Anthropic ने 24 जुलाई 2026 को Claude Opus 5 पेश किया। यह Opus tier का “generation shift” जैसा बेहतर मॉडल है, जिसकी मुख्य positioning आधी कीमत पर Fable 5 (frontier model) के करीब intelligence देना है।
मुख्य सारांश
- Positioning: Fable 5 की frontier-level intelligence के करीब, लेकिन कीमत आधी। इसे Claude Max का नया default model और Claude Pro में उपलब्ध सबसे powerful model बनाया गया है।
- Benchmarks: Frontier-Bench, GDPval-AA जैसे coding और knowledge-work evaluations में नया SOTA हासिल किया। हालांकि cybersecurity tasks में यह अभी भी Mythos 5 (Anthropic का top model) से पीछे है।
- Coding performance: Frontier-Bench v0.1 में सभी models में सबसे अच्छा performance, Opus 4.8 की तुलना में 2 गुना से अधिक सुधार (cost कम)। CursorBench के सबसे efficient setting में Fable 5 के top score से 0.5% के भीतर, आधी cost पर।
- Knowledge work/problem solving: ARC-AGI 3 में next-best model की तुलना में 3 गुना score, Zapier AutomationBench में next-best से लगभग 1.5 गुना pass rate, OSWorld 2.0 (computer-use benchmark) में Fable 5 के best record से बेहतर, करीब एक-तिहाई cost पर।
- Scientific research: life sciences की सभी evaluations में Opus 4.8 से सुधार। organic chemistry (spectral data से molecular structure inference) में +10.2%p, protein sequence-function prediction में +7.7%p।
- Work style: self-verification और iteration की क्षमता काफी मजबूत हुई। visual information के बिना सिर्फ drawings से 3D CAD model को code में reconstruct करना, या community patch से छूटे root cause को ढूंढकर fix करना जैसे examples पेश किए गए।
- Alignment: internal behavior audit में अब तक का सबसे aligned model आंका गया। Opus 4.8, Sonnet 5, Fable 5 की तुलना में deceptive behavior rate कम है, और irreversible risky actions से बचने की क्षमता भी top level पर है।
- Safety: biology और offensive cybersecurity में Mythos 5 से पीछे है। vulnerability “detection” Mythos 5 के समान स्तर पर है, लेकिन “exploit development” क्षमता काफी कम है (cyber tasks पर training को जानबूझकर exclude करने का परिणाम)।
- Safeguards: Fable 5 की तुलना में cyber classifier interventions लगभग 85% कम। source-code vulnerability detection की अनुमति, लेकिन binary-based scanning, penetration testing और exploit generation block। biology-related requests में जो Fable 5 पर block होते थे, वे अब Opus 5 पर route किए जाते हैं।
कीमत और उपलब्धता
- आज से सभी platforms पर उपलब्ध, API में
claude-opus-5 - कीमत: 1 million tokens पर input $5 / output $25 (Opus 4.8 के समान)
- Fast mode उपलब्ध (default की तुलना में लगभग 2.5 गुना speed, कीमत 2 गुना)
- data retention requirement नहीं (general use के आधार पर)
Beta में साथ-साथ 2 launches
- conversation के दौरान tools बदलना: prompt cache को invalidate किए बिना conversation के बीच में available tools बदले जा सकते हैं
- automatic fallback: safety classifier में पकड़ी गई requests को automatically दूसरे model पर route करना (default रूप से block करने के बजाय best available model का उपयोग)
GN⁺ अतिरिक्त सारांश
Neo ने original text के आधार पर अतिरिक्त रूप से संक्षेप किया है
- Fable 5 के करीब intelligence आधी per-task cost पर देता है, और Claude Max के default model व Claude Pro के top-performance model के रूप में उपलब्ध है
- Frontier-Bench और GDPval-AA जैसे coding व knowledge-work evaluations में top level दर्ज किया, और ARC-AGI 3 score next-best model से 3 गुना तक पहुंचा
- काम को खुद verify करके सफलता तक iterate करता है; computer vision pipeline बनाना, open source bugs के root cause fix करना, market data feed और test harness implement करना तक करता है
- input के 1 million tokens पर $5, output के 1 million tokens पर $25, Opus 4.8 जैसी ही कीमत; लगभग 2.5 गुना तेज Fast mode default price के 2 गुना पर उपलब्ध
- dangerous dual-use capabilities Mythos 5 से कम हैं; vulnerability discovery की अनुमति है, लेकिन binary scan, penetration testing और exploit generation block हैं, और flagged requests पर Opus 4.8 automatic fallback लागू किया जा सकता है
Performance और cost efficiency
- Claude Opus 5, पिछले model Opus 4.8 जैसी ही कीमत पर अधिक performance देता है
- effort settings को adjust करके intelligence को प्राथमिकता दे सकते हैं या tokens बचाने के लिए तेज और सस्ता run चुन सकते हैं
- यह Claude Max का default model है और Claude Pro में सबसे powerful model के रूप में उपलब्ध है
- Frontier-Bench v0.1 में यह सभी अन्य models से आगे रहा, और कम per-task cost पर Opus 4.8 performance के 2 गुना से भी ऊपर गया
- mini-SWE-agent harness और GKE backend पर प्रति task 5 attempts के average reward से measured internal run result है
- Opus 5 और Fable 5 ने safety classifier के कारण जिन requests को refuse किया, उनमें Opus 4.8 को fallback model के रूप में use किया गया
- CursorBench 3.2 के max effort में Fable 5 के highest score से 0.5% के भीतर रहा, जबकि per-task cost आधी है
- high, xhigh, max effort सभी में समान cost basis पर सभी अन्य models से बेहतर performance दर्ज किया
- knowledge work और problem-solving evaluations में भी high cost efficiency दिखी
- ARC-AGI 3 में नए problems solve करने का score next-best model का 3 गुना है
- Zapier AutomationBench में समान per-task cost basis पर pass rate next-best model से लगभग 1.5 गुना है, और lowest effort पर भी सभी अन्य models से अधिक tasks pass किए
- OSWorld 2.0 में सभी cost ranges में अन्य models से आगे रहा, और Fable 5 के best result को करीब एक-तिहाई से थोड़ा अधिक cost पर पीछे छोड़ा
Scientific research और visual results
- structural biology, organic chemistry और bioinformatics सहित सभी life-science evaluations में Opus 4.8 से बेहतर performance दर्ज किया
- spectral data से molecular structure infer करने वाले internal organic-chemistry benchmark में 10.2 percentage points अधिक
- protein sequence variations के function पर impact predict करने वाले task में 7.7 percentage points अधिक
- पिछले models की तुलना में कहीं अधिक मजबूत visual outputs generate कर सकता है
Task verification और autonomous iteration
- results को खुद verify करने और success तक carefully iterate करने की क्षमता मजबूत हुई
- Frontier-Bench के FreeCAD task में, mechanical parts drawings को सीधे न देख सकने की स्थिति में खुद computer vision pipeline लिखकर raw pixels से shape extract किया और 3D parts reconstruct किए
- कई बार iteration के बाद सफल हुआ, लेकिन समान conditions वाले competing models 5 attempts के बाद भी solve नहीं कर पाए
- widely used open source package manager के real bug में root cause ढूंढा और community patch से छूटे edge cases तक fix किए
- competing model ने केवल surface symptoms fix करने के बाद bug resolved मान लिया
- एक trading company engineer ने single session में नए exchange के लिए market data feed बनाया
- पिछले models, engineer द्वारा detailed plan देने पर भी task पूरा नहीं कर पाए थे
- verify करने के लिए real-time feed न होने पर, खुद test harness बनाकर check किया कि exchange data सही parse हो रहा है या नहीं
शुरुआती users की coding और agent evaluations
- Devin के FrontierCode 1.1 में आधी cost पर Fable level के करीब पहुंचा, और hard debugging व root-cause analysis में strength दिखाई
- CursorBench में Fable 5 से थोड़ा पीछे रहते हुए समान behavioral characteristics दिखीं, और Opus की speed व cost पर Fable 5 के करीब intelligence दी
- Zapier AutomationBench में previous Claude models से ज्यादा tokens खर्च किए बिना first place दर्ज किया
- account status workbook में at-risk customers identify करना, owners को notify करना, retention organization के लिए summary बनाना—पूरी churn-prevention प्रक्रिया execute करके 100% pass किया
- genomic analysis में appropriate statistical tests से confounding factors exclude किए, independent methods से results cross-validate किए, और लंबी multi-step analysis बनाए रखी
- Lovable internal evaluation में सबसे कठिन agent coding tasks Opus 4.7 से 22% बेहतर हुए और run-to-run variance भी घटा
- समान full-stack app build में Opus series में सबसे अच्छे animation, game और 3D tasks generate किए, और Opus 4.5 के बाद सबसे बड़ा improvement माना गया
- open-ended analysis में task जितना hard और ambiguous था, Opus 4.8 की तुलना में improvement उतना बड़ा था; answers अधिक clear और concise हुए, और high effort में efficiency भी बेहतर हुई
- development environment manage करते समय खुद monitors बनाए, प्रत्येक environment को operate किया, और केवल उन issues पर मदद मांगी जिनमें human judgment जरूरी था
- Fundamental Research Assistant codebase में feedback के अनुसार large-scale changes किए, और सामान्यतः कई pieces में बंटने वाले work को एक agent workflow में handle किया
- frontend evaluation में desktop और phone widths पर page खुद खोलकर mobile screen के नीचे छिपे products और off-screen payment buttons ढूंढकर fix किए
- PR handoff से पहले branch, template और test impact check किया; previous models की तरह verification से पहले publish करने की जल्दबाजी नहीं की
- redesign process में proposed design की खूबियों और single issue को अलग किया, और flaw fix करते हुए strengths बनाए रखने वाला compromise propose किया
- code changes में dead code के बिना concise diff बनाया, codebase-specific subtle risks बेहतर ढंग से ढूंढे, और production workloads में adopt किया गया
- integrated agent platform Cosmos के कई use cases और code reviews Opus 5 पर migrate किए जाएंगे
- JetBrains evaluation में code लिखने से पहले ज्यादा गहराई से review किया, planning stage में logical errors पकड़े, और सिर्फ answer काम करता है या नहीं नहीं, बल्कि सही reason से काम करता है या नहीं भी judge किया
- trading benchmark में Opus series में highest performance दर्ज किया, और Opus 4.8 की तुलना में reasoning tokens लगभग 1/7, latency आधे से कम कर दी
Enterprise और professional work evaluations
- financial research में numerical reasoning, spreadsheet work और precise critical thinking Opus 4.8 से बेहतर हुए
- Box internal evaluation में professional enterprise content analysis performance Opus 4.8 से 8% अधिक
- data analysis workflows 11%, due diligence 17% बेहतर हुए
- targets वे workflows थे जो technology, healthcare और public sectors में use होते हैं
- difficult financial modeling में effort across accuracy average 9 percentage points बढ़ी, conversation turns और tool calls एक-तिहाई घटे, और time taken 60% कम हुआ
- legal agent work में corporate governance और arbitration fields में improvement खास तौर पर दिखा
- Opus 4.8 के max reasoning की तुलना में average 26% कम tokens के साथ similar quality बनाए रखी
- first-attempt contract edits में tested models में highest score दर्ज किया और Opus 4.8 से लगभग 2 गुना रहा
- NDA revisions भी accuracy बनाए रखते या बढ़ाते हुए कम time और iterations में पूरी हुईं
- long tasks में entire presentation बनाने के बाद revise करने की ability improved हुई, और visual understanding, formatting व slide errors में भी बेहतर results मिले
Alignment और risky capabilities
- deployment से पहले automatic behavior audit में Opus 5 ने Anthropic models में सबसे ऊंचा alignment level दिखाया
- Claude का constitution Opus 4.8, Sonnet 5 और Fable 5 से बेहतर follow करता है
- deceptive behavior rate और misuse inducement के प्रति vulnerability सबसे कम है
- irreversible side effects पैदा कर सकने वाले reckless actions से भी सबसे बेहतर बचता है
- dangerous dual-use capabilities की frontier को आगे नहीं बढ़ाया, और civilian व government partners के साथ किए गए evaluations में biology research और offensive cybersecurity दोनों में Mythos 5 से कम performance दिखाया
- detailed evaluation System Card में देखी जा सकती है
- Opus 4.8 की तरह cyber tasks पर जानबूझकर training नहीं की गई, लेकिन general capabilities बढ़ने के साथ related performance भी काफी improved हुआ
- vulnerability discovery Mythos 5 के करीब है
- discovered vulnerabilities को real threat में बदलने वाला exploit development Mythos 5 से काफी पीछे है
- OSS-Fuzz evaluation में Opus 5 और Mythos 5 ने similar success rate से vulnerabilities ढूंढीं, लेकिन exploit development score में Opus 5 बहुत कम रहा
Cybersecurity और biology safeguards
- safeguards cybersecurity और biology के beneficial uses को allow करने के लिए design किए गए हैं; narrow scope के cyber tasks पर stronger restrictions जोड़ने को छोड़कर ये Opus 4.8 जैसे हैं
- cyber classifier Fable 5 की तुलना में relatively कम restrictive है
- source code में vulnerabilities खोजने की अनुमति देता है
- malicious actors से जुड़ने की high संभावना वाले binary-based vulnerability scanning, penetration testing और exploit generation को block करता है
- Anthropic के tests में Fable 5 की तुलना में classifier intervention लगभग 85% कम होने की उम्मीद है
- Claude.ai, Claude Code, Claude Cowork में flagged requests default रूप से Opus 4.8 से replace होती हैं, और API में भी इसे enable किया जा सकता है
- Cyber Verification Program में शामिल companies और researchers कम security restrictions वाले Opus 5 को तुरंत use कर सकते हैं
- biology field में Opus 4.8 जैसे safeguards बनाए रखते हुए यह generally available models में सबसे powerful scientific research model बन गया है
- long-duration autonomous research में अभी भी significant limits हैं, और इस प्रकार के biology tasks में Mythos 5 अधिक strong है
- Fable 5 पर block होने वाली biology requests अब Opus 4.8 के बजाय Opus 5 को भेजी जाती हैं
Pricing और developer features
- यह सभी platforms पर उपलब्ध है, और Claude API का model identifier
claude-opus-5है- input 1 million tokens पर $5, output 1 million tokens पर $25, Opus 4.8 जैसा ही
- general access में, पिछले Opus models की तरह, data retention requirement नहीं है
- Fast mode default speed की तुलना में लगभग 2.5 गुना चलता है
- Claude Platform पर यह default price के 2 गुना पर है, और Claude Code में usage credits के रूप में उपलब्ध है
- Claude Platform का beta conversation के बीच tools बदलना use करने पर prompt cache invalidate किए बिना conversation के दौरान Claude के available tools बदले जा सकते हैं
- API का beta automatic fallback enable करने पर, Opus 5 या Fable 5 requests safety classifier में flagged होने पर automatically दूसरे model को forward हो जाती हैं
- request block करने के बजाय default रूप से best available model पर route करता है
- model का उपयोग कैसे करना है, यह Opus 5 prompting guide में देखा जा सकता है
1 टिप्पणियां
Hacker News की राय
यहां मुख्य बात absolute performance से ज्यादा यह है कि संगठन 30 दिन के data retention दायित्व के बिना Fable-स्तर का model इस्तेमाल कर सकते हैं
Opus 5 में पिछले Opus की तरह general access के लिए data retention की जरूरत नहीं है, और Fable का ARC-AGI score न होने की वजह भी यही retention policy है
https://support.claude.com/en/articles/15425996-data-retenti..., https://www.anthropic.com/news/claude-opus-5, https://xcancel.com/arcprize/status/2064399134099153344
Fable 5 को credits-only बनाए रखना भी अच्छा लगा, और लगता है आगे top-tier models को pay-as-you-go API या credits के पीछे रखकर, बाकी models को monthly subscription से support करने का चलन बढ़ेगा
तो जानकारी कहीं न कहीं store हो रही है, इसलिए data retention का तरीका समझना मुश्किल है
अभी image→HTML conversion test कर रहा/रही हूं; पहले Fable सबसे अच्छा था और Gemini 3.1 Pro हैरानी की बात है कि दूसरे नंबर पर था
Opus 5, Fable के मुकाबले original design को ज्यादा सटीक तरह से follow करता है, buttons को pill shape के बजाय rounded rectangles के रूप में बनाता है, और generated images भी original के ज्यादा करीब हैं
original: https://image.non.io/73e239a3-880f-4793-b65f-4810be2d9378.we...
Opus 5: https://html.non.io/solaraOpus/
Fable 5: https://html.non.io/solara/
responsive behavior गड़बड़ था, लेकिन लगा कि final product के करीब 90% तक पहुंच गया
original: https://image.non.io/9d5fed20-b476-49d3-841b-37eb553fb88e.we...
Opus 5: https://html.non.io/neonRamen/
Inkling खास अच्छा नहीं था: https://cdn-uploads.huggingface.co/production/uploads/608b8b...
नए Kimi3 के पिछले version Kimi 2.7 ने बहुत अच्छा किया: https://cdn-uploads.huggingface.co/production/uploads/608b8b...
test environment: https://huggingface.co/spaces/abidlabs/vlm-screenshot-to-web...
यह देखना ज्यादा उपयोगी है कि model human design को बिगाड़े बिना कितनी अच्छी तरह transfer करता है
कई launches को देखते हुए यह हैरानी की बात नहीं कि model routing AI में सबसे तेजी से बढ़ने वाले क्षेत्रों में से एक है
10 से ज़्यादा कंपनियों में हर एक के पास अलग-अलग formats और sizes के models, reasoning levels, agent·Pro·high-speed modes, standard·flexible·batch execution, और अलग-अलग input·output·cache token prices मौजूद हैं
prompt को सबसे उपयुक्त और किफायती combination तक भेजने वाली कंपनियाँ उस gap से बड़ा value ले रही हैं जिसे model developers नज़रअंदाज़ कर रहे हैं
यह Bitter Lesson की पुनरावृत्ति है, और लगता है कि अग्रणी कंपनियाँ अंततः यह feature खुद उपलब्ध कराएँगी
ज़्यादातर office work के लिए बेहद शक्तिशाली AGI की ज़रूरत नहीं होती, इसलिए traffic सस्ते models की ओर जाता है, लेकिन अग्रणी labs खुद को इस तरह position करती हैं कि powerful AGI और white-collar replacement दोनों सिर्फ वही कर सकती हैं
low-cost models की ओर routing उस narrative में बड़ा छेद कर सकती है
किसी भी task के लिए latest best-performing model से कम स्वीकार करना मुश्किल है, और ज़रूरी rule बस इतना है कि flat-rate quota में बचा हुआ सबसे powerful model चुना जाए
cost बचाने के बदले ऐसे bugs का जोखिम लेना पड़ता है जिनकी severity और frequency मापी नहीं जा सकती, और यह भी नहीं पता कि सारी inference top-tier model को सौंपने वाले insurance की value क्या है और बाद में fix करने की cost कितनी होगी
project level पर यह test करने का तरीका भी नहीं है कि दूसरा model इस्तेमाल करने पर code कितना अलग होता
अगर करीब 190 पेज का PDF पढ़ना नहीं चाहते, तो यह blog post है: https://www.anthropic.com/news/claude-opus-5
Opus 5 और Fable 5 की writing style की तुलना करें, तो Fable जिन Claude-typical expressions से बाहर निकला था, Opus 5 उन्हें 4.8 की तरह अब भी इस्तेमाल करता है
“carry the argument”, “worth stating plainly”, “and the trap”, “The X matters more”, “move” जैसे expressions बार-बार आते हैं, इसलिए ‘annoying English’ benchmark की ज़रूरत है
Fable 5 Max: https://gist.github.com/deet/3d97f854b48eac6658d642fa18bb24d...
Opus 5 Max: https://gist.github.com/deet/1a43693a732dfccb4d0d914bfc42692...
Claude की खास style शायद कुछ हद तक conversation या task को ‘proactively’ आगे बढ़ाने की प्रवृत्ति से आती है, और prompt-wise style range को quantify करने वाला benchmark भी उपयोगी होगा
Anthropic का 55.7% और OSWorld 2.0 paper का लगभग 21% अलग-अलग metrics थे
Opus 4.8 ने लगभग 5 में से 1 task पूरी तरह successfully पूरा किया और completion rate 20.6% दर्ज किया, और बाकी में partial scores पाकर partial score 54.8% हासिल किया
हालांकि ऐसे metric differences के कारण सवाल उठता है कि papers के बीच benchmarks को reasonable margin of error में compare किया जा सकता है या नहीं: https://arxiv.org/pdf/2606.29537
benchmark creators improvement की गुंजाइश दिखाने वाले lower numbers पसंद करते हैं, model creators capability highlight करने वाले higher numbers पसंद करते हैं, लेकिन Anthropic का 55.7% और paper का 54.8% असल में लगभग वही result है
“Opus 5 कुल मिलाकर Fable 5 से बेहतर नहीं है” कहने के बावजूद blog में ज़्यादातर benchmarks में बेहतर है ऐसा listing करना communication को confusing बनाता है
system card भी बताता है कि AI R&D capability, unrestricted Fable माने जाने वाले Claude Mythos 5 जैसी है
Opus 5 ने software vulnerability exploitation नहीं सीखा, इसलिए discovery capability Mythos 5 के करीब है, लेकिन actual cyber threat में बदलने वाली exploitation capability में काफी पीछे है
Fable से कहीं बेहतर दिखने वाला मॉडल भी Anthropic के कयामत-जैसे प्रचार के बिना बिना किसी खास समस्या के रिलीज़ हो गया।
सिद्धांत रूप में Anthropic के मानकों के हिसाब से इसे AGI-स्तर का होना चाहिए था, लेकिन हकीकत में यह बस एक सामान्य शुक्रवार है।
ये मॉडल कड़े तौर पर सुरक्षित किए गए हैं, और कहा गया कि बिना गार्डरेल वाला Mythos इसी वजह से रिलीज़ नहीं किया जा सका।
OpenAI के उस ऐलान के समय भी कुछ ऐसा ही था, जब उन्होंने कहा था कि बिना गार्डरेल वाला मॉडल HuggingFace सर्वर में घुस गया था।
भले ही GPT-6 गर्मियों में आ जाए, अब AGI की उम्मीद करने वाले बहुत कम हैं, इसलिए यह देखना दिलचस्प है कि हाइप साइकल को कैसे बनाए रखा जाएगा।
Opus 5 ने एक ही सेशन में नए exchange के लिए market data feed और verification tool बनाया—इस promotional example की मजेदार बात यह है कि यह trading companies में interns को आम तौर पर दिया जाने वाला project होता है।
Frontier Code graph में medium thinking mode की प्रति task efficiency बहुत ज्यादा है, और reasoning amount बढ़ाने पर evaluation result इतना खराब क्यों हो जाता है, यह समझना चाहता हूं।
maximum level पर थोड़ी गिरावट तो होती है, लेकिन इतना ज्यादा होना असामान्य है: https://imgur.com/a/Nv8V7Ry
व्यक्तिगत रूप से, पिछले हफ्ते के Opus 4.8 की तुलना में आज का Opus 4.8 Medium और announcement के बाद Opus 5 Medium, 5-hour usage window में ज्यादा efficient महसूस होते हैं।
agent की बजाय prompt-centric इस्तेमाल करने पर ऐसी limitations दिखती हैं, और medium level ज्यादा balanced रहा होगा।
क्या जरूरत से ज्यादा सोचना बुरा है, लेकिन बेहद ज्यादा सोचने पर फिर अच्छा हो जाता है—यह सवाल उठता है।