果你的产品/工具没有暴露这个档位，你可能一直被默认在了并不省钱的中高档上。

1.2 两个月内四款新模型，节奏正在变形

从 Mythos 5、Fable 5、Sonnet 5，到今天的 Opus 5，Anthropic 在两个月内推了四款主力模型。以往一年一次"大版本"的节奏，被压缩成"季度一次大动作、月度一次小动作"。这背后其实是市场结构的变化：

• 企业客户不再愿意为"顶级智能"付无限的溢价，他们要"够用+可预测的账单"。
• 训练 - 推理 - 应用之间的分工越来越细，同一个模型家族要覆盖不同价格档。
• 竞争对手一波接一波：GPT-5.6 Sol、Gemini 3.1 Pro、Kimi K3、DeepSeek V4，都在同一个季度里更新。

Opus 5 的定位其实就是踩在这个缝隙里：不是最强，但要成为"每天真正被跑起来的那一个"。它不再和自家 Fable 5 抢"最聪明"的名头，而是抢"跑起来最划算"的位置。这个策略很像国产手机里的"次旗舰"打法，做出来的产品单看不惊艳，但组合到主流用户手里最合适。

1.3 我的第一印象：数据漂亮，但要看你要用它做什么

我（莫潇羽@源码七号站）自己第一时间做了三件事：一是把官方跑分表逐行对着 Opus 4.8、Fable 5、GPT-5.6 Sol 看了一遍；二是翻了知乎、B 站、X（原推特）上已有的实测反馈；三是对着我自己的工作流问自己一句话："如果我今天必须为它买单，哪个环节会因为它变得更好？"

答案有点残酷：如果你的工作主要是写文案、做剪辑脚本、做知识梳理、日常问答，Opus 5 提供的增量非常有限。它真正的增量集中在长程 Agent、复杂代码调试、电脑操作类任务、以及一部分 3D/前端生成上。这部分内容我在第五章会展开细讲。

顺手做一张对照小表，先给你一个整体感觉：

看完这张表你大概就能理解，为什么我说"跑分很漂亮"但"日常增量有限"：漂亮的地方基本都集中在 Agent、代码这一类"高强度"任务上，而这些任务恰好不是大多数普通用户每天在做的事。

二、把官方数据翻译成人话：Opus 5 到底强在哪

跑分表看多了容易糊，我用"钱、脑、手"三个维度重新翻译一遍，这样即便你不看基准测试也能听得懂。

2.1 钱：定价体系里的"半价旗舰"是怎么算出来的

先把定价说清楚，避免后面反复解释：

Claude Opus 5 定价（写稿当日）
- 输入：5 美元 / 百万 Token
- 输出：25 美元 / 百万 Token
- Fast 模式：速度约 2.5 倍，单价约为普通模式的 2 倍
- 上下文窗口：1M Token

Claude Fable 5 定价（对比参考）
- 输入：10 美元 / 百万 Token
- 输出：50 美元 / 百万 Token

结论：Opus 5 单价约为 Fable 5 的 50%。

Anthropic 官方说"半价旗舰"的口径就是从这里来的：单价对齐 Opus 4.8，性能追齐 Fable 5，等于同价位内跳了一整代。

我要提醒的是：单价便宜，只是账单的其中一个变量。账单 = 单价 × 消耗 Token 数。如果 Opus 5 完成同一个任务需要消耗更多 Token，"半价"的说法就会被削弱一部分。这一点我在第四章会展开成一节专门讲。

对普通用户而言，如果你走 Claude Pro 或 Max 订阅，Opus 5 已经成为默认或最强档，账单其实不太用你操心；如果你走 API，就要认真算这笔账。用一句话概括："半价"是个正确的市场语言，但不是一个可以直接抄进你 Excel 里的数字。

2.2 脑：跑分逐项拆解，一次看清 Opus 5 的能力地图

官方一共公布了近十项跑分，我挑几项对普通用户和知识工作者最有参考价值的展开讲。

第一项，Frontier-Bench v0.1，考察 Agent 化的终端编程能力。Opus 5 拿到 43.3%，比 Fable 5 的 33.7% 还高出接近 10 个百分点，比 Opus 4.8 的成绩几乎翻倍。这项跑分翻译成人话就是："你能不能扔给它一个真实项目，让它自己在命令行里查文件、装依赖、跑测试、修 Bug"。Opus 5 在这一项上确实是当前公开模型中的第一梯队。

第二项，ARC-AGI 3，考察"没见过的新问题"求解能力。Opus 5 拿到 30.2%，第二名 GPT-5.6 Sol 只有约 7.8%，差了将近 4 倍。ARC-AGI 3 是 François Chollet 主导设计的一套基准，专门针对"训练时没见过"的题型，用来避免模型靠记忆刷分。这项跑分说明 Opus 5 在通用推理上出现了一次比较明显的架构级提升，不只是"多喂了点数据"。

第三项，CursorBench 3.2，考察代码编辑与协同能力。在最高努力模式下，Opus 5 距离 Fable 5 的峰值分数不到 0.5 个百分点，成本却只有 Fable 5 的一半左右。也就是说，如果你是重度写代码的用户，Opus 5 已经足够替代 Fable 5。

第四项，OSWorld 2.0，考察电脑操作（Computer Use）能力。Opus 5 拿到约 70.6%，超过 Fable 5 的最好成绩，成本只有大约三分之一。这项跑分和一类新兴的应用场景直接绑定：让模型在真实的操作系统里点鼠标、填表单、跑流程。你如果做 RPA（机器人流程自动化）、内部管理系统的自动化任务，这里的提升是实打实的。

第五项，GDPval-AA v2，考察真实经济价值任务。Opus 5 拿到约 1861 的 Elo 分数，直接领先 Fable 5 和 GPT-5.6 Sol，是这项基准里当前公开模型的头名。这项跑分覆盖分析、写作、综合、报告生成等知识工作者最常见的输出，是我个人比较重视的一项。

再补几项相对次要但值得知道的：

• HLE（人类最后的考试）：Opus 5 约 64.7%，位列第一档，比同价位模型高出不少。
• AutomationBench（Zapier 自动化榜）：Opus 5 通过率约 26%，同成本下大约是"第二名的 1.5 倍"，Zapier CEO 的原话是"没多花 Token 就登顶了"。
• SWE-bench Pro：Opus 5 稍稍落后 Mythos 5 和 Fable 5 不到 1 个百分点，比上一代 Opus 4.8 的 69.2% 上了一整个台阶。

我把这些放到一张能力雷达式的对照表里，方便你一眼看全局：

这张表你可能会看半天：能力顶级的方向，普通用户日常几乎用不到；日常用得到的方向，Opus 5 虽然也强，但和上一代、以及同档的其它模型差距并没有那么夸张。这就引出下一节：那个让 Opus 5 特别"贵"的能力，其实是"自测意识"。

2.3 手：Opus 5 的"深思熟虑+主动"意味着什么

Anthropic 官方给 Opus 5 的定位是"deliberate and proactive"，中文可以翻成"深思熟虑并且主动"。这不是一句营销话术，而是对模型行为方式的具体描述。

深思熟虑指的是：模型会先检查自己的假设，把不确定的点显式列出来，然后再决定要不要继续。主动指的是：模型会自己搭建验证条件，比如自己写测试脚本、自己截图对比、自己起一个模拟器把结果跑一遍。发现错了会主动继续改，而不是等你回一句"你写错了"再返工。

这在实际使用里最直接的表现，就是知乎上有人总结过的一段话：Opus 5 在前端和客户端项目里，会"对照原始需求每个功能点逐一截图确认"；在后端项目里，会"为每个功能点编写详细用例，整个工程测试点超过 1000 个"。

我用一段伪代码把它"内心 OS"的循环画出来给你看，可能比一堆形容词直观：

while task_not_done:
    plan = 分解任务与可能的失败点
    result = 执行当前步骤
    if 我对结果不完全确定:
        写一个针对性的自测（截图 / 单元测试 / 边界用例）
        跑一遍
        if 自测失败:
            回到 plan，修正假设
    if 全部子任务通过并且自测都过:
        task_not_done = False

输出：交付物 + 自测报告

代价是什么？非常直接：同一个任务，Token 消耗明显高于以往任何一代。当模型开始主动写测试、跑测试、截图比对、循环修正，输入输出的字符量就会成倍上涨。综合成本高不高，就变成了下一章要仔细算的账。

三、跑分之外：Opus 5 与自家兄弟的真实关系

跑分我们已经翻译完了，接下来聊一个更有意思的问题：Opus 5 和 Fable 5 是不是一个东西？ 答案是明确的：不是。而且理解这两者的分工，比看跑分本身重要得多。

3.1 Opus 5 和 Fable 5 的定位差异，其实很微妙

先说结论：Fable 5 是"极限旗舰"，Opus 5 是"能被日常跑起来的次旗舰"。这不是我自己拍脑袋分的，而是从官方基准表和访谈里读出来的：

• Anthropic 明确说 Fable 5 仍然是"能力最全面的模型"，是他们内部体系里的天花板。
• Opus 5 的口径是"接近前沿智能，但价格是一半"，从来没说自己超越 Fable 5。
• 两者的上下文窗口都是 1M Token，跑起来的接口几乎一致，可以理解成同一台车的两种发动机。

但请你注意这句话里最关键的两个字：接近。接近不是持平，也不是超越。你要真的把它们放到"能不能一直连轴跑"的场景里对比，才能感受到差异。

我自己更愿意用一个粗糙但有用的比喻：Fable 5 更像那种可以持续加班到凌晨的资深工程师，你交给它一件需要连续折腾八小时的复杂事情，它能一直保持水准；Opus 5 更像一个能做出漂亮结果、但需要合理排期的高级工程师，短平快的任务里效率极高，但真要它连续跑很久，仍然会看得出体力上限。

这不是我一个人的判断。从 Anthropic 官方对 Opus 5 的表述里也能看出来：他们承认 Opus 5 "在长周期、自主研究类任务上仍有局限，Mythos 5 依然更强"。这句话背后就是"次旗舰"三个字。

3.2 Opus 5 的强项在哪，Fable 5 的强项又在哪

我把官方跑分表里两者直接可比的项目挑出来，分成三类：

第一类，Opus 5 领先 Fable 5 的项目。

第二类，Opus 5 和 Fable 5 接近持平的项目。

• CursorBench 3.2：Opus 5 在最高努力模式下距离 Fable 5 峰值不到 0.5 个百分点。
• BrowseComp：Opus 5 约 90.8%，与 Fable 5 差距在 1 到 2 分内。
• MMMU-Pro：视觉理解上两者差距非常小。

第三类，Fable 5 仍然明显领先或独占的项目。

• 复杂法律推理与长程法条应用。
• 医疗健康类的长文推断（HealthBench Professional 上，Fable 5 高于 Opus 5 若干分）。
• 高强度、超长时间的自主研究任务。
• 深度形式化数学与证明。

看到这个分布，你就能理解一件事：Opus 5 是一个"往软件工程、Agent、办公自动化方向"做过定向优化的模型，它在这些方向上不仅追平了 Fable 5，甚至在部分项目上超越了；但在"更基础的推理、法律、医疗"这些方向上，Fable 5 依然更值得信赖。

这也说明一句话："最新"不等于"最强"。买模型和买手机一样，参数表要按你的使用场景去读，而不是按发布时间去读。

3.3 官方图表里那些没说破的信息

我（莫潇羽@源码七号站）习惯把大厂的图表当成一份"密码本"来看。有几个细节，你一开始不会注意到，但看多了就明白：

信息一：那些"输给 Fable 5"的项目，往往是模型能力的地基。推理、法律、医疗，都是需要长链路稳定性的能力，是所有其它能力的地基。地基有优势的一方，往往在实际使用中的稳定性更好，只是这种优势不容易在短 Demo 里看出来。

信息二：Opus 5 赢下来的项目，多数带有"操作"和"闭环"的属性。Agent 编程、电脑操作、自动化流程，本质都是"给它一个目标，让它自己反复试到成功"。Opus 5 的自测意识让它在这类任务里能"稳稳跑完"，而不是"跑到一半掉线"。

信息三：Fable 5 的"存在感"其实在下降。同一家公司里，如果次旗舰能拿下 7 项跑分、旗舰只拿 4 项，那旗舰的存在意义就要重新论证。这也是为什么很多海外分析师直接说"日常大部分工作用 Opus 5，只有最硬核的自主任务用 Fable 5"。

信息四：Zero Data Retention（零数据保留）是个隐藏加分项。Opus 5 支持 API 层面的零数据保留，Fable 5 目前还需要 30 天保留。这一点对企业客户，尤其是有合规审计需求的行业客户，重要性远高于跑分。

给你一段能背下来的记忆口诀："跑分看方向、地基看稳定、账单看 Token、合规看保留"。这四句话我在自己做技术选型时几乎每次都会念一遍。

四、Token 消耗才是核心变量：为什么"半价"未必等于账单减半

到了最实用的一节。跑分和定位都聊完了，我们必须回答那个真正决定你要不要用它的问题："这个月账单会不会因为切到 Opus 5 就便宜下来？"

4.1 单价便宜 ≠ 账单便宜

我先把公式明明白白写出来，避免和你玩文字游戏：

单次任务成本 = 输入 Token 数 × 输入单价 + 输出 Token 数 × 输出单价

举例说明（数字仅为示意，请以官方定价页面的实时数据为准）：
情境 A：Opus 5 完成一个任务
  输入 100,000 Token × 5 美元 / 百万 = 0.5 美元
  输出  30,000 Token × 25 美元 / 百万 = 0.75 美元
  单次总成本 ≈ 1.25 美元

情境 B：Fable 5 完成同一个任务
  输入  50,000 Token × 10 美元 / 百万 = 0.5 美元
  输出  15,000 Token × 50 美元 / 百万 = 0.75 美元
  单次总成本 ≈ 1.25 美元

看到没？在这个假设下，两者最后的账单几乎一样。Opus 5 的"半价"是在"完成同样任务、消耗同样 Token"的前提下才成立的，而这个前提在实际使用里未必总是成立。

Opus 5 的自测意识越强、跑测试越多、截图越多，输入输出 Token 就越多。跑测试要读代码，截图要生成图像描述，反复修正要多轮对话，这些都是钱。

4.2 网友实测里出现的两种极端案例

我翻了 X、B 站、知乎、36 氪上能找到的实测反馈，大概能分成两个极端：

极端一：Token 消耗小幅上升，但因单价低，综合账单反而更便宜。这一派的典型代表是"我的世界复刻"这一类前端/3D 生成任务。有个海外博主晒了 Opus 5 生成的龙卷风、攻城车、可探索 3D 住宅等 Demo，成本 - 效果比很好看。他给出的数字是 Opus 5 和 Fable 5 的 Token 消耗接近，但因为单价便宜，最终账单降了。

极端二：Token 消耗剧烈上升，"半价"完全被吃掉甚至倒挂。这一派的代表案例是某些带物理效果的复杂 3D 演示——一次生成里模型要反复计算受力、反复调整参数、反复自测画面。有海外用户吐槽说"三条 prompt 就把额度用光了"，国内也有 B 站 UP 主晒过"三轮实测两百多块"的账单截图。这类场景下"半价"的说法基本失效，甚至比 Fable 5 更贵。

导致这种差异的一个隐藏原因是：Opus 5 会根据它对任务复杂度的判断，自己决定要不要拉高 Effort 档位。你给了它一个看似简单的 prompt，但如果它认为"这件事需要认真想想"，它就会主动进入高档，Token 消耗随之翻几倍。这也是为什么很多用户觉得"我明明只问了一句话，怎么账单这么高"。解决办法是在 prompt 里显式声明"请用最低档处理"，或者在 API 调用时把档位固定住，别让它自己发挥。

为什么会出现这种两极分化？我自己复盘下来，主要有三个变量：

• 任务类型：短平快的输出，Opus 5 优势明显；越是需要模型反复自测、反复修正的任务，Token 消耗涨得越快。
• Effort 档位：低档任务里 Opus 5 非常省，最高档任务里就"火力全开"，Token 用量差距能有好几倍。
• 是否有代码执行环境：接了代码执行、浏览器、文件系统的场景，模型会自己触发很多次调用，账单跳得快。

4.3 我给知识工作者的一个简单成本估算方法

如果你是一个内容作者、独立开发者、小工作室的运营者，你不需要专门做压测，只要记住下面这套"三步估算法"：

第一步，把任务分成三类：

第二步，估算平均 Token 用量：

• 短平快任务，一般输入 2000 到 5000 Token，输出 1000 到 3000 Token。
• 中等任务，一般输入 10000 到 30000 Token，输出 3000 到 10000 Token。
• 高强度任务，可以直接翻十倍甚至更多。

第三步，算月度上限：

月度粗估 = 单次估算 × 日均次数 × 30

举例：
每天 5 次公众号长文写作（中等任务）
输入 20000 × 5 美元 / 百万 = 0.1 美元
输出  6000 × 25 美元 / 百万 = 0.15 美元
单次约 0.25 美元
每天 5 次 = 1.25 美元
每月 30 天 ≈ 37.5 美元

（价格变动很快，此为写稿时的近似行情，请以官方实时数据为准）

按这个粗估法，一个普通的中文自媒体作者，主用 Opus 5 处理长文写作，一个月的 API 账单大概在几十到一百多美元。这就是"半价旗舰"的实际含义：不是"零成本旗舰"，是"账单从很难承担变成还能承担"。

如果你走的是 Claude Pro 或 Max 订阅，账单结构不一样，但配额是有的。我建议你在实际用的时候，专门记录一下"哪些任务让你飞快跑掉配额"，然后把它们改成用更便宜的模型去做。

五、Opus 5 在什么场景下值得花钱

前面聊了那么多，我们必须落到一个具体问题上：什么样的活儿交给 Opus 5，你是"付出即回报"，什么样的活儿交给它就是"烧钱不见效"。这一节我按场景分四类展开，每一类我都会给一个"值不值"的直白判断。

5.1 长程 Agent 与自动化任务：这才是 Opus 5 的主场

如果你有一个需要模型"跑完一整套流程"的任务，Opus 5 值得直接上。举几个我自己认可的典型场景：

• 从原始客户数据表出发，自动清洗、打标签、跑分群、生成运营策略、写出对应的沟通话术。
• 从一个 GitHub Issue 出发，自动拉分支、写补丁、跑测试、通过后自动 PR。
• 从一份客户健康度报表出发，自动识别流失风险、生成一份可以直接发送的挽留邮件草稿。

这些场景的共同点是：任务链条长、需要模型在中途做判断和修正、成败取决于"跑完全流程"而不是"某一步很聪明"。Opus 5 在 AutomationBench、Frontier-Bench、OSWorld 上碾压对手，本质就是这一类能力的体现。

我个人的判断：如果你在做 Agent 应用开发，Opus 5 现在是最不容易掉链子的选项之一。它比 Fable 5 便宜，比 Sonnet 5 更稳，跑长任务不容易出现"走到一半忘了自己在干嘛"的情况。

5.2 编程与代码调试：接近 Fable 5、账单只有一半

对严肃写代码的人来说，Opus 5 的性价比非常突出。总结一下我自己的观感：

• 一次性写出的代码质量：比上一代 Opus 4.8 明显提升，但和 Fable 5 差距不大。
• 调试与根因分析：进步幅度是这一代最明显的地方。Cognition（Devin 的团队）在 FrontierCode 1.1 上的评估是"接近 Fable 级"。
• 对存量代码的理解：1M 上下文窗口意味着你可以把一整个中型仓库直接扔进去，让它做全局改造。
• 主动写测试：这个我在第二章已经讲了，落到工程里就是"交付时的 Bug 明显更少"。

代价还是那句话：Token 消耗高、跑一次时间也不短。它更像一个愿意花时间把事情干对的工程师，而不是一个追求"抢答"的实习生。

给你一条实用建议：如果你在使用 Claude Code、Cursor 这种把 Opus 5 接进 IDE 的工具，可以把简单任务（改错别字、加注释、格式化）挪到便宜的模型上，把 Opus 5 留给"跨文件的大改造""复杂 Bug 定位""需要写测试的功能开发"。这样账单能省下一大截，效果几乎不下降。

顺手多分享一个我踩过的坑：Opus 5 上下文窗口给到了 1M，但不代表你就该把所有能塞的都塞进去。塞得太多会让模型的注意力分散、Token 消耗成倍上涨、响应速度变慢。我的做法是先做一遍"上下文压缩"——把不相关的目录、无关的历史对话、不影响判断的日志剔掉，再喂给它。同样的任务，压缩之后的 Token 消耗常常只有原来的三分之一到一半，输出质量反而更高。

5.3 3D、游戏原型、可视化生成：Demo 场景是它的高光

Opus 5 发布之后，X 上刷屏最快的是 3D 相关的 Demo。一位海外开发者用它做了一个类似"我的世界"的沙盒原型，从敲砖块到攻击反馈都做出来了，视觉细节接近原版八九成。还有攻城车、龙卷风、可探索的 3D 住宅等等。

这些 Demo 之所以能刷屏，是因为它们同时命中了三个能力：

• 空间与几何理解：模型能想清楚"一个物体如果这样摆，从这个角度看会是什么样"。
• 代码到画面的映射：模型能把描述翻译成 Three.js、Babylon.js 或 WebGL 的代码。
• 主动自测：模型会自己跑起来看效果，不满意会主动改。

我要提醒的一点是：Demo 场景 ≠ 生产场景。如果你只是做原型演示、投标 Demo、给客户预览一个大概的可视化效果，Opus 5 非常适合，一晚上能做出很惊艳的东西。但真要把它做进正式的游戏项目、正式的工业可视化，还是要人写代码、模型只做辅助。

顺带说一句关于 AI 生成 3D 场景/视频的合规提示：在国内自媒体平台发布 AI 生成或深度加工的内容时，多数平台都要求显著标注"AI 生成"或"内容由 AI 辅助创作"，这是合规刚性要求，别为了传播效果偷懒不标。涉及影视素材、AI 声音克隆、名人形象等场景，还要格外注意版权与人格权相关的规定，商用素材务必取得正版授权。

5.4 电脑操作类任务：一个正在被打开的新入口

OSWorld 2.0 这项跑分背后的应用方向是"计算机使用（Computer Use）"，简单说就是"让模型看着屏幕，自己动鼠标键盘"。这类应用现在还比较新，但会变成企业内部效率工具里的重要一环。典型场景包括：

• 自动填内部管理系统里的表单。
• 自动跑一个跨多个 SaaS 工具的数据同步流程。
• 自动完成一份多人协作模板里的字段。

Opus 5 在这一类任务上做到了"用 Fable 5 三分之一的成本，超过它的最好成绩"。对企业客户来说，这类能力就是账单杀手：RPA 的成本被打下来一大截。

对个人用户来说，短期内你不太会直接用到这项能力，但它意味着一件事：未来一到两年，你现在手工做的很多重复劳动，都会被 Agent + Computer Use 的组合替代。这不是危言耸听，而是从跑分曲线里就能读出来的趋势。

对你的启示是：别再花时间把自己练成"点鼠标最快的人"。任何重复性的电脑操作，只要有明确输入输出，都会被 Agent 覆盖。你真正应该练的，是那种"需要判断、需要审美、需要经验"的能力——什么该做、什么先做、什么值得做深，这些才是模型现在还不擅长的地方，也是你未来最有护