Claude Opus 5 實測：三題親測，還撞到官方沒寫的 effort 級別

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，所以我在它發布隔天就登入 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。

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（用力程度）開關：官方定位是「在智慧程度與省 token／求快之間取捨」。官方發布頁沒有把級別列成清單，只在跑分段落順口提到 high、xhigh、max，以及「最低的 effort 設定」。介面上實際看到幾級、叫什麼名字，我下面有一段專門講——那兩邊對不上。
• 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。

補測一：官方主打的「除錯與根因分析」，我丟一段真的有 bug 的程式給它

上面那題是數學陷阱，跟官方主打的「除錯與根因分析」其實搭不太上，所以我補測了一題真正的除錯題：一段會在特定輸入下算錯的合併重疊區間程式。這題的 bug 我事先就知道在哪，所以能逐項核對它有沒有講對。

這段合併重疊區間的程式在某些輸入下會給錯答案，幫我找出 bug、說明根因，並給修正版：
def merge_ranges(ranges): ranges.sort() ... if start <= last_end: merged[-1] = (last_start, end)（完整程式碼見下圖）

逐項核對如下（這次是 effort 開在 Low 跑的）：

• 抓到真正的那一行：merged[-1] = (last_start, end) 直接把結尾換成新區間的結尾，沒有比較誰比較大。
• 根因講對了：它寫「排序只保證『開頭』是遞增的，不保證『結尾』也是遞增的」——這句直接把根因說清楚了，比只寫一句「要記得取最大值」具體得多。
• 舉得出會出錯的實際輸入：[(1, 10), (2, 3)] 會被算成 (1, 3)，正確答案是 [(1, 10)]。這點我最看重——它舉出的反例我實際核對過、確實會重現這個 bug，代表這次的輸出不只給了修法，還給了可以自己驗的案例。（我只看得到輸出，看不到它內部怎麼推的。）
• 還抓到兩個我沒問的問題：空 list 進來會在 ranges[0] 直接 IndexError；ranges.sort() 會就地改動呼叫方傳進來的 list（副作用）。

修正版就是把那一行改成取 max(last_end, end)，並改用 sorted() 不動原始輸入。它另外附了五組驗證案例，最後補一句判斷點：如果你的定義是「剛好碰到不算重疊」（例如 (1,4) 和 (4,5) 要分開），條件要從 start <= last_end 改成 start < last_end。這句是整段裡我覺得最有價值的——它沒有替我決定，而是把「這裡有個定義你還沒講清楚」指出來，讓我自己決定。

誠實界線：這是一題、跑一次。我沒有拿同一題去跑上一代 Opus 4.8 做對照，所以這段不能拿來說「Opus 5 比較會除錯」——只能說這一次它把根因講對了、也舉得出反例。而且這題是常見的邊界錯誤、難度不高，不代表真實專案裡那種橫跨多個檔案的除錯。

補測二：需要多步規劃的排程題，effort 開 Low 跟 High 差在哪

前面水池那題只要一步判斷，看不出 effort 開關的差別。所以我另外設計了一題需要多步規劃的：四個工作、兩個人、彼此有前後相依，問最少要幾小時。這題我事先手算過，答案是 6 小時。

A 需要 3 小時，沒有前置。B 需要 2 小時，必須等 A 做完才能開始。C 需要 4 小時，沒有前置。D 需要 1 小時，必須等 B 和 C 都做完才能開始。全部做完最少要幾小時？請說明排法。

陷阱在於：總工時 3＋2＋4＋1＝10 小時，兩個人「看起來」5 小時就該做完；但 A→B→D 是一條綁死的相依鏈，3＋2＋1＝6 小時，再多找人也壓不下去。只拿總工時除以人數會得到 5；正確答案必須符合 A→B→D 這條相依鏈造成的 6 小時下限。

兩邊都答對 6 小時，也都主動指出 A→B→D 是關鍵路徑、再多人也沒用。差別在寫法：

• Low（15.2 秒）：三列的時間表加一段說明，把「為什麼不可能更快」講完就收。
• High（25.4 秒）：時間表拆成四列（把 C 跨過第 3 小時那段也拆開），並多算一段——總工時 10 小時、兩人理論最快 5 小時，但因為相依卡在 6 小時，所以中間必然有 1 小時閒置。

在這兩次單次執行裡，High 那次比 Low 那次多花 10.2 秒，多出來的是一段量化分析；兩次的答案同樣都是 6 小時。

要先講清楚一件事，免得被我誤導：三題裡只有這一題我真的做了 Low／High 同題對跑，另外兩題（水池題的 Low、除錯題）都只有 Low 的結果。所以我不能說「effort 調低不影響正確率」或「調高只是講得比較細」——那需要更多題、更多次。我能誠實講的只有：這幾次 Low 的輸出都答對了，而唯一那次同題對跑，兩邊的答案一樣。

一個只有點進去才知道的落差：官方文案的 effort 名稱，跟介面對不上

這是這次實測我覺得最實用的一個發現：官方發布頁沒有列出完整的級別清單，我是實際展開介面選單才看到的。

官方發布頁從頭到尾沒有把 effort 級別列成一張清單。它只在跑分段落裡順口提到「on high, xhigh, and max effort」「at max effort」，以及「Even at its lowest effort setting」。你整篇看完，其實不會知道到底有幾級、每一級叫什麼。

實際點開 claude.ai 的模型選單、再點「Effort」，看到的是五個級別：

• Low
• Medium
• High——旁邊標著 Default，也就是你什麼都不設，跑的就是這一級
• Extra
• Max——名稱旁有一個說明用的 ⓘ 圖示

對不上的地方在名字：官方文案提到 xhigh，但我看到的介面上沒有 xhigh，在 High 和 Max 中間的那一級叫做 Extra；而「Extra」這個字，在整篇官方發布頁裡一次都沒有出現過。Extra 是不是就是文案裡的 xhigh，官方發布頁並沒有說明，我光憑這兩個畫面也無法確認——我能確定的只有：你看完官方公告去介面找「xhigh」，會找不到那個字。

另一個實用的點：預設是 High，不是最低那一級。那個選單自己寫著「Higher effort means more thorough responses, but takes longer and uses your limits faster」（用力程度越高，回答越完整，但花的時間更久、也更快吃掉你的用量）。換句話說，如果你在意用量，什麼都不動的情況下你跑的是第三高的那一級，不是最省的。

誠實界線：這是我這個帳號、2026 年 7 月 25 日、claude.ai 網頁版看到的畫面。不同方案、不同時間、或是 API 那邊看到的級別很可能不一樣，介面選項本來就隨時會調整——請以你自己點開看到的為準。

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。

補測那兩題之後，我能多說的也很有限，但方向一致：除錯那題它把根因講對了、還舉得出具體反例，也主動點出一處我沒問到的定義模糊；多步規劃那題 Low 和 High 都答對，差別在 High 多寫了一段量化分析。三題的 Low 結果都答對了；但只有排程那一題我做了 Low／High 同題對跑，所以這不能當成「調低 effort 不影響正確率」的證據。

要給一句實用的話，我只敢給到這裡：在我唯一那次同題對跑裡，我看不出 High 在關鍵步驟上有什麼差異，至於其他任務需不需要開 High，這次測試回答不了。真的想知道的話，建議挑幾種你日常會做的任務，Low 和 High 各重複跑幾次，再綜合正確性、完整度、耗時和用量一起看。順帶一提，你如果從來沒動過那個開關，你跑的是 High（預設），不是最省的那一級。

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。
• 測到的範圍很窄。我測了三種：前提有問題的陷阱題、一段有 bug 的程式（除錯根因）、一題需要多步規劃的排程題。沒有測長文件、影像、以及官方主打的代理式（agentic）長任務——那種要連續呼叫工具、跑很多步的情境，我這次完全沒碰到。除錯那題也只有一題、且沒跟上一代對照。
• 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）。水池題三次跑在 effort＝High／High／Low；除錯題跑在 Low；排程題 Low 與 High 各跑一次。

常見問題

Opus 5 的 effort 到底有幾級？我該用哪一級？

我在 claude.ai 介面上看到的是五級：Low、Medium、High（標示為 Default）、Extra、Max。官方發布頁沒有列出清單，只提到 high、xhigh、max；介面上則有 Extra、沒有 xhigh。Extra 是不是就是文案裡的 xhigh，官方沒有明說，我也無法只憑畫面確認。至於該用哪一級：我測的三題 Low 單次結果都答對了；三題裡只有多步規劃那一題另外跑了 High，那一次 High 多寫一段分析、比 Low 多花 10.2 秒，答案兩邊一樣。這是少數幾題的單次觀察，推不出通則。真要決定的話，建議挑幾種你日常會做的任務，Low 和 High 各重複跑幾次，再綜合正確性、完整度、耗時和用量一起看。

Opus 5 比上一代 Opus 4.8 強在哪裡？

我唯一做過同題對照的只有那道水池陷阱題，結果是兩代都沒被騙倒，差別只在 Opus 5 那一次多寫了一段「你的數字可能寫反了」的推測。除錯題和排程題我沒有跑 4.8 對照，所以不能說誰比較強。官方發布頁列了 Frontier-Bench、ARC-AGI、OSWorld 等跑分優勢，那些是官方數據，我沒有能力驗證。

Opus 5 有漲價嗎？

依官方發布頁，每百萬 token 輸入 5 美元、輸出 25 美元，與上一代 Opus 4.8 相同。這是官方數字、我沒有驗證，而且價格與方案隨時可能調整，請直接點官方頁面確認當下的價格。

官方說 Opus 5「更會檢查自己的工作」，實際感覺得到嗎？

我看得到的只有輸出文字，驗證不了模型內部到底做了什麼，所以那句話我沒辦法證實或否定。我能講的具體事實是：除錯那題它主動舉出一組會算錯的實際輸入、另外抓到兩個我沒問到的問題（空 list、就地排序的副作用），並指出一處定義不清的判斷點。那代表輸出比較完整，但不等於官方那句關於模型內部的說法被驗證了。

這篇算是實測還是官方資料整理？

兩種都有，而且分開標。三道題目的提問、五張介面截圖、回答耗時，都是我實際在 claude.ai 上跑出來的；規格、價格、可用平台、所有跑分數字，全部來自官方發布頁，我沒有驗證，文中一律標為官方數據。

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。