Claude Opus 5.5: Anthropic का नया फ्लैगशिप अब VEGA AI पर

Anthropic ने Claude 5.5 फैमिली का पहला मॉडल Claude Opus 5.5 जारी किया है, और यह पहले से ही VEGA AI पर लाइव है। ज्यादातर कामों में यह Claude Fable 5.1 के स्तर पर प्रदर्शन करता है और चलाने में काफी सस्ता पड़ता है।

Opus 5 से क्या बदला

शुरुआती टेस्टर्स के कोडिंग आंकड़े सबसे दिलचस्प हैं। एक टेस्टर ने 680,000 लाइनों का कोड माइग्रेशन एक दिन से भी कम में पूरा किया, वह काम जिसमें इंजीनियरिंग टीम को हफ्ते लगते। एक अन्य ने 200,000 लाइनों के कोडबेस को तीन घंटे से कम में ऑडिट और ठीक किया; उसी ऑडिट में Opus 5 को 20 घंटे से ज्यादा लगे और 2.5 गुना टोकन खर्च हुए।

दक्षता इस कहानी का दूसरा हिस्सा है। Opus 5.5 को सर्व करने में कम कंप्यूट लगता है और प्रति टास्क कम टोकन खर्च होते हैं, जिससे सामान्य वर्कलोड पर लागत लगभग 40% कम हो जाती है। आउटपुट भी 30% से ज्यादा तेजी से स्ट्रीम होता है।

Anthropic ने मॉडल की लेखन शैली भी दोबारा तैयार की है। जवाब सबसे जरूरी बात पहले रखते हैं, शब्दजाल कम करते हैं और आपके तय किए स्टाइल नियमों का पालन करते हैं। कंपनी कहती है कि यह Opus 5 के बारे में सबसे आम शिकायत थी, और शुरुआती टेस्टर्स बताते हैं कि लंबे सेशन में फर्क साफ महसूस होता है।

सुरक्षा की बात करें तो Opus 5.5 ने Anthropic के ऑटोमेटेड बिहेवियरल ऑडिट में अब तक के सर्वश्रेष्ठ स्कोर दर्ज किए। इसने Opus 5 की तुलना में लगभग 85% कम बार कंटेनमेंट सीमाओं को तोड़ने की कोशिश की, और जो भी कोशिशें हुईं वे कम गंभीरता की थीं और मॉडल ने खुद रिपोर्ट कीं। प्रॉम्प्ट इंजेक्शन के प्रति भी यह Opus 5 से ज्यादा मजबूत है।

बेंचमार्क

Opus 5.5 एजेंटिक कोडिंग, कंप्यूटर उपयोग और नॉलेज वर्क में Anthropic के मूल्यांकनों में आगे है:

बेंचमार्क	Opus 5.5	Fable 5.1	Opus 5	GPT-6 Astra	GPT-5.6 Sol
Terminal-Bench 4.0 (एजेंटिक कोडिंग)	66.4%	55.8%	52.3%	57.9%	37.3%
FrontierCode v1.1 (Main)	54.4%	50.3%	48.0%	53.3%	47.5%
CursorBench 4.0	57.8%	51.8%	46.6%	—	41.7%
GDPval-AA v2.1 (नॉलेज वर्क)	1846	1735	1708	1542	1588
AutomationBench (बिजनेस वर्कफ्लो)	40.0%	31.4%	26.9%	41.4%	28.8%
Humanity's Last Exam (टूल्स के साथ)	67.7%	65.6%	63.6%	57.2%	—
OSWorld 2.0 (कंप्यूटर उपयोग)	81.8%	80.7%	74.0%	—	—
Chartography (चार्ट पहचान)	89.0%	88.4%	83.4%	—	—

Anthropic मानता है कि इस स्तर पर अंतर पहले जितना मायने नहीं रखता: अपने रोज़मर्रा के इस्तेमाल में Opus 5.5 और Fable 5.1 का फासला तालिका जितना बड़ा महसूस नहीं होता। सबसे साफ जीत लागत की है। डिफॉल्ट effort पर Opus 5.5, FrontierCode में GPT-6 Astra को प्रति टास्क लगभग पाँचवें हिस्से की लागत पर हराता है।

ऑटोनॉमस एजेंट्स के लिए सुरक्षा

जो टीमें एजेंट्स को घंटों बिना देखरेख चलाती हैं, उनके लिए Opus 5.5 में एक क्लासिफायर है जो हर एक्शन को एक्जीक्यूट होने से पहले जाँचता है, एक ओपन-सोर्स सैंडबॉक्स जिसे सुरक्षा टीमें ऑडिट कर सकती हैं, और कोड रिव्यू जो मर्ज से पहले वल्नरेबिलिटी चिह्नित करती है। Gray Swan के प्रॉम्प्ट इंजेक्शन बेंचमार्क पर यह Fable 5.1 के साथ सबसे कम सफलता दर साझा करता है।

रिसर्च और एनालिसिस

एक आंतरिक परीक्षण में Anthropic ने Opus 5.5, Fable 5.1 और Opus 5 से वेब की कॉपी पर दुर्लभ स्रोतों का उपयोग करके एक कंपनी की त्रैमासिक रिपोर्ट लिखवाई, और एक ऑटोमेटेड ग्रेडर ने हर आंकड़ा जाँचा। Opus 5.5 की 18 में से 16 रिपोर्ट पास हुईं; बाकी दो मॉडल्स एक भी बार पास नहीं हुए। एक अलग मर्जर-एनालिसिस में Opus 5.5 ने Opus 5 के 93 मिनट के मुकाबले 63 मिनट में काम खत्म किया और ज्यादा पूरा फाइनेंशियल मॉडल व साफ प्रेजेंटेशन दिया।

सेफगार्ड

चूँकि Opus 5.5 बायोलॉजी और साइबर सिक्योरिटी में Claude Mythos 5.1 के बराबर है, इसे Fable 5.1 जैसी ही सेफगार्ड श्रेणी के साथ लॉन्च किया गया है: डिस्टिलेशन अटैक से बचाव के लिए preserved thinking, EU AI Act अनुपालन के लिए वॉटरमार्किंग और ज़ीरो डेटा रिटेंशन। वेरिफाइड संगठन Anthropic के Life Sciences Verification Program के लिए आवेदन कर सकते हैं, और Cyber Verification Program आने वाले हफ्तों में Opus 5.5 के लिए खुलेगा।

VEGA AI पर आज़माएँ

Claude Opus 5.5 अभी VEGA AI के मॉडल पिकर में उपलब्ध है। Claude Sonnet 5.5 और Claude Haiku 5.5 आने वाले हफ्तों में आएँगे।