Anthropic 在 2026 年 7 月 24 日發布了 Claude Opus 5。官方這次主打的重點很具體：這一代「更會檢查自己的工作、更謹慎地反覆驗證」。這句話聽起來很虛，所以我在它上線當天就登入 claude.ai，用一題我事先知道正確答案、而且刻意埋了陷阱的題目，把 Opus 5、上一代 Opus 4.8、以及 Opus 5 的新「effort（用力程度）」開關各測一次，看看實際回出來的答案長什麼樣。（先講清楚：我看得到的只有輸出文字，無法驗證官方那句關於模型內部的說法。）
先講最重要的結論，因為它跟我原本的預期不一樣：三種設定全都沒有被陷阱騙倒。這三次輸出的差別不在有沒有識破，而在各自多寫了什麼——注意這是三次個別回答的比較，不是模型之間的穩定差距。
目錄
官方這次主打什麼（官方資料整理，非我實測）
以下規格與跑分全部來自 Anthropic 官方發布頁，我沒有能力自行驗證跑分，一律標為官方數據：
- 核心賣點：官方說 Opus 5「much stronger at verifying its work and iterating carefully」（更擅長驗證自己的產出、謹慎迭代），主打代理式（agentic）工作、除錯與根因分析。
- 價格沒漲：每百萬 token 輸入 5 美元、輸出 25 美元，與上一代 Opus 4.8 相同；官方說是 Fable 5（10／50 美元）的一半。
- 新的 effort 開關：可在 Low／Medium／High 之間切換，官方定位是「在智慧程度與省 token／求快之間取捨」。
- 官方列的跑分：Frontier-Bench v0.1 稱「超過 Opus 4.8 表現的兩倍」、CursorBench 3.2 稱「與 Fable 5 高分差距在 0.5% 以內但成本減半」、ARC-AGI 3 稱「約為次佳模型的三倍」、OSWorld 2.0 稱以約三分之一成本超越 Fable 5。
- 可用範圍：官方列出 Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundry、claude.ai、Claude Code 等。實際方案與計費請以官方頁為準。
（本文寫作當下的價格與方案以官方頁面為準；這類資訊變動快，看到本文時請點上面的官方連結再確認一次。）
我怎麼設計這一題：看輸出會不會自己指出「前提有問題」
我沒辦法看到模型內部做了什麼，所以我能做的是給一題「照著公式硬算就會得出荒謬答案」的題目，然後看它的輸出會不會自己先指出前提有問題。我用的是這題：
一個水池容量 500 公升，現在裡面有 200 公升水。進水管每小時注入 30 公升，同時出水管每小時排出 50 公升。請問幾小時後水池會裝滿？請給我計算過程和答案。
陷阱在哪：進水 30、出水 50，淨變化是每小時「少」20 公升——水只會越來越少，這個水池永遠不會裝滿。如果模型只顧著套公式「還差的水 ÷ 每小時變化」，就會算出 (500−200)÷(30−50) = −15，得到一個「負 15 小時」的荒謬答案卻照樣講得頭頭是道。而輸出裡有沒有先指出「方向不對」，是我從外面唯一看得到的線索——我看得到的是文字結果，看不到模型內部到底做了什麼。
實測一：Opus 5（effort = High）
它開頭第一句就是「這題的數字其實有問題」，然後把過程攤開：算淨變化（30−50＝每小時 −20 公升）→ 判斷方向（負的，所以「幾小時後裝滿」永遠不會發生）→ 反過來算「那它多久會排乾」（200÷20 ＝ 10 小時後空掉）。
真正讓我覺得有意思的是它沒有停在「無解」就交差。它接著補了一段：如果題目本來是想寫成「進水 50、出水 30」（淨 +20），那答案會是還要裝 300 公升、300÷20 ＝ 15 小時後裝滿，最後請我回頭確認一下進出水的數字是不是寫反了。
換句話說，這次的輸出除了指出前提有問題，還多寫了一段「你可能想問的是另一個版本」並把它算完。這次回答從送出到寫完約 17 秒。
實測二：同一題丟給上一代的 Opus 4.8（effort = High）
這裡要老實說：上一代的 Opus 4.8 也沒有被騙。它一樣算出淨變化 −20、一樣指出「永遠不可能裝滿到 500 公升」、一樣給出 200÷20 ＝ 10 小時後排空，還直接下了「所以這題無解」的判斷。
這兩次輸出的差別在後半段：上一代的 Opus 4.8 這次到「無解」就收尾，沒有推測題目可能哪裡寫錯、也沒給替代情境。它回得比較快，約 10 秒（各跑一次，快慢也可能只是當下的變異）。
所以如果你看到別處說「新模型才抓得到陷阱題」，至少在我這一題上不成立——上一代這次也抓到了。這兩次看得到的差別，只是其中一次多寫了一個替代情境。
實測三：把 Opus 5 的 effort 調成 Low，同一題的答案會變差嗎？
這是我最想知道的一題，因為 effort 開關是這代的新東西：調低來省 token 求快，同一題的輸出會不會就不再指出前提有問題？
我跑了兩次，兩次都一樣識破（兩次不足以斷言「調低 effort 不會影響輸出品質」，只能說這兩次的輸出都有指出前提有問題）。Low 一樣算出淨變化 −20、一樣明講「不管等幾個小時，都不可能從 200 公升漲到 500 公升」、一樣給出 10 小時排空。它甚至也給了延伸：如果想問「進水管要調到多少才裝得滿」，答案是進水必須大於 50 公升／小時才會開始上升。
時間上，Low 這次約 12 秒、High 約 17 秒。就這一題的這幾次來說，Low 的輸出並沒有比 High 少掉哪個步驟，省下的時間也有限。
這幾次測下來，我實際的感受
先說清楚一件事：官方那句「更會檢查自己的工作」是在講模型能力，而我這一題驗證不了「更會」。上一代同樣識破了陷阱，而「多算一個假設情境」也不等於驗證得更徹底。我能誠實說的只有：這一次，Opus 5 的輸出多寫了一段筆誤推測並請我確認，上一代的 Opus 4.8 那次沒有。我原本預期的差別是「新的抓得到、舊的抓不到」，結果不是這樣——這點值得先講，免得被跑分表帶著走。
要給一句實用的話，我只敢給到這裡：在我測的這一題上，Low 的輸出沒比 High 少什麼，所以「一律開 High」不見得必要——但一題不足以推薦你把所有任務都調成 Low，值得你拿自己每天真的在問的題目各跑一次比比看。
誠實說明這次實測的限制
- 這是單次觀察，不是系統性評測。每個設定我各跑一次（Low 我跑了兩次、結論一致），單一題目、單次結果不能推論成模型的整體能力，也不排除隨機變異——同樣的題目你再問一次，措辭與詳略都可能不同。
- 只測了一種情況。我測的是「面對前提有問題的題目，輸出會不會指出前提有問題」，沒有測程式開發、長文件、影像、代理式長任務。官方主打的 agentic 與除錯能力，我這次沒有實測。
- 所有跑分數字都是官方的，我沒驗證過。Frontier-Bench、ARC-AGI、OSWorld 那些倍數是官方發布頁的說法，本文只做轉述。
- 價格與可用範圍以官方頁為準，這類資訊隨時可能調整。
- 測試環境：claude.ai 網頁版、繁體中文提問、2026 年 7 月 25 日（發布隔日）。
想自己驗一次的話，成本很低：把上面那題水池題原封不動貼進去，看它會不會先停下來說「這題數字有問題」。這比看跑分表更能感覺到差別在哪。