测试背景与基准数据概览
本次评测在作者刚抵达旧金山的酒店房间内进行，旨在对比新发布的 Claude Opus 5 与当前主流模型（如 Fable 系列）。尽管缺乏正式环境，但初步基准测试显示 Opus 5 表现极具竞争力。在 Deep SWE（软件工程）基准中，Opus 5 的得分 紧追 Fable 5，且显著超越前代 Opus 4.8。值得注意的是，GPT-5.x 系列在部分基准中也被认为可能超越 Fable 5，但作者强调 个人体验与基准数据存在差异，因此更倾向于通过实际“氛围测试”来感受模型能力。此外，Opus 5 是 Anthropic 旗下首个进入“5系列”的模型（除 Fable 外），这一迭代本身也备受期待。
成本效益与安全策略分析
从经济角度考量，Opus 5 性价比显著提升。尽管其定价与 Opus 4.8 保持一致（输入 $5/百万 token，输出 $25/百万 token），但其基准得分大幅上升。相比之下，Fable 5 的输出价格更高，这意味着如果 Opus 5 能匹敌 Fable 5 的性能，它将是一个 极具吸引力的替代方案，尤其适合那些希望规避 Fable 访问限制的用户。在安全策略方面，Opus 5 沿用了 Opus 4.8 的护栏标准，但在特定网络任务领域有所放宽。作者指出，此前部分请求若被 Fable 拦截，往往会回退到 Opus 4.8，而 Opus 5 可能提供更宽松的使用体验，这为探索模型边界提供了更多空间。
浏览器OS游戏实测：Chronoscape
作者启动了 Browser OS V2.5 测试，选择 Opus 5 并设置“Extra”努力模式。模型成功加载了包含 Dock、开始菜单和搜索功能的桌面环境，并准确显示了本地时间。测试重点在于游戏 Chronoscape 的交互能力。模型能够识别界面元素，如“Shift”切换视角、“E/F键进入车辆”。在驾驶环节，模型展现了惊人的物理引擎理解力：它注意到路边停放的 侧向车辆 并尝试规避，同时识别出小地图上的警察位置。尽管因碰撞网格（mesh collider）导致车辆受损并扣除现金，但作者对模型在复杂动态环境中的表现感到 极度满意。
"This is really good. This is really good... It might have finally beat Quen 3.627B, okay?"
交互细节与局限性观察
在游戏过程中，模型展示了细致的环境互动逻辑。例如，它尝试寻找行人打招呼（"say hi to pedestrians"），但受限于游戏角度或机制，未能成功造成伤害。作者特别提到 右键菜单 的存在以及模型对音频输出的处理（尽管受限于设备扬声器）。整体而言，Opus 5 成功完成了从界面导航到复杂游戏操作的全流程测试。作者对模型能否全屏运行及进一步探索表示兴趣，但目前的测试结果已证明其在 多步骤任务执行和视觉理解 上的强大能力。尽管存在如“无法伤害行人”等细微逻辑局限，但整体流畅度和智能程度远超预期，验证了基准测试中展现的高性能并非虚名。
视觉生成与桌面环境模拟：合成波美学的主导地位
在针对 Claude Opus 5 的视觉生成能力测试中，模型展现了极高的风格一致性。在尝试打开 "Neon Drift 3D Endless Racer" 等应用时，生成的图像呈现出强烈的 合成波（Synthwave）美学风格。测试者指出，近期在多个模型的生成结果中都能观察到这种风格的收敛现象。例如，模型生成的 "Chronoscope" 界面和 "Ion mesh, carbon, circuitry, ash, and aurora drift" 等元素，都带有浓厚的复古未来主义色彩。虽然测试者个人偏好这种风格，但也注意到模型在细节处理上存在偶然性。
"I've been seeing like a lot of synthwave aesthetic in multiple different model generations in recent tests, and I like it personally. It's just interesting how sometimes they'll converge on a style."
在桌面环境模拟方面，Opus 5 展示了令人印象深刻的交互逻辑。模型成功生成了一个类似 Mac OS 10.5 的界面，并允许用户进行壁纸设置。测试者发现，虽然模型无法直接保存为 PNG 文件，但能够正确识别并设置壁纸到系统图库中。此外，终端背景被意外地替换为 Mac OS 10.5 的经典壁纸，这一细节虽然出乎意料，但增加了场景的真实感。测试者最终决定保留这个仿 Mac OS 的界面作为后续测试的基础，因为其视觉呈现和交互逻辑都相当出色。
桌面操作自动化与浏览器 OS 表现突破
本次测试的一个关键亮点是 Opus 5 对桌面操作的全程记录与回放能力。模型展示了类似 Qwen 3.8 的 自动捕获（Auto capture）功能，能够记录从开始到结束的每一步桌面操作。测试者确认这是一个可选设置，用户可以选择关闭该功能。这一特性使得模型在生成浏览器操作系统（Browser OS）结果时表现卓越。
测试者评价称，尽管应用图标在某些情况下可能不具备实际功能，但 Opus 5 生成的桌面环境可能是 所见过的最佳浏览器 OS 结果之一。模型不仅准确还原了界面布局，还理解了操作系统的底层逻辑，如颜色主题切换、壁纸设置等。这种对桌面环境的深度理解和模拟能力，标志着模型在视觉生成与交互逻辑结合方面的重大进步。测试者特别提到，这种能力使得生成的界面不仅仅是静态图片，而是具有潜在交互可能性的动态环境。
滑板游戏生成：细节丰富但存在方向性错误
在 C++ 自包含的滑板测试中，Opus 5 生成了一个具有加州木板路复古风格的游戏场景。模型在 "Extra Thinking" 模式下运行，并允许调整代码生成强度至 "Ultra Code"。生成的游戏画面细节惊人：除了基本的滑板角色，还包含了 冰淇淋车、阳光节标志牌、路灯、水面、移动的摩天轮 甚至飞翔的海鸥。测试者对场景的丰富程度感到震惊，认为其细节远超预期。
"There's so much additional scenery here... even a moving Ferris wheel out on a dock. Is that a volleyball net over there? Was that a flying seagull?"
然而，模型在物理逻辑上存在明显缺陷。生成的滑板角色和背景元素 全部向后移动，导致操作体验颠倒。测试者指出，虽然滑板动作（如抓板、踢翻）的动画效果逼真，手臂运动自然，但整体方向的反转是一个显著的扣分项。尽管如此，测试者仍认为这一表现足以支撑视频标题中的 "INSANE" 一词，因为其在视觉细节和场景构建上的成就远超方向性错误带来的负面影响。测试者甚至表示，鉴于自己极度疲劳的状态，这一结果依然令人兴奋。
广告生成测试：动态 SVG 与视频编辑挑战
最后，Opus 5 接受了创建中插广告的挑战。赞助商 "Data Impulse" 提供住宅代理 IP 服务，测试要求模型生成一个包含 完全动画 SVG 图形 的 HTML 文件。这些 SVG 需链接到特定时间戳（0-10秒），并包含相应的脚本。为了增加难度，测试者提供了一段 30 秒左右的视频素材，展示 Data Impulse 仪表板的操作过程（创建代理、复制信息），并要求模型将其整合到广告中。
测试者指出，虽然生成 HTML 和 SVG 本身对当前模型水平并非难事，但 将视频内容编辑并整合到动画广告中 是一项复杂任务。模型需要理解视频中的关键步骤，并将其转化为可视化的动画元素和时间轴同步。这一测试旨在评估模型在多媒体内容生成和编辑方面的综合能力，特别是如何处理动态视觉元素与时间同步的关系。测试者期待看到模型能否在保持广告吸引力的同时，准确传达 Data Impulse 的核心功能。
代理工具集成与视频编辑能力测试
在演示初期，创作者首先展示了模型对复杂指令的执行能力。通过选择特定国家、类型和协议，用户可以生成详细的代理列表。模型成功将原始屏幕录制视频（MP4）转化为一个无需服务器支持的独立文件，其中内嵌了 Base64 编码的视频数据。为了优化视觉效果，模型自动裁剪掉了 GNOME 顶部栏、Firefox 和 Chrome 浏览器界面，仅保留仪表盘内容，并将其重构在一个绘制的浏览器窗口中。这一过程展示了模型在视频编辑和代码生成方面的自动化能力，尽管创作者指出最终结果中嵌入的视频 URL 为虚构的 app.dataimpulse.com。
在此环节中，视频插入了赞助商 Data Impulse 的广告内容。该服务提供覆盖 195 个国家的超过 9000万 优质住宅 IP，采用按量付费模式。定价为每千兆字节（GB）1美元，无过期日期且最低充值额为 5美元。创作者强调，对于需要获取实时数据并经常遭遇 IP 速率限制或封禁的自主 AI 代理而言，此类代理服务至关重要。通过链接使用 Data Impulse 可以有效解决流量路由问题。
Jerry’s Apartment 3D 平面图渲染测试
接下来，创作者在 Claude Desktop App 中启用“高思考模式”（High Thinking Mode），对多模态模型进行了一项经典的基准测试：根据《老友记》中 Jerry 公寓的参考照片，生成精确的 3JS（Three.js）三维平面图表示。这是目前尚未有模型能完美实现的一对一平面布局复刻测试，尽管以往结果在细节上表现尚可。
对于 Opus 5 的表现，创作者持保留态度。虽然初步在 Artifact 窗口中看到的结果令人印象深刻，但深入查看后发现整体色调过于“粉彩”（pastel），显得 washed out（褪色/泛白）。尽管自行车模型等个别元素设计不错，但核心问题在于整体视觉缺乏冲击力。创作者指出：“Overall this is nowhere near as impressive to me as some of the other results we've received.” 在查看厨房视角时，创作者感叹这依然是一个艰巨的挑战，并幽默地表示这种表现让他感到“不像墙上那个笑脸海报那样开心”。结论是，尽管标题称 Opus 5 “疯狂”，但在此项测试中并未展现出突破性的优势。
前端设计与3D手表网站生成
随后，测试转向前端设计领域。创作者要求模型创建一个包含 3D 手表 Hero Section（首屏）的动画网站，需具备电影般的运镜效果。初始版本存在严重缺陷：Hero Section 中的桌子是空的，没有放置手表模型，尽管其平移运镜效果尚可。
然而，在修正后或查看后续细节时，模型展现了惊人的前端构建能力。创作者特别称赞了产品定价卡片中的手表渲染质量：“Look at that. Be sham likes it though.” 模型能够区分不同版本的手表，如金属表和皮革表。细节处理极为精细：创作者观察到表盘刻度正确、缝线纹理清晰可见，甚至皮革表带的针脚都栩栩如生。虽然秒针未动且金属材质曝光过度（blow out），但整体视觉效果足以以假乱真。
创作者指出，Claude 系列模型近期倾向于使用一种“米白色”（off-white）的 UI 风格，本次生成结果也延续了这一趋势。尽管 Hero Section 仍有改进空间（如手表缺失问题），但整体前端代码质量和视觉呈现令人印象深刻，尤其是在仅通过文字反馈进行迭代的情况下。
Subway FPS 场景渲染与资源消耗观察
最后，创作者进行了一个高负载的 FPS（第一人称射击游戏风格）场景渲染测试。提示词要求将地铁场景转化为“酷炫的 FPS 环境”。该任务在 Extra High（超高）思考模式下运行，耗时约20分钟。在此期间，创作者监控了资源使用情况。测试开始时账户额度几乎为零。
在渲染过程中，模型识别并尝试修复了光照平衡问题。创作者指出初始版本的金属材质过红且固定装置曝光过度（blow out），随后模型进行了材料修复和光照物理调整。虽然最终结果仍在渲染中，但这一过程展示了模型在处理复杂 3D 场景和物理光照模拟时的持续工作能力。创作者计划在完成测试后统计具体的资源消耗量，以评估高思考模式下的成本效益。
复杂场景生成与长时渲染能力验证
测试者对 Claude Opus 5 进行了极限压力测试，要求其在代码环境中构建一个细节极其丰富的地铁车站场景。该任务不仅涉及复杂的纹理生成，还要求模拟人类行走时的倾斜物理效果。模型展现了惊人的耐心与稳定性，在初步预览后，测试者决定让其在后台继续运行以观察最终结果。经过 1 小时 47 分钟的持续计算，模型完成了整个场景的构建。最终结果修正了初期出现的标志牌反向等错误，并生成了名为 "FPS" 的独立脚本结果。
在生成的第一人称射击游戏场景中，武器呈现出腐烂且粗糙的质感，与整体肮脏的车站氛围高度契合。尽管运行过程中出现短暂冻结并收到终端反馈，但音效设计表现卓越。测试者特别指出："The sound design and I can hear this on like teeny atrocious laptop speakers. The echoes of the bullets."（音效设计很棒，即使在我那糟糕的笔记本扬声器上也能听到子弹的回声）。僵尸敌人的头部细节令人毛骨悚然，瓷砖上的车站名称绘制也极具创意。准星在右键瞄准时自动居中至视野中心，这种交互逻辑的精准实现被评价为 "unreal"（不可思议）。
基于参考图像的婚礼网站构建与语义理解
在另一个测试中，测试者提供了一张历史照片作为参考，要求 Claude Opus 5 为 Margaret 和 Daniel 设计一个婚礼网站。模型成功捕捉了照片的配色方案，并生成了符合传统风格的页面布局。网站内容不仅包含了婚礼日期（2026年9月19日）、地点（纽约哈德逊的 Bellwether House）等基本信息，还生成了充满生活气息的故事叙述。文案中融入了大量关于食物的隐喻，如 "great deal of takeout"（大量的外卖）和 "come eat with us"（来和我们吃饭），这些细节被测试者认为是对两人共同生活经历的精准映射。
面对测试者的质疑——为何文案中充满食物相关的引用，模型给出了极具深度的解释。它指出大部分食物描述是结构性的（如 "we've had a kitchen between us"），而少数选择性的引用则是为了营造温暖、不拘小节的氛围。模型明确表示："nothing about their appearances described or alluded to anywhere in the file. That wasn't accidental."（文件中没有任何地方描述或暗示了他们的外貌。这不是偶然的。）这展示了模型在语义理解上的深度，它刻意避免了对人物外貌的刻板描述，转而聚焦于关系本质。测试者随后通过 "End conversation" 工具结束了对话。
Chrono City 极限测试与纹理表现力评估
最后，测试者对 Claude Opus 5 进行了所谓的 "Chrono City"（时空城市）极限测试，要求模型在 Ultra Code 模式下展示一个城市在不同年份的演变过程。这一任务旨在验证模型处理大量细微差别和过渡效果的能力，特别是对于 2055 年等未来年份的想象。测试者指出，这一结果比之前见过的任何模型都要好得多："this is just so much better than anything I've seen in this that it's it's just not even quantifiable to the degree that this is better than any other result I've seen in such an insane leap."（这比我在这一领域见过的任何东西都要好得多，其优势之大甚至无法量化，这是一个令人难以置信的飞跃。）
在生成的城市街景中，车辆模型、建筑结构和标志牌纹理均表现出极高的精细度。测试者特别强调了 "This model is just incredible when it comes to textures."（在纹理方面，这个模型简直不可思议）。尽管部分场景的亮度稍高，但整体视觉冲击力极强。这种在复杂时间线叙事和微观纹理细节上的双重突破，使得 Claude Opus 5 在当前的模型对比中占据了显著优势。
城市时间线演变测试：纹理与细节的极致呈现
评测者首先通过一系列提示词，让模型生成从现代到未来的城市街景演变视频。在现代场景（C）中，烟雾效果、车辆类型及背景细节均表现出色。进入20世纪不同年代时，模型的材质处理能力令人惊叹。在展示带有栅栏的车辆场景（Two）中，尽管行人因渲染问题变得“不可见”，但模型使用的纹理和材质细节达到了“疯狂”的程度，远超其他测试结果。到了80年代场景（Three），虽然过渡效果出现卡顿且霓虹灯反射在沥青路面上，但整体氛围依然独特。2005年的场景（Four）被描述为“平淡的灰色星期二”，尽管存在某些怪异之处，但鸟类的着陆动画自然流畅。2025年的场景（Five）展示了自行车道和露台，外卖骑手的细节令人难以置信。最后的205年场景（Six）因过曝和雨景导致能见度低，且过渡效果冻结，但这仍是该测试中表现最好的结果之一。评测者强调：“This is just still so much better than any other result I've seen for this test that it's not even a comparison.”（这比其他任何测试结果都要好得多，甚至无法相提并论。）
创意游戏生成测试：《Street Yeet》的荒诞与乐趣
在视频的最后部分，评测者尝试了一个更具创意和复杂度的任务：生成一款名为《Street Yeet》的低多边形游戏。规则设定为第三人称视角，主角可以用巨大的拳头将任何物体或人“扔”出极远的距离。评测者启用了额外思考模式（extra thinking mode）以追求更高质量的结果。生成的游戏虽然画面简陋，但核心玩法机制完全符合预期：角色挥拳后，人和路灯都被“扔”飞，且路人会逃跑。评测者对这种荒诞的互动感到兴奋：“That was a mega yeet... This is really fun.”（那是超级扔飞……这真的很有趣。）尽管画面粗糙，但NPC的互动性和物理反馈超出了预期。评测者甚至开玩笑地尝试让角色吃掉建筑物或移动厕所，虽然模型拒绝了吃动物的请求（“I can't bring myself to eat the animals.”），但这种基于规则的创造性交互展示了模型在理解复杂指令和生成娱乐内容方面的潜力。评测者表示，尽管自己已疲惫不堪，但这个结果让他感到震惊和满意。
综合评估与资源消耗分析
评测者总结认为，Claude Opus 5在多个测试中均取得了前所未有的最佳结果。特别是在城市时间线演变和C++滑板游戏生成中，模型展现了极高的完成度。以滑板游戏为例，尽管存在少量反转问题，但摩天轮的真实旋转、相对互动的NPC以及丰富的静态元素（如冰淇淋摊、救生员塔）使其成为“过度表现”的典范。评测者指出：“This model's like an overachiever, but the results really are fantastic.”（这个模型就像是一个超额完成者，但结果确实很棒。）在资源消耗方面，当前会话已使用65%，所有模型平均使用了19%。评测者特别提到，为了生成城市时间线结果，曾使用过“超代码”模式（ultra code one），消耗了数百万token，这直接影响了最终质量。尽管评测者因长时间未眠可能影响判断，但Opus 5在纹理细节和Web游戏生成方面的能力令人印象深刻，值得进一步关注和采用。
结论
Claude Opus 5在视觉生成、复杂场景构建及语义理解上展现出突破性优势，尤其在城市时间线演变测试中纹理细节远超竞品。其浏览器OS模拟与前端代码生成能力卓越，能处理高负载3D渲染及多媒体整合。然而，模型存在明显短板：物理逻辑偶有颠倒（如滑板方向错误），3D平面复刻色调失真，且高思考模式消耗巨大资源。总体而言，Opus 5在创意与视觉任务中表现极佳，但在严格物理模拟和成本控制上仍需优化。