Claude Opus 5.5

一款新旗舰在开发者 API 上的用量红利，大约一个季度内就会被摊薄过半；实验室的发版节奏要以月计才能守住份额。

前沿定价权集中在「长上下文 + 可验证输出」的编程任务；短问答、营销文案类调用按最低价档采购即可，为它们付前沿价格没有流量数据支撑。

大平台一边自研芯片压推理成本、一边自研「够格」模型，留给第三方前沿模型的高价调用面会再收窄；但两条均为公司自述，Maia 产能只覆盖目标的零头。

effort 档位名跨模型、跨 surface 都不等价：Platform 默认 high，Claude Code 默认 medium。不先固定档位就比较「Sonnet 5.5 vs Opus 5.5」，结论不成立。

文章的原则 ¶6 说更强模型应该得分更高，可成本案例里 Sonnet 5 低 effort 和 Opus 5.5 低 effort 分数几乎一样，最终在 search 集上接近饱和。这说明该评测对模型能力可能不敏感，和文章自己的健康检查原则存在张力，但文章没有讨论。

hillclimb 每轮用 test 决定保留还是回滚，最后又留下 test 上表现最好的版本，test 集实际上成了验证集，存在适应性过拟合。文章没有提到需要一个从头到尾不参与任何决策的第三份留存集。

这篇文章是在推广自家 skill 和新模型。成本案例里有一部分节约直接来自 Opus 5.5 的定价：输入输出便宜 20%，缓存读便宜 60%，原文自己也承认这一点。所以「成本降到约五分之一」不能全部算作 hillclimb 方法的功劳。

98.9% 是在被搜索过的 30 张工单上得到的。真正可以参考的是 14 张留出工单上 90.5% 对 78.6%，但样本只有 14 张，一张工单就会让分数变动好几个百分点，而原文没有给出这组数字的置信区间。

原文示例算价都不计缓存写入；一旦发生停顿、换模型、compaction、接 MCP，真实成本会高于示例，而这类事件在无人值守流水线里并不少见。

「Opus 5.5 便宜 40%」是厂商估计，依赖「每任务用更少 token」这一没有公开数据的假设，而 Opus 5.5 总会先思考，在某些任务上可能反而用更多 token。

「xhigh 两次卡在同一问题就换 Fable 5.1」是把用户往更贵模型引导的经验法则，没有依据数据，且换模型带来的缓存重写成本只被定性描述。

「删掉 think carefully 后质量没有明显下降」测的是聊天产品，「明显」没有具体指标，也不一定适用于长任务或研究类任务。

「比 Opus 5 汇报更清楚」「表格和文档要改的更少」「图表读得更准」这些对比都只有定性描述，没有任何数据，属于厂商自评。

原文只讲了 Claude apps 和交互式 Claude Code 里怎么看到模型切换，没讲非交互运行（脚本调用、定时任务）里会不会切换、有没有可解析的信号，也没点名会切到哪个旧模型。