返回模型列表

Anthropic: Claude Opus 4.5在线

anthropic/claude-opus-4.5
对比对话

Claude Opus 4.5 是 Anthropic 最新的前沿推理模型,专为复杂的软件工程、代理工作流和长周期计算机使用而设计。它有强大的多模态能力,在实际编码和推理基准测试中表现出色,并提高了抵御 prompt injection 攻击的鲁棒性。该模型用来跨各种努力程度高效运行,允许开发者根据特定任务需求平衡速度、深度和 token 使用量——你可以通过 OpenRouter 的 Verbosity 参数微调 token 效率,该参数提供低、中、高设置。另外,Opus 4.5 支持高级工具使用、扩展的上下文管理和协调的多代理设置,使其成为自主研究、调试、多步规划以及电子表格或浏览器操作的理想选择。与前几代 Opus 相比,它在结构化推理、执行可靠性和对齐方面带来了实质性的改进,同时减少了 token 开销,并在长时间运行的任务中提供了更一致的性能。

由:Anthropic输入类型:输出类型:发布时间:2025-11-24

供应商

在多个供应商之间路由请求。复制供应商标识以设置偏好供应商。

供应商缓存命中率上下文
Anthropic
anthropic
-$5/ 百万 token$25/ 百万 token读取:0.5/ 百万 token写入:6.25-10/ 百万 token200K--
Google Vertex
google-vertex
67.0%$5/ 百万 token$25/ 百万 token读取:0.5/ 百万 token写入:6.25-10/ 百万 token200K1.13s52.7tps
Amazon Bedrock
amazon-bedrock
-$5/ 百万 token$25/ 百万 token读取:0.5/ 百万 token写入:6.25-10/ 百万 token200K--

可用率

AI Gateway 直连请求及各供应商的成功率。

Oct 26, 18:54
Google Vertex100.00%
Amazon Bedrock-

吞吐量

AI Gateway 实时流量的 P50 吞吐量,单位为每秒 token 数(TPS)。

Oct 26, 18:00
Google Vertex52.7 tps

延迟

AI Gateway 实时流量的 P50 首 token 延迟(TTFT),单位为毫秒。

Oct 26, 18:00
Google Vertex1.13s

活动

该模型随时间变化的 token 用量和请求流量。

Token 消耗
Oct 25
Anthropic-
Google Vertex1.2M
Amazon Bedrock-

按实际处理请求的供应商拆分 token 用量。区块越大,表示该供应商处理的模型流量越多。

基准测试

标准化评测得分。百分比越高越好,并展示排名百分位。

指标来源:Artificial Analysis

Apps

Public apps that send the most traffic to this model. Good signal for what real production workloads look like — and a hint at which use cases this model is best suited for. View All

Token 排行

相关模型

更多模型来自 Anthropic

Anthropic: Claude Haiku 5.5
37.47Btoken

Anthropic: Claude Haiku 5.5 是 Anthropic 迄今为止最经济、最快速且功能最强大的小型模型,专为高容量、成本敏感型工作负载而打造。它能以低延迟处理摘要、精简、数据库查询、分类和子代理编码任务,在实时客户支持、浏览器使用以及其他对速度要求极高的应用场景中表现尤为出色。

Anthropic: Claude Sonnet 5.5
68.34Btoken

Anthropic: Claude Sonnet 5.5 是 Anthropic 升级版的 Sonnet 级模型,性能强于 Claude Sonnet 5,同时运行速度提升超过 30%,且在许多工作负载下成本更低。它专为代理式编码、工具使用和日常专业任务而设计,非常适合开发人员和团队构建快速且功能强大的 AI 智能体。

Anthropic: Claude Opus 5.5
235.48Btoken

Anthropic: Claude Opus 5.5 是 Anthropic 旗下的旗舰模型,专为高要求的推理、编码和长周期智能体任务而设计,是 Claude Opus 5 的继任者。它在处理大型代码库的多步骤变更、代码审查与缺陷查找、金融与科学分析,以及解读密集型图表、示意图和截图方面表现尤为出色。与前代产品相比,它在引用数据和来源时更加严谨,确保仅陈述可证实的内容。 该模型以更少的步骤和 token 完成同类任务,并以更通俗的语言汇报工作成果,清晰地说明其操作过程、发现的问题以及需要用户配合的事项。模型思考过程始终保持自适应,所以“努力程度(effort)”是权衡深度、延迟和成本的主要杠杆,低努力程度的设置在对延迟敏感的工作负载中依然有效。