مدل Claude Opus 5: بهبود دقت نظرات، افزایش کلی نویز

Anthropic مدل Claude Opus 5 را منتشر کرده است. این مدل در بررسی کد، نظرات عملیاتی دقیق‌تری ارائه می‌دهد اما در مجموع نویز بیشتری تولید می‌کند و در یافتن برخی خطاها ضعیف‌تر عمل می‌کند. CodeRabbit، که از زمان Opus 4 تمامی نسخه‌های این مدل را آزمایش کرده است، گزارش می‌دهد که Opus 5 در پیکربندی "x-high" خود، دقت نظرات عملیاتی را به ۳۹.۳ درصد رسانده که از ۳۵.۲ درصد مدل پایه تولیدی آن‌ها بهتر است. با این حال، این مدل تنها ۵۵.۲ درصد از مشکلات شناخته‌شده را شناسایی کرده، در حالی که مدل پایه ۶۱.۱ درصد را پوشش می‌دهد. همچنین، Opus 5 تقریباً چهار برابر بیشتر "نکات جزئی" (nitpicks) تولید می‌کند و دقت کلی آن در جریان کامل خروجی پس از پردازش، به ۲۸.۶ درصد کاهش می‌یابد که پایین‌تر از ۳۲.۸ درصد مدل پایه است.

Opus 5 در پیکربندی "x-high" خود، دقت نظرات عملیاتی را به ۳۹.۳ درصد رسانده که از ۳۵.۲ درصد مدل پایه تولیدی آن‌ها بهتر است.

این نتایج نشان می‌دهد که Opus 5 به عنوان یک بازبین کد عمومی، بهترین گزینه نیست. CodeRabbit توصیه می‌کند که Opus 5 به عنوان یک ابزار تخصصی و دقیق در کنار سایر بازبین‌ها استفاده شود، نه به عنوان تنها یا اصلی‌ترین ابزار برای بررسی تغییرات پرخطر. این مدل در شناسایی خطاهای پیکربندی و کیفیت کد قوی‌تر عمل می‌کند، اما در خطاهای منطقی، شرایط رقابتی (race conditions) و استفاده نادرست از API ضعیف‌تر است. در زمینه تولید کد، Opus 5 عملکرد بهتری از خود نشان می‌دهد. مهندسان CodeRabbit آن را "کمتر مضطرب" از مدل‌های قبلی Opus توصیف کرده‌اند. این مدل زمان بیشتری را برای شفاف‌سازی اهداف صرف می‌کند، رویکردهای معتبر متعددی را ارائه می‌دهد و پروژه‌های باز را بدون عجله به سمت اولین راه‌حل مدیریت می‌کند. همچنین، مستندسازی کاملی از کار خود ارائه می‌دهد که قابلیت توضیح‌پذیری را بهبود می‌بخشد، اما می‌تواند توکن‌های زیادی مصرف کند. در کارهای عامل‌محور بزرگ‌تر، Opus 5 توانست صدها عامل پس‌زمینه را هماهنگ کند و قضاوت طراحی بسیار بهتری نسبت به Opus 4.8 از خود نشان داد. با این حال، همچنان کندتر و کم‌بازده‌تر از Fable 5 بود و گاهی اوقات به محدودیت‌ها می‌رسید. مصرف توکن در Opus 5 نیز قابل توجه است؛ این مدل حدود ۵۰ درصد بیشتر توکن ورودی و ۶۵ درصد بیشتر توکن خروجی نسبت به مدل‌های پیشرو در خط پایه CodeRabbit مصرف می‌کند. به طور متوسط، Opus 5 حدود ۶۰.۵ هزار توکن ورودی و ۹.۵ هزار توکن خروجی در هر فراخوانی بررسی کد دارد، در حالی که مدل‌های GPT-5.6 حدود ۴۰.۵ هزار توکن ورودی و ۵.۸ هزار توکن خروجی مصرف می‌کنند. منبع: CodeRabbit