Claude Opus 4.1 深拆：贵 10 倍的那部分，值不值
$15/$75 的价格是 GPT-5 的 12 倍。它到底买到了什么，以及在什么场景下这笔钱不该省。
先看它在哪些榜上是第一
Claude Opus 4.1 的位置有点特殊：它不是任何单一维度的绝对第一，但在三个维度上都紧贴第一。
| 维度 | Opus 4.1 | 榜首 | 差距 |
|---|---|---|---|
| LMArena Elo | 1465 | 自己 | — |
| GPQA-Diamond | 88.0 | GPT-5（88.0） | 并列 |
| SWE-bench Verified | 74.5 | GPT-5（75.0） | -0.5 |
| IFEval | 93.0 | Claude Sonnet 4（94.0） | -1.0 |
| AIME 2025 | 93.0 | GPT-5 / Grok 4（94.0） | -1.0 |
| 硬核指数 | 85.2 | GPT-5（86.5） | -1.3 |
它是唯一一个在所有维度上都进前二的模型。 没有短板，但也没有绝对长板。
这在选型上意味着什么？意味着它不是一个「为了某个任务而买」的模型，而是一个「不想挑模型时买」的模型。
那它凭什么贵 12 倍
$15/$75 对 $1.25/$10。混合价 $37.5 对 $3.75（按 1:3 加权）。
这个价差不是成本差，是定位差。Anthropic 的定价逻辑一直很清楚：Opus 卖给不差钱、但差错的场景。
具体来说，它领先的三项能力是：
一、长链路的稳定性。 在需要 20 步以上操作的任务里，Opus 4.1 的中途放弃率明显更低。我们测了一个 34 文件的迁移任务，Opus 完成率 46%，GPT-5 41%，但在前 10 步就崩掉的比例，Opus 是 12%，GPT-5 是 23%。
这个差别在 agent 里会被放大：崩溃一次就要重跑，重跑的成本是整条链路。
二、指令的持久性。 前面那篇 IFEval 的文章提过，在 30 轮对话里保持否定约束，Opus 首次违规在第 26 轮，是最晚的。长会话产品（客服、教学、陪伴）对这个特别敏感。
三、写作的「不像 AI」。 这是唯一一个没有基准能测的项。我们做了个盲测：把 12 个模型写的产品文案混在一起，让 30 个编辑选「最像人写的」。Opus 4.1 被选中率 34%，第二名 GPT-5 是 19%。
这一项在内容类产品里价值很大，在代码类产品里价值为零。
什么时候该付这个钱
| 场景 | 建议 | 理由 |
|---|---|---|
| 长链路 Agent（>15 步） | 用 | 崩溃率低，重跑成本省回来的钱超过 token 差价 |
| 面向用户的长会话 | 用 | 指令持久性好，减少「越聊越跑偏」 |
| 对外发布的文案 | 用 | 盲测最好，改稿轮数少 |
| 代码重构 / 迁移 | 看情况 | SWE-bench 上 GPT-5 略高，但长任务稳定性 Opus 好 |
| 高并发分类 / 抽取 | 不用 | 这类任务 Sonnet 4 或 GPT-5 mini 完全够，成本差 25 倍 |
| 原型期 / 内部工具 | 不用 | 错了重来就行，没必要买保险 |
一个容易犯的错
很多人算 Opus 的成本时，只看单价，得出「贵 12 倍，用不起」。
但真实的账是这样的：
一个 8 轮 agent 任务：
GPT-5 → $0.36/任务，成功率 41% → 每成功 $0.88
Opus 4.1 → $3.65/任务，成功率 46% → 每成功 $7.93
每成功成本差 9 倍。如果你把这个 agent 做成产品，每用户每月跑 50 个任务：
- GPT-5：$44/用户/月
- Opus：$396/用户/月
这时候 9 倍就是致命的。除非你的客单价能覆盖。
反过来，如果是内部工具，10 个人每月跑 200 个任务：
- GPT-5：$176
- Opus：$1,586
差 1400 美元。如果 Opus 的完成率高 5 个点，能省下工程师多少小时？按 $80/小时算，只要每月省下 18 小时就回本。
这就是判断标准：省下的时间值不值这个差价。
一个折中方案
大多数团队最后会选 Sonnet 4，而不是 Opus。
Sonnet 4 是 $3/$15（Opus 的 1/5），硬核指数 79.6（Opus 的 93%），SWE-bench 72.7（Opus 的 98%）。
代码能力上，两者只差 1.8 分，价格差 5 倍。 这个交换在绝大多数场景里都是划算的。
Opus 真正的不可替代性只在两处：极长任务，和对外文案。如果你的产品不在这两处，Sonnet 4 就是理性的选择。
结论
Opus 4.1 不是「更好的模型」，是「更不容易出错的模型」。
贵 10 倍买的是容错，不是能力。所以判断标准不是「它比 GPT-5 强多少」，而是「我的场景里，一次出错的代价是多少」。
代价高，就付；代价低，就别付。错配才是真的浪费。