Claude Opus 5 – co potrafi i kiedy lepiej go odpuścić

Wprowadzenie – przed jakim wyborem stawia premiera Opus 5

Premiera Claude Opus 5 z 24 lipca 2026 stawia osoby pracujące z kodem i agentami przed konkretnym wyborem. Do wyboru są trzy drogi:

• zostać przy Opus 4.8 i Sonnet – sprawdzonym zestawie, który już działa w wielu integracjach,
• sięgnąć po Fable 5 – najmocniejszy model w najtrudniejszych zadaniach,
• przejść na Opus 5 – następcę Opus 4.8, który ma łączyć moc z rozsądnym nakładem na zadanie.

Anthropic zapowiada model prawie tak mocny jak Fable 5 w wielu zadaniach. Dokumentacja, karta modelu i niezależne testy pokazują, że ta zapowiedź ma pokrycie, choć z zastrzeżeniami, które wychodzą dopiero w codziennej pracy. W artykule przechodzę przez parametry, wyniki testów, pracę w Claude Code, słabe strony modelu i sytuacje, w których lepiej wybrać coś innego.

Parametry i dostępność modelu

Opus 5 nosi identyfikator claude-opus-5. Najważniejsze parametry wyglądają następująco:

• Kontekst: do 1 mln tokenów
• Wyjście w wywołaniu synchronicznym: do 128 tys. tokenów
• Wyjście w trybie wsadowym: do 300 tys. tokenów
• Granica wiedzy: maj 2026

Gdzie działa

• API Anthropic
• Claude Code i aplikacje Claude
• Amazon Bedrock, Google Vertex i Microsoft Foundry

W subskrypcji Opus 5 trafił jako domyślny model planu Max i najmocniejsza opcja w planie Pro. Oznacza to, że wiele osób zacznie z nim pracować bez żadnej zmiany w ustawieniach – i warto wiedzieć, czego się po nim spodziewać.

Myślenie włączone na stałe i skutki dla integracji

Dla deweloperów najważniejsze jest rozumowanie adaptacyjne włączone od startu. W Opus 4.8 trzeba je było włączać ręcznie. Tutaj domyślny jest poziom high.

Skala poziomów rozumowania

• low – najkrótsza analiza, najszybsza odpowiedź
• medium – poziom pośredni
• high – ustawienie domyślne
• xhigh – głębsza analiza, myślenia nie da się wyłączyć
• max – najgłębsza analiza, myślenia również nie da się wyłączyć

Wyższy poziom oznacza głębszą analizę, ale też dłuższe czekanie na odpowiedź.

Co to oznacza dla istniejącego kodu

To ma praktyczny skutek: starszy kod, który zakładał, że odpowiedź zaczyna się od tekstu, wymaga poprawki, bo najpierw mogą przyjść bloki rozumowania. W integracji trzeba więc:

1. przekazywać bloki rozumowania dalej bez zmian,
2. wybierać treść odpowiedzi po typie bloku, a nie po jego pozycji,
3. sprawdzić miejsca, w których aplikacja bierze „pierwszy element" odpowiedzi jako gotowy tekst.

Niższy próg pamięci podręcznej promptu

Obniżono też próg pamięci podręcznej promptu do 512 tokenów. To pomaga agentom, które wielokrotnie pytają model z tym samym kontekstem – krótsze wspólne fragmenty również mogą trafić do pamięci podręcznej.

Gdzie liczby robią wrażenie

W zadaniach wymagających rozumowania i szerokiej wiedzy przewaga Opus 5 nad poprzednikiem jest bardzo wyraźna.

Frontier-Bench

Test obejmuje 74 trudne zadania z kodowania, finansów, biologii i sprzętu:

• Opus 5: 43,3%
• Fable 5: 33,7%
• Opus 4.8: 18,7%

ARC-AGI-3

To zestaw zadań interaktywnych i wcześniej niepublikowanych, więc odpornych na wykucie odpowiedzi. Wyniki:

• Opus 5: 30,2%
• konkurencyjny model OpenAI: około 7,8%
• Opus 4.8: 1,5%

GDPval-AA

W rankingu wiedzy GDPval-AA Opus 5 notuje 1861 Elo, wyraźnie przed Fable 5 i GPT-5.6. Skok względem Opus 4.8 w testach odpornych na zapamiętywanie jest tu najmocniejszym argumentem za tym, że poprawa nie wynika wyłącznie z dopasowania do popularnych zestawów zadań.

Klasyczne kodowanie – tu różnice się rozmywają

W klasycznym kodowaniu różnice między czołowymi modelami się zacierają.

SWE-bench Verified

• Opus 5: 96,0%
• Fable 5: 95,0%
• Opus 4.8: 88,6%

SWE-bench Pro

• Opus 5: 79,2% – o 10 punktów procentowych lepiej niż Opus 4.8
• Fable 5: o 0,8 punktu więcej niż Opus 5

W CursorBench i FrontierCode różnice też liczone są w ułamkach punktu.

Dlaczego nie warto przywiązywać się do tych liczb

Same testy z rodziny SWE-bench budzą ostatnio wątpliwości, bo część zadań okazała się wadliwa albo podatna na zapamiętanie. Różnica poniżej punktu nie rozstrzyga więc, który model naprawdę jest lepszy w twoim repozytorium. Wynik w publicznym teście to punkt odniesienia, a nie prognoza zachowania na twoim kodzie.

Diagnostyka i debugowanie – realna przewaga

Więcej niż klasyczne testy kodowania mówi diagnostyka.

Senior SWE-bench

W niezależnej analizie Senior SWE-bench Opus 5 zajął drugie miejsce w klasyfikacji ogólnej, ale pierwsze w wyszukiwaniu błędów i problemów z wydajnością.

Próby terminalowe

• Opus 5: 85% skuteczności debugowania
• Opus 4.8: 25%
• porównywany model OpenAI: 5% w tej samej próbie

Co zgłaszają firmy

To spójne z tym, co raportują zespoły korzystające z modelu:

• Lovable – ponad 20% poprawy w najtrudniejszych zadaniach agentowych względem wersji 4.7,
• Box – poprawa o kilka procent w analizie danych,
• zespoły finansowe – krótsze sekwencje wywołań narzędzi przy tej samej dokładności.

Wniosek jest prosty: jeśli twoja praca to w dużej mierze szukanie przyczyn awarii, analiza wydajności i naprawianie trudnych błędów, przewaga Opus 5 jest znacznie większa, niż sugerują wyniki SWE-bench.

Claude Code – środowisko do pracy na wielu plikach

Sam model to połowa układanki. Drugą jest Claude Code – nie czat, tylko środowisko do wieloplikowej roboty. Działa jako terminal, wtyczka do edytorów i usługa działająca w tle.

Co potrafi Claude Code

• planuje pracę przed rozpoczęciem zmian,
• edytuje wiele plików naraz,
• uruchamia testy i otwiera pull requesty,
• pozwala cofać rozmowę razem z plikami,
• deleguje część pracy do subagentów z własnym kontekstem,
• po edycji potrafi uruchomić formatowanie albo testy,
• łączy się przez MCP z GitHubem, Slackiem, Jirą czy bazami danych.

Podział ról i poziom rozumowania w praktyce

Który model do czego

• Opus 5: architektura, przegląd kodu i trudne debugowanie
• Sonnet: mechaniczne dopisywanie kodu

Najpierw plan, potem edycja

Jeśli puścisz Opus 5 na refaktor dwudziestu kilku plików bez planu, dostaniesz dużo ruchu i mało pewności. Sprawdza się inna kolejność:

1. Wymuś tryb planowania.
2. Przygotuj pełną specyfikację zmiany.
3. Zaakceptuj plan.
4. Dopiero wtedy włącz edycję.

W takim układzie agent potrafi dowieźć zmianę od początku do końca – z poprawką importów i ponownym przebiegiem testów.

Nie zaczynaj od najwyższego poziomu

Druga reguła dotyczy poziomu rozumowania. Nie ma sensu od razu ustawiać najmocniejszego. Poziom high zwykle daje najlepszy stosunek jakości do czasu. Poziom max:

• bywa wolniejszy,
• jest bardziej gadatliwy,
• czasem dokłada zmiany spoza zakresu – za co niezależne oceny go karzą.

Co dopisać w instrukcji dla agenta

• Trzymaj się zakresu – ogranicza dokładanie zmian, o które nikt nie prosił.
• Nie dokładaj weryfikacji na końcu – model i tak wykonuje ją z własnej inicjatywy, więc wymóg w instrukcji tylko wydłuża pracę.

Długie zadania, które wreszcie się domykają

Opus 5 najlepiej wypada tam, gdzie zadanie nie kończy się w jednej odpowiedzi. Gdy polecenie jest niepełne, potrafi:

• sam sprawdzić własną pracę,
• dopisać skrypt testujący,
• złożyć potok analizy obrazu.

Przykład: model 3D bez podglądu

W jednym z opisywanych przypadków Opus 5 dostał surowe piksele modelu 3D bez podglądu i zbudował własny potok wizyjny, żeby zweryfikować wynik. Konkurencyjne modele w tej próbie nie dowiozły rozwiązania.

Podobny wzorzec widać w automatyzacji biurowej i sterowaniu komputerem, gdzie Opus 5 dociąga zadanie do końca, zamiast zatrzymywać się w połowie. To właśnie ta cecha sprawia, że dobrze sprawdza się w długich, wieloetapowych przebiegach agentowych.

Dane firmowe, retencja i bezpieczeństwo

Dla firm znaczenie ma też sposób obchodzenia się z danymi. Za Opus 5 przemawiają:

• brak obowiązkowej retencji, jaką ma Fable 5,
• domyślna zerowa retencja na Amazon Bedrock,
• rzadsze odmowy ze względów bezpieczeństwa,
• lepsza odporność na wstrzykiwanie poleceń.

Razem sprawia to, że łatwiej wpuścić go w obieg dokumentów, analiz i kodu, którego nie chcesz przetrzymywać na zewnątrz.

Kiedy zaczyna przeszkadzać: pamięć, tempo i upór

Ta sama dokładność ma swoją drugą stronę.

Halucynacje przy odpowiadaniu z pamięci

W teście wiedzy bez użycia narzędzi odsetek halucynacji sięgnął około 50%. Model odpowiada pewniej, ale pewność nie zawsze oznacza poprawność. Do odpowiadania z pamięci, bez wyszukiwania albo weryfikacji w źródle, to zły wybór.

Jeśli robisz wsparcie klienta albo odpowiadasz na pytania o fakty, musisz dołożyć:

• warstwę wyszukiwania,
• kierowanie zapytań zależnie od poziomu pewności odpowiedzi.

Tempo na najwyższym poziomie rozumowania

• czas do pierwszego tokenu potrafi przekroczyć minutę,
• tempo generowania jest wyraźnie poniżej mediany,
• sesje w testach obciążeniowych ciągną się ponad pół godziny i kilkadziesiąt tur.

Przegląd kodu i upór

W przeglądzie kodu Opus 5 podnosi precyzję, ale obniża pokrycie i dorzuca sporo drobiazgów. Użytkownicy opisują go jako model, który za dużo weryfikuje, dopytuje i trzyma się własnych założeń. Przy nocnym przebiegu to zaleta. Przy szybkiej poprawce w ciągu dnia potrafi irytować.

Braki i zmiany, które uderzają w integracje

• Brak wbudowanego wyszukiwania w sieci w API, jakie mają niektórzy konkurenci.
• Nowy tokenizer – ten sam tekst po aktualizacji rozbija się na więcej tokenów.

Starsze integracje czasem wymagają więc poprawek nie dlatego, że model jest słabszy, tylko dlatego, że liczy inaczej i mówi więcej. Warto to uwzględnić przy szacowaniu kosztów i limitów długości.

Opus 5, Fable 5 czy inny model

Wybór sprowadza się do kilku sytuacji.

Kiedy Opus 5

Do agentowego kodowania, refaktorów na wielu plikach, debugowania i pracy z dokumentami Opus 5 daje prawie to samo co Fable 5 przy wyraźnie mniejszym nakładzie na zadanie.

Kiedy Fable 5

• w najtrudniejszych zadaniach, w których liczy się ostatni procent skali,
• w obszarach, pod które był celowo trenowany, czyli w cyberatakach i biologii – tu Opus 5 z założenia jest słabszy.

Kiedy model OpenAI klasy GPT-5.6

• w pojedynczych próbach z inżynierii jądra,
• w szerokiej wiedzy ogólnej.

Kiedy Gemini

• gdy liczy się szybkość,
• przy długim kontekście multimodalnym,
• gdy kluczowa jest dostępność.

Wiele zespołów i tak dzieli pracę między kilka modeli, zamiast stawiać na jeden. To często najrozsądniejsze podejście: mocny model tam, gdzie liczy się głębia, lżejszy tam, gdzie liczy się czas.

Gdzie go uruchomisz i co cię zatrzyma

Opus 5 od dnia premiery działa w API, w Claude Code i w chmurach partnerskich.

Limity i tryby pracy

• Osobny limit szybkości, niezależny od starszych Opusów.
• Dobra obsługa wielokrotnego użycia tego samego kontekstu.
• Tryb wsadowy – do zadań w tle.
• Tryb szybki – do zadań pilnych, dostępny tylko w API producenta.

Przełączanie ryzykownych zapytań

Zapytania oznaczone jako ryzykowne potrafią w tle zostać przełączone na Opus 4.8. Użytkownik dostaje wtedy komunikat, a zachowanie API w takiej sytuacji da się skonfigurować. Warto to sprawdzić przed wdrożeniem, żeby integracja nie była zaskoczona odpowiedzią z innego modelu.

Europa i rezydencja danych

W Europie ruch obsługują Irlandia, Szwecja i pule wieloregionowe, z opcją rezydencji danych.

Podsumowanie – kiedy brać Opus 5, a kiedy odpuścić

Opus 5 ma sens jako następca Opus 4.8 do kodu i agentów. Skok w trudnych zadaniach jest duży, a migracja zwykle ogranicza się do poprawki obsługi bloków rozumowania.

Checklista przed przejściem na Opus 5:

Integracja:

• Popraw obsługę bloków rozumowania – przekazuj je bez zmian i wybieraj treść po typie bloku
• Uwzględnij nowy tokenizer w szacowaniu kosztów i limitów
• Sprawdź zachowanie API przy przełączeniu zapytania na Opus 4.8

Konfiguracja agenta:

• Na start ustaw poziom high
• W instrukcji dopisz trzymanie się zakresu
• Zdejmij wymóg końcowej weryfikacji, bo model i tak ją wykonuje
• Przy dużych zmianach wymuś plan przed edycją

Dobór modelu:

• Do szybkiego czatu i prostej klasyfikacji weź lżejszy model
• Do pytań o fakty zawsze dodaj wyszukiwanie
• Fable zostaw na sytuacje, gdy ułamki punktu decydują o wyniku albo gdy wchodzisz w obszary, pod które Opus nie był trenowany

Najważniejsza zasada

Przed migracją przetestuj model na własnym repozytorium. Publiczne rankingi nie powiedzą, jak zachowa się w twoim kodzie.