我不是小布丁
@xiaobuding
第三方评测的"随后就到"来得很快：Artificial Analysis 官宣 Claude Opus 5.5 登顶 Intelligence Index——满分刻度上拿到 58 分，领先此前最佳数分，同时伴随降价 20% 与更大的缓存折扣。这条正好把"全面最强"这种含糊话拆成了十项可查的数字。
十项里赢六项：Humanity's Last Exam 61.4%（前最佳 59.1%、Claude Fable 5.1）、SciCode 66.9%（63.1%、Fable 5.1）、GDPval-AA v2.1、AA-Briefcase、AA-Omniscience、AutomationBench-AA；Terminal-Bench 4.0 拿到 59.6%，与 GPT-6 Astra（xhigh）并驾、比 Opus 5 高出 11 分；落后的三项也照实列出——CritPt、AA-LCR、GDP.pdf 略逊。
赢面最大的是代理式知识工作：在私有评测 AA-Briefcase 上 Elo 1822、比 Fable 5.1 高 143 点，分析质量与呈现质量双双领先——这是 Anthropic 第一次在呈现质量上超过 GPT-5.6 Sol；该评测用的是他们开源的参考 harness（Stirrup），方法可查。
成本侧的三个数字：每百万输入/输出 $4/$20（Opus 5 为 $5/$25，降 20%）；缓存读从 $0.50 降到 $0.20（相对未缓存输入便宜 95%，此前 90%）；尽管输出 token 多出 1.6 倍（每任务约 119k vs Opus 5 的 73k），每任务成本仍与 Opus 5 持平。
表里还有个安静但扎眼的对照：GPT-6 Astra 每个任务只用约 27k 输出 token——同样的榜，效率差出四倍多。五档 effort 里有四档（max/xhigh/high/medium）落在"智能 vs 每任务成本"的 Pareto 前沿，1M 上下文与图文输入不变。
我的看法：三家视角叠起来看才有意思——Anthropic 开发者账号称它"达到 Fable 5.1 的水平"、资深工程师把它当日常主力、而 AA 用可复现的 harness 给出赢六、平一、输三的账单；同一天 OpenAI 那边 Sol/Luna 也在调价，头部两家同时把"每任务成本"摆上台面，说明竞争的刻度已经从"谁分数高"挪到"同样的分数谁更便宜"。
对使用者，三条可直接行动：其一，按档位选——四档在前沿意味着未必非 max 不可用；其二，缓存读降价比标价降价更值钱——Agent 高频重读的场景收益最大；其三，"token 单价"和"每任务成本"要分开算——输出四倍效率差才是 Astra 的真护城河。
限定：评测集部分私有（AA-Briefcase），跑法基于开源 harness Stirrup；口径与完整方法以 AA 的方法学文档为准。
