Claude Opus 5 po pięciu dniach: opinie i krytyka

Claude Opus 5 jest publicznie dostępny od 24 lipca 2026. Ten artykuł podsumowuje pięć pierwszych dni, stan wszystkich liczb to 28 lipca 2026, a zrzuty ekranu pochodzą z 29 lipca. Pięć dni to za krótko na werdykt i wystarczająco długo na obraz nastrojów. O benchmarki premierowe wyraźnie tutaj nie chodzi, te są w artykule benchmarkowym o premierze. Tutaj chodzi o rozdźwięk między pomiarem a codzienną pracą.

Ten rozdźwięk da się pokazać w jednym wpisie. Testerka Claire Vo puściła siedem modeli w ślepym teście przeciwko sobie i postawiła Opus 5 na 1. miejscu, przed wszystkimi sześcioma pozostałymi. W tym samym wpisie na X z 24 lipca pisze w oryginale: „I hate working with it." Dwie linijki dalej, w tym samym wpisie: „in a blind taste test, I ranked it above every other model (even Fable and my beloved GPT-5.6)". Właśnie ta sprzeczność jest wnioskiem po pięciu dniach, a nie ranking.

Pięć dni, nawet nie tydzień

Zanim padną liczby, metoda. Każde źródło w tym podsumowaniu wkładam do jednej z trzech szuflad, bo w relacjach medialnych etykiety nieustannie się przesuwają.

Dane dostawcy to własne publikacje Anthropic, czyli ogłoszenie, karta systemowa i dokumentacja. Zmierzone niezależnie to wartości, w których powstawaniu dostawca nie brał udziału, tutaj ślepe głosowanie użytkowników w rankingu Arena, ślepy test Claire Vo i test przeglądu kodu CodeRabbit. A zebrane blisko dostawcy to trzecia kategoria, której w tym przypadku potrzebuję: Artificial Analysis pisze we własnym artykule, że wspierał Anthropic w ewaluacji modelu przed premierą. Te wartości nie są więc ani deklaracją dostawcy, ani niezależną kontrolą. W artykule benchmarkowym o premierze prowadziłem Artificial Analysis jeszcze jako pomiar niezależny. To było zbyt hojne sformułowanie i tutaj je koryguję.

To, których modeli faktycznie używam w codziennej pracy i w jakim zakresie, transparentnie pokazuję na stronie AI w liczbach. To samo podsumowanie istnieje jako wideo, znajduje się na górze tej strony oraz w przeglądzie wideo.

61 do 60 i kto to zmierzył

Artificial Analysis mierzy dla Claude Opus 5 na najwyższym poziomie wysiłku 61 punktów w Intelligence Index, a dla Claude Fable 5 60 punktów. Kluczowe jest to, jak samo źródło ten wynik klasyfikuje. Nazywa go dosłownie „effectively tied with Claude Fable 5 (max, 60)". Czyli praktyczny remis, wyraźnie nie zwycięstwo. Kto z jednego punktu różnicy buduje hierarchię, buduje ją wbrew sformułowaniu instytucji mierzącej.

Drugie zdanie z tego samego źródła należy do sprawy koniecznie: „We supported Anthropic to evaluate Claude Opus 5 ahead of release". To nie czyni liczb fałszywymi. Zmienia jednak ich etykietę i dlatego w tym artykule wszędzie tam, gdzie źródłem jest Artificial Analysis, pada określenie zebrane blisko dostawcy. Jak szybko z liczby benchmarkowej robi się debata o samym pomiarze, opisałem w tekście o debacie o benchmarkach i oszukiwaniu wokół GPT-5.6 Sol.

Na marginesie sama konfiguracja pozostaje godna uwagi, bo Fable 5 to droższy model z tego samego domu. Co wyszło z powrotu Fable 5, będzie widać dopiero po tygodniach, a nie po pięciu dniach.

Wskaźnik halucynacji 50 procent i to, czego on nie oznacza

Ta sama analiza podaje wskaźnik halucynacji na poziomie 50 procent, o 14 punktów wyższy niż przy Claude Opus 4.8. Ta liczba jest niemal wszędzie czytana błędnie, dlatego najpierw definicja.

Nie chodzi o to, że co druga odpowiedź jest błędna. Artificial Analysis definiuje ten wskaźnik na teście wiedzy AA-Omniscience jako incorrect podzielone przez incorrect plus partial plus not attempted. Liczone są więc wyłącznie odpowiedzi niepoprawne, a połowa z nich przypada na błędne próby zgadywania zamiast na pominięcie pytania. Rzecz dotyczy zachowania w sytuacji niewiedzy, a nie ogólnej skuteczności.

Kierunek przeciwny pojawia się w tym samym tekście i należy do sprawy dokładnie tak samo: Opus 5 osiąga 7 punktów więcej wiedzy faktograficznej niż Opus 4.8. Razem daje to wyraźny profil zachowania. Model wie więcej i odpowiada częściej, także wtedy, gdy nie ma pewności. W praktyce oznacza to to samo co przy premierze: twierdzenia faktograficzne wymagają weryfikacji, zanim trafią do tekstów dla klientów, ofert albo raportów.

5. miejsce w ślepym głosowaniu użytkowników

Drugim punktem danych jest ślepe głosowanie użytkowników, czyli ranking Arena. W klasyfikacji ogólnej dla tekstu Claude Opus 5 na poziomie max zajmuje z wynikiem 1495 punktów 5. miejsce. Przed nim są Claude Fable 5 z 1508, Claude Opus 4.6 Thinking z 1505, Claude Opus 4.7 Thinking z 1502 i Claude Opus 4.6 z 1497. Wszystkie cztery pochodzą od samego Anthropic, najnowszy model stoi więc w głosowaniu użytkowników za trzema własnymi poprzednikami.

Do tego zastrzeżenie, bez którego to miejsce mało mówi. Przedział ufności wynosi plus minus 12, a przy ugruntowanych modelach z listy plus minus 4 do 6. Wartość jest więc wyraźnie mniej pewna niż te powyżej, a Arena oznacza ją w podpowiedzi jako opartą na testach sprzed premiery. Data stanu danych nie jest na stronie podana, mój odczyt to 29 lipca 2026.

1. miejsce w ślepym teście i mimo to żadnej pochwały

Najostrzejszy pojedynczy wniosek dostarcza Claire Vo. Przetestowała siedem modeli przeciwko sobie w ślepym teście, na sześciu typach zadań, publikacja z 25 lipca na ChatPRD. Opus 5 wygrywa ten test, przed wszystkimi sześcioma pozostałymi modelami, także przed Fable 5.

W tym samym tekście nazywa jego wyniki „Claude Slop", a model „neurotic" i „timid". Parafrazując treść ze strony: to jej najbardziej znienawidzony współpracownik, który mimo to dostarcza najlepszą pracę. Ostrzejszego oryginalnego sformułowania tam nie ma, jest za to w cytowanym na wstępie wpisie na X z 24 lipca, w którym obie wypowiedzi znajdują się w jednym poście.

To nie jest sprzeczność w myśleniu testerki, lecz wskazówka, że chodzi o dwie różne wielkości. Przy tym modelu jakość wyniku i doświadczenie pracy się rozjeżdżają. Kto czyta wyłącznie rankingi, nie dowie się o tym nic.

CodeRabbit: mniej znalezionych błędów, częściej trafnie

Mierzalny staje się ten sam rozdźwięk u CodeRabbit, komercyjnego dostawcy przeglądów kodu, który ujawnił swoją metodykę. Komercyjne tło trzeba wymienić, a liczby i tak warto przeczytać dokładnie.

Opus 5 znajduje w tym teście na poziomie wysiłku x-high 55,2 procent znanych błędów, baza porównawcza jest na poziomie 61,1 procent. Ważne jest, czym ta baza jest: nie modelem konkurencyjnym, lecz sprawdzonym miksem produkcyjnym CodeRabbit, czyli systemem dopracowywanym przez długi czas. Porównanie wypada więc ostrzej, niż wygląda na pierwszy rzut oka.

Przy precyzji obraz się odwraca, i to w obie strony. Przy wykonalnych uwagach Opus 5 trafia częściej, 39,3 wobec 35,2 procent. W przeliczeniu na całość wyniku wraca na niekorzyść, 28,6 wobec 32,8 procent. Do tego dochodzą 92 drobiazgi zamiast 23 oraz, według tej samej tabeli wyników, około 60.500 zamiast około 40.500 tokenów wejściowych. Wniosek dostawcy sprowadza się do tego: specjalista, a nie jedyny recenzent. Rozwlekłość, która rzucała się w oczy już przy premierze, pojawia się tu po raz drugi, tym razem w pomiarze bez udziału dostawcy. Wspierają to 92 drobiazgi zamiast 23; wyższa liczba tokenów wejściowych dotyczy natomiast strony wejścia i nic nie mówi o objętości odpowiedzi.

Dla użytkowników Claude Code: usuwać instrukcje zamiast dodawać

Teraz część, która najszybciej zmienia coś w codziennej pracy. Anthropic zaleca we własnej dokumentacji dotyczącej promptowania Opus 5 usuwanie ze starych promptów określonych instrukcji kontrolnych zamiast dodawania nowych. Wymieniane są między innymi sformułowania w rodzaju sprawdź dwa razy, zweryfikuj ponownie przed odpowiedzią, dodaj końcowy krok weryfikacji przy każdym nietrywialnym zadaniu albo użyj subagenta do kontroli. Uzasadnienie dokumentacji: Opus 5 sam weryfikuje swoją pracę, a podwójne polecenia w tej sprawie generują tylko dodatkowy nakład.

Z własnej praktyki to jest punkt, w którym stare pliki projektowe mszczą się najszybciej. Kto przez miesiące wpisywał linijki kontrolne do pliku promptowego albo projektowego, ma teraz zadanie sprzątające zamiast rozbudowującego. To nietypowe, bo zmiany modeli zwykle idą w drugą stronę.

Można by wyczytać z tego szok migracyjny. Dokumentacja tego nie potwierdza. Jest w niej wyraźnie napisane, że model działa dobrze z istniejącymi promptami dla Claude Opus 4.8. Ta sama dokumentacja potwierdza natomiast dokładnie tę krytykę, która płynie ze społeczności: dłuższe odpowiedzi, dłuższe zapisywane pliki, więcej autokomentarza i poszerzony zakres zadania.

Proporcje: głośno to jeszcze nie większość

Do głośności potrzebna jest skala, inaczej każdy wściekły wpis staje się trendem. Wątek ogłoszeniowy o Opus 5 na Hacker News ma około 1.700 punktów, a wątek nazywający Opus 5 naprawdę złym modelem ledwie ponad 50.

Nie wynika z tego żaden obraz większościowy, i to w żadną stronę. Punkty pod ogłoszeniem nie są głosem poparcia dla modelu, tylko miarą uwagi. A mały wątek krytyczny ani nie obala krytyki, ani jej nie dowodzi. Jedno i drugie to wskaźniki nastrojów, a nie pomiary, i dokładnie tak je tutaj prowadzę.

Czego nie sprawdziłem

Do uczciwości należą granice własnego researchu. Trzy z nich są dla mnie na tyle ważne, żeby je wymienić.

Po pierwsze nastroje na Reddicie widziałem wyłącznie przez agregator i nie przejąłem stamtąd ani jednej liczby głosów. Po drugie z rankingu Arena oceniłem wyłącznie klasyfikację ogólną dla tekstu, a nie rankingi cząstkowe. Model może w poszczególnych kategoriach stać zupełnie inaczej i o tych kategoriach niczego nie twierdzę. Po trzecie pięć dni to po prostu nie jest okres obserwacji, a kilka z cytowanych tu relacji opiera się na kilku dniach użytkowania.

Moja ocena po pięciu dniach

Poniższe jest moją oceną opartą na udokumentowanych wyżej liczbach i na własnej pracy z tymi narzędziami, a nie faktem zewnętrznym.

Najbardziej stabilnym wzorcem we wszystkich źródłach jest podział według typu zadania. Przy zadaniach wąsko zakrojonych dane czytają się dobrze: Snorkel AI podaje dla Opus 5 najlepszy wynik przy wyszukiwaniu błędów i analizie wydajności, ślepy test Claire Vo widzi go z przodu przy frontendzie, a przy wykonalnych uwagach w teście CodeRabbit trafia częściej niż baza porównawcza. Przy zadaniach długich i otwartych relacje są mieszane, a punkty krytyki powtarzają się uderzająco: więcej tekstu, więcej zakresu, więcej inicjatywy niż zamówiono. Także portal leadwithai opisuje dłuższe prace jako mniej ambitne.

W praktyce oznacza to dla mnie dwie rzeczy. Po pierwsze opłaca się kroić zadania węziej, zamiast oddawać jedno długie zlecenie w całości. Po drugie opłaca się zajrzeć do własnych plików promptowych i projektowych, bo są w nich instrukcje, których ten model już nie potrzebuje. Jedno i drugie to niewielki nakład pracy, a z mojej praktyki różnicę widać szybko.

I pozostaję przy powściągliwości, od której ten artykuł się zaczął. Jeden punkt różnicy w zestawieniu zebranym blisko dostawcy nie jest zwycięstwem, piąte miejsce z szerokim przedziałem ufności nie jest porażką, a pojedynczy wściekły wątek nie jest obrazem opinii. Kto po pięciu dniach sprzedaje ostateczny werdykt, sprzedaje opinię jako pomiar. Jeśli chcesz ustalić dla swojej firmy, który model pasuje do jakich zadań, do jakich ram ochrony danych i do jakiego budżetu, to jest dokładnie temat mojego konsultingu AI. Dla spojrzenia na otwartą konkurencję warto też przeczytać wpis o Kimi K3.

Źródła

• Anthropic, ogłoszenie Claude Opus 5: anthropic.com/news/claude-opus-5
• Anthropic, dokumentacja promptowania Claude Opus 5: platform.claude.com
• Artificial Analysis, artykuł o Opus 5: artificialanalysis.ai/articles/opus-5
• Artificial Analysis, AA-Omniscience i definicja metryki: artificialanalysis.ai/evaluations/omniscience
• Artificial Analysis na X o wsparciu przed premierą: x.com/ArtificialAnlys
• Arena, ranking tekstowy: arena.ai/leaderboard
• Claire Vo, ślepy test na ChatPRD: chatprd.ai
• Claire Vo na X, 24.07.2026: x.com/clairevo
• CodeRabbit, przegląd modelu Opus 5: coderabbit.ai/blog/opus-5-model-review
• Snorkel AI, analiza błędów Opus 5: snorkel.ai
• leadwithai, podzielone recenzje: leadwithai.co
• Hacker News, wątek ogłoszeniowy: news.ycombinator.com
• Hacker News, wątek krytyczny: news.ycombinator.com

Stan liczb: 28 lipca 2026, odczyt zrzutów ekranu 29 lipca 2026

Najczęstsze pytania

Jak dobry jest Claude Opus 5 według pierwszych relacji z praktyki?

Oceny są mieszane i to jest właściwy wniosek. Artificial Analysis mierzy 61 punktów w Intelligence Index wobec 60 dla Fable 5 i sam nazywa to praktycznym remisem. W ślepym głosowaniu użytkowników w rankingu Arena Opus 5 zajmuje 5. miejsce w klasyfikacji ogólnej dla tekstu. Testerka Claire Vo postawiła model w ślepym teście na sześciu typach zadań na 1. miejscu przed wszystkimi sześcioma modelami porównawczymi, a w tym samym tekście ostro krytykuje jego wyniki. Pięć dni to za mało na ostateczny werdykt.

Co oznacza wskaźnik halucynacji 50 procent przy Claude Opus 5?

Nie to, że co druga odpowiedź jest błędna. Artificial Analysis definiuje ten wskaźnik na teście wiedzy AA-Omniscience jako udział błędnych odpowiedzi wśród wszystkich odpowiedzi niepoprawnych, czyli incorrect podzielone przez incorrect plus partial plus not attempted. Spośród odpowiedzi niepoprawnych model w połowie przypadków zgaduje błędnie, zamiast pominąć pytanie. Wartość jest o 14 punktów wyższa niż u Opus 4.8, a jednocześnie ta sama analiza podaje 7 punktów więcej wiedzy faktograficznej.

Dlaczego Claude Opus 5 zajmuje w głosowaniu Arena dopiero 5. miejsce?

W klasyfikacji ogólnej dla tekstu przed Opus 5 stoją według rankingu Arena cztery modele i wszystkie cztery pochodzą od samego Anthropic: Claude Fable 5 z wynikiem 1508 punktów, Claude Opus 4.6 Thinking z 1505, Claude Opus 4.7 Thinking z 1502 i Claude Opus 4.6 z 1497, wobec 1495 dla Opus 5 na poziomie max. Istotna jest niepewność pomiaru: przedział ufności wynosi plus minus 12, a przy modelach ugruntowanych plus minus 4 do 6. Arena oznacza tę wartość w podpowiedzi jako opartą na testach sprzed premiery.

Czy muszę dostosować swoje prompty do Claude Opus 5?

Według dokumentacji Anthropic niekoniecznie, jest w niej wyraźnie napisane, że model działa dobrze z istniejącymi promptami dla Claude Opus 4.8. Zalecane jest jednak coś nietypowego: usunięcie ze starych promptów określonych instrukcji kontrolnych zamiast dodawania nowych, na przykład sprawdź dwa razy, zweryfikuj ponownie przed odpowiedzią albo zleć kontrolę subagentowi. Uzasadnienie dokumentacji jest takie, że Opus 5 sam weryfikuje swoją pracę, a podwójne polecenia w tej sprawie generują tylko dodatkowy nakład.

Czy Claude Opus 5 da się ocenić już po pięciu dniach?

Nie i dokładnie takie jest moje stanowisko. Pięć dni wystarcza na obraz nastrojów, a nie na werdykt. Najbardziej stabilny wzorzec we wszystkich ocenionych tu źródłach brzmi: mocny przy zadaniach wąsko zakrojonych, mieszany przy zadaniach długich i otwartych. Kto formułuje z tego teraz ostateczny werdykt, sprzedaje opinię jako pomiar.