Claude Opus 5.5 લોન્ચ: Opus 5 કરતાં 40% સસ્તું, કોડિંગમાં આગળ

AI કંપની Anthropic એ તેના નવા Claude 5.5 ફેમિલીનું પહેલું મોડેલ Claude Opus 5.5 લોન્ચ કર્યું છે. કંપનીએ કહ્યું છે કે મોટા ભાગના કામમાં આ મોડેલ Claude Fable 5.1 જેવું જ પરફોર્મ કરે છે, પણ ચલાવવાનો ખર્ચ Opus 5 કરતાં 40% ઓછો આવે છે.

કંપનીના અગાઉના મોડેલ Opus 5 ની સરખામણીમાં નવું મોડેલ સસ્તું અને ઝડપી બંને છે. Opus 5.5 Opus 5 કરતાં 30% થી વધુ ઝડપે જવાબ લખે છે. Claude Sonnet 5.5 અને Claude Haiku 5.5 આગળના સપ્તાહોમાં આવશે, જેમાં પણ આવા જ સુધારા રહેશે.

ભાવ કેટલા ઘટ્યા

API પર દર એક મિલિયન ટોકન માટે ભાવ આ પ્રમાણે છે:

• ઇનપુટ ટોકન: 4 ડોલર (Opus 5 માં 5 ડોલર)
• આઉટપુટ ટોકન: 20 ડોલર (Opus 5 માં 25 ડોલર)
• કેશ રીડ: 0.20 ડોલર, એટલે કે Opus 5 કરતાં 60% સસ્તું

કેશ રીડનો ખર્ચ એજન્ટિક અને કોડિંગના કામમાં સૌથી વધુ આવે છે, એટલે આ ઘટાડો મોટો ફરક પાડે છે. કુલ મળીને ટાઇપિકલ વર્કલોડ પર ખર્ચ 40% ઘટશે. ઝડપ વધારે જોઈએ તેમના માટે ફાસ્ટ મોડ પણ છે, જે 2.5 ગણી સુધી ઝડપી છે, પણ તેમાં ભાવ વધારે છે — ઇનપુટ માટે 8 ડોલર અને આઉટપુટ માટે 40 ડોલર પ્રતિ મિલિયન ટોકન.

સબસ્ક્રિપ્શનની બાજુથી પણ રાહત છે. Pro, Max, Team અને Enterprise પ્લાનમાં પાંચ કલાકની યુઝેજ લિમિટ વધારવામાં આવી છે. સાથે જ સબસ્ક્રાઇબર્સને રેટ લિમિટ રીસેટ આપવામાં આવે છે, જે હવે સેવ કરીને પોતાની મરજીથી ગમે ત્યારે વાપરી શકાય છે.

કોડિંગમાં મોટા દાવ

Anthropic ના બેન્ચમાર્ક પ્રમાણે Opus 5.5 એજન્ટિક કોડિંગ, કમ્પ્યુટર યુઝ અને નોલેજ વર્કમાં આગળ છે. Terminal-Bench 4.0 માં તેનો સ્કોર 66.4% છે, જ્યારે Fable 5.1 નો 55.8% અને Opus 5 નો 52.3%. ડિફોલ્ટ એફર્ટ લેવલ પર Opus 5.5, Opus 5 ના મેક્સ એફર્ટ જેટલું કામ કરે છે અને તેમાં પણ ખર્ચ પાંચમો ભાગ જ લાગે છે.

કંપનીએ એક ટેસ્ટરનો દાખલો આપ્યો છે, જેણે 6,80,000 લાઇનની કોડ માઇગ્રેશન એક દિવસથી ઓછા સમયમાં પૂરી કરી — એવું કામ જેમાં એન્જિનિયરિંગ ટીમને અઠવાડિયાં લાગે. બીજા ટેસ્ટરે 2,00,000 લાઇનના કોડબેઝનું ઓડિટ કરીને ત્રણ કલાકથી ઓછા સમયમાં સુધારા કર્યા, જ્યારે Opus 5 એ 20 કલાક અને 2.5 ગણા ટોકન વાપર્યા હતા.

એક અંદરની ટેસ્ટમાં HAProxy — વેબ ટ્રાફિક બેલેન્સ કરવા વપરાતું જાણીતું સોફ્ટવેર — ને C માંથી Rust માં ફેરવવાનું કહેવાયું. Opus 5.5 એ 9.5 કલાકમાં કામ પૂરું કર્યું, Fable 5.1 એ 12 કલાકમાં. બંનેનું કામ HAProxy ના લગભગ બધા રિગ્રેશન ટેસ્ટમાં પાસ થયું, પણ ખર્ચમાં 51% નો ફરક રહ્યો. એક ટેસ્ટમાં વેબ એપના દરેક પેજના લોડ ટાઇમ ઘટાડવા કહેવાયું ત્યારે Opus 5.5 એ 40 માંથી 39 વાર કામ કર્યું; Opus 5 એ નાનું સુધારું કર્યું પણ એપનું વર્તન બદલી નાખ્યું.

બેન્ચમાર્કની સાથે જ Anthropic એ એ પણ કહ્યું છે કે આ લેવલ પર બેન્ચમાર્કના માર્જિન હવે રિયલ વર્લ્ડમાં થનારા ફરકને ઓછા સાચા દર્શાવે છે, અને કંપનીના પોતાના વપરાશમાં Opus 5.5 અને Fable 5.1 વચ્ચેનો ગેપ સ્કોર જેટલો નથી.

સલામતીના દાવા

કંપનીના ઓટોમેટેડ બિહેવિયરલ ઓડિટમાં — જે હજારો સિમ્યુલેટેડ સિનેરિયોમાં મોડેલને ચકાસે છે — Opus 5.5 એ હાલ સુધી ટેસ્ટ થયેલા કોઈપણ મોડેલ કરતાં સારો સ્કોર મેળવ્યો છે. કંપની પ્રમાણે આ મોડેલ Opus 5 કરતાં પ્રોમ્પ્ટ ઇન્જેક્શનના હુમલા સામે વધારે મજબૂત છે અને અપાયેલી હદથી બહાર જઈને કામ કરવાની શક્યતા ઓછી છે.

રિલીઝ પહેલાં Frontier Design અને METR જેવી બાહ્ય સંસ્થાઓએ મોડેલનું ટેસ્ટિંગ કર્યું હતું. બાયોલોજી અને સાયબર સિક્યુરિટીના ક્ષેત્રે Fable 5.1 જેવી ક્ષમતાને કારણે આ મોડેલ પણ ખાસ સેફગાર્ડ સાથે ડિપ્લોય થયું છે. બાયોલોજી રિસર્ચ માટે ચૂંટાયેલી સંસ્થાઓ Life Sciences Verification Program માટે આજે અરજી કરી શકે છે, અને સાયબર સિક્યુરિટીના કામ માટે Cyber Verification Program નો વિસ્તાર આગળના સપ્તાહોમાં વધશે.

એન્ટરપ્રાઇઝના સિક્યુરિટી ટીમ માટે પણ વ્યવસ્થા છે: દરેક એક્શન ચાલુ થાય તે પહેલાં ક્લાસિફાયર તેને ચકાસે છે, ઓપન સોર્સ સેન્ડબોક્સ છે જે સિક્યુરિટી ટીમ ઓડિટ કરી શકે, અને કોડ મર્જ થાય તે પહેલાં કોડ રિવ્યૂ ખામી પકડે છે. પૂરી વિગત Opus 5.5 ની System Card માં આપવામાં આવી છે.

લખાણ પણ સરળ

અગાઉના મોડેલ વિશે લોકો ફરિયાત કરતા હતા કે તેનું લખાણ ફરે ફરે આવે છે. એરલી ટેસ્ટર્સના કહેવા પ્રમાણે Opus 5.5 નું લખાણ સ્પષ્ટ અને સમજવામાં સહેલું છે. મોડેલ સૌથી મહત્વની વાત શરૂમાં જ કહે છે. એક ટેસ્ટરે તેને આ રીતે કહ્યું: "it writes the way I do" — એટલે કે તે એ રીતે જ લખે છે જે રીતે હું લખું છું.

સાઉરાષ્ટ્રના સ્ટાર્ટઅપ અને સોફ્ટવેર ડેવલપર માટે સૌથી અગત્યની વાત ભાવની જ છે. એજન્ટિક કોડિંગના કામમાં અડધાથી પણ વધારે સસ્તું થયેલું આ મોડેલ ટૂંક સમયમાં ઘણી ટૂલ્સમાં ડિફોલ્ટ બનવાની શક્યતા છે.