2026 年 7 月 24 日，Anthropic 正式发布 Claude Opus 5，API 模型名为 claude-opus-5。官方给出的第一印象很直接：输入每百万 token 5 美元、输出每百万 token 25 美元，和 Opus 4.8 完全一致。同时还提供了 Fast mode，大约 2.5 倍于默认速度，价格是基础价的两倍。新模型也可以通过 effort 参数来调节思考投入。
单看这些信息，迁移决策似乎很简单——同价升级，直接换就行了。但工程团队都知道，“同一 token 价格”和“同一任务账单”是两回事。模型可能少走几轮，也可能在高 effort 下生成更多推理 token；Fast mode 改变时延，也改变单价。真正需要验证的是：同一个业务任务能否一次过线、总共消耗多少、失败后如何恢复。
下面从实践角度，聊聊迁移测试应该怎么做、哪些坑值得提前踩一遍。
一、先把任务、档位和结果放在同一条记录里
迁移样本不要只选简单问答。应该从生产记录中抽取三类任务：
- 常规任务：当前模型稳定完成的日常业务；
- 边界任务：经常需要人工补救的复杂场景；
- 回归任务：曾经出现过严重错误的案例。
数据要先脱敏，并保留原来的验收标准，不要为了新模型临时降低门槛。每次运行至少记录以下字段：
case_id：固定任务编号model：claude-opus-5 / 原模型effort：测试使用的档位mode：default / fastinput_tokens、output_tokens：实际用量turns：从开始到交付共几轮tool_calls、tool_errors：工具使用与失败情况wall_time：端到端时间accepted：是否通过原有验收human_minutes：人工检查和修订耗时failure_type：事实、逻辑、工具、格式或权限问题
不需要先假定哪个 effort 最好。对每类任务选低、中、高几个档位运行，比较的是“被接受任务的总成本”，而不是单次请求价格。低 effort 首答便宜，但如果经常要补问两次，最后可能比高 effort 一次完成更贵。
二、官方数据能说明什么，不能说明什么
Anthropic 在 Frontier-Bench v0.1 和 CursorBench 3.2 中展示了 Opus 5 的性能优势。在 Frontier-Bench v0.1 上，Opus 5 超越所有其他模型，成绩是 Opus 4.8 的两倍以上，单任务成本反而更低。在 CursorBench 3.2 上，开启最高 effort 后，Opus 5 与 Fable 5 峰值成绩的差距在 0.5% 以内，单次任务成本约为 Fable 5 的一半。
这些结果能说明 effort 曲线值得测，却不能替代团队自己的仓库、工具和完成标准。基准测试跑的是标准化任务，而生产环境有专属的代码库、数据格式、工具链和验收流程。官方说的“任务成本优势”需要在自己的业务上重新验证。
三、把“会自我验证”变成可观察的事件
Anthropic 特别强调 Opus 5 更善于核对工作并持续修正。发布文章列举了几个案例：它为看不到原图的 FreeCAD 任务自行写视觉处理流程；修复开源包 bug 时找到根因和社区补丁遗漏的边界。
迁移测试不能只在最后给一个主观质量分。应把过程拆成可观察事件：模型是否先识别未知条件，是否运行测试，测试失败后修改了什么，是否把表面症状误当根因，最终报告是否与实际测试结果一致。
代码任务可以要求保存补丁、测试命令、退出码和失败日志。数据任务可以保存校验规则、异常样本和重跑结果。模型说“已经验证”不算证据，只有可重放的命令或对照结果才算。
还要设计诱导失败的样本：给一个已有表面修复但仍留有边界问题的任务，观察模型会不会停在显眼答案；移除一个外部验证源，看它是说明无法确认，还是建立合理替代测试。这样才能判断官方描述的“更彻底”是否出现在自己的任务里。
四、上线顺序由失败类型决定，不由总分决定
一轮评测后，把任务分成几类：
- 稳定过线类：Opus 5 在较低 effort 已稳定通过验收，可以优先迁移；
- 高 effort 类：需要高 effort 才过线，适合低频、高价值工作；
- Fast mode 类：只有 Fast mode 满足时延要求，需要单独计算加速溢价；
- 暂缓迁移类：仍出现不可接受的事实、权限或工具错误，继续留在旧流程。
迁移时保留小流量对照。记录每个请求的模型、effort、模式和配置版本，出现回归时能切回 Opus 4.8，而不是只能回滚整套应用。
安全分类器也可能影响结果。官方说明部分被标记的 Opus 5 请求可 fallback 到其他模型。若启用 API 自动 fallback，日志必须标出实际执行模型，否则团队会把降级模型的结果记在 Opus 5 名下。
验收还应把人工时间算进去。一项任务模型费用下降，但审查从五分钟增加到二十分钟，业务成本并没有改善。相反，token 单价相同、总用量略高，却把多轮返工变成一次交付，也可能值得迁移。
五、关于接入方式的一点补充
在实际迁移过程中，接入链路本身也值得关注。对于需要快速验证或跨模型对比的团队，通过 API 中转层可以更灵活地接入 Claude Opus 5。以 4SAPI 这类大模型 API 中转站为例，它们通常提供统一的协议兼容层，支持在同一个调用体系内切换不同模型。这对于需要同时对比 Opus 5 与 Opus 4.8、或在不同 effort 档位之间做 A/B 测试的场景尤其实用——不需要为每个模型单独维护一套接入代码，可以在同一套测试框架下完成横向对比。
当然，中转层本身也会引入额外的延迟和计费维度，具体选型需要结合团队的网络环境和预算结构来评估。
小结
Opus 5 的发布数据给出了几个候选方向：同价升级、可调 effort、可选 Fast mode，以及更强的长任务核对能力。但工程团队真正需要交付的不是一张模型榜单，而是一张能回答“哪类任务、用哪个档位、花多少钱、怎样证明完成”的验收表。
迁移测试的核心不是证明新模型“更好”，而是搞清楚它在自己的业务场景里“好在哪、差在哪、贵不贵”。把过程拆成可观察的事件、把成本按任务维度核算、把人工时间纳入考量——这套方法论不仅适用于 Opus 5，也适用于任何一次模型升级。