24 जुलाई को Anthropic ने Claude Opus 5 जारी किया। सिर्फ़ वर्ज़न नंबर देखें तो यह Opus 4.8 का एक क़दम आगे खिसका हुआ रूप है, इसमें उत्साहित होने लायक़ कुछ ख़ास नहीं। पर असली बदलाव स्कोर वाले ख़ाने में नहीं, दाम वाले ख़ाने में है — ऊपर वाले टियर के क़रीब की क्षमता, Opus वाले पुराने दाम पर। उसी दाम पर 4.8 के मुक़ाबले यह सीधा अपग्रेड है, और Fable 5 के मुक़ाबले आधी क़ीमत में ज़्यादातर काम। इसकी क़ीमत एक छिपे हुए ख़र्च के रूप में आती है, और सिर्फ़ model ID बदल देने वाले उसमें लगभग तय तौर पर फँसेंगे।
इस लेख के सारे स्कोर आधिकारिक रिलीज़ और सार्वजनिक संकलनों से लिए गए हैं — मैंने ये बेंचमार्क ख़ुद नहीं चलाए हैं। ARC-AGI या GDPval जैसी चीज़ें कोई अकेला आदमी अपने लैपटॉप पर दोहरा नहीं सकता। बेंचमार्क वर्ज़न के साथ बदलते भी रहते हैं, इसलिए आँकड़ा वही मान्य है जो उस समय आधिकारिक पेज पर दिखे। रुझान देख लीजिए, दशमलव याद मत रखिए।
दो महीने से कम में चौथा मॉडल — इस बार रुककर देखने लायक़
Anthropic की रिलीज़ की रफ़्तार पिछले दिनों थोड़ी डरावनी रही है: Mythos 5, Fable 5, Sonnet 5, और फिर 24 जुलाई को Opus 5 — दो महीने से कम में चार। इतनी सघन रिलीज़ का एक साइड इफ़ेक्ट यह है कि लोग रिलीज़ नोट पढ़ना ही छोड़ देते हैं: अगले महीने फिर कुछ नया आ ही जाएगा, जब ठहर जाए तब देख लेंगे।
पर इस बार दस मिनट लगाना बनता है, और वजह यह नहीं कि यह ज़्यादा ताक़तवर है — वजह यह है कि यह किस दाम वाले ख़ाने में ताक़तवर है। Opus 5 की आधिकारिक पोज़िशनिंग यही है: Fable 5 के क़रीब की फ़्रंटियर इंटेलिजेंस, पर Opus वाले दाम पर। सीधी भाषा में — जिस क्षमता के लिए पहले ऊपर वाले टियर का पैसा देना पड़ता था, उसका ज़्यादातर हिस्सा अब बीच वाले टियर में मिल जाता है। Claude Max पर यह नया डिफ़ॉल्ट मॉडल बन गया है, और Pro पर जो सबसे ताक़तवर मॉडल इस्तेमाल किया जा सकता है वह यही है।
स्पेसिफ़िकेशन में कुछ बातें याद रखने लायक़ हैं: दाम प्रति दस लाख input token 5 डॉलर और प्रति दस लाख output token 25 डॉलर; कॉन्टेक्स्ट विंडो 1M token; सोचने की तीव्रता के तीन स्तर — low, medium, high — और इनके अलावा xhigh भी। एक बात स्पेक टेबल की सुर्ख़ी में नहीं दिखती, पर बिल पर सबसे ज़्यादा असर उसी का है — thinking डिफ़ॉल्ट रूप से चालू है। इस पर अलग सेक्शन बनता है, वह चौथे हिस्से में है।
Opus 4.8 के मुक़ाबले — दाम में एक पैसा नहीं बढ़ा, कोई भी चीज़ पीछे नहीं गई
नतीजा पहले: यह उसी दाम पर मिला अपग्रेड है, और ऐसा अपग्रेड है जिस पर बिना ज़्यादा हिचक के जाया जा सकता है।
Opus 4.8, 28 मई 2026 को आया था, दाम 5 डॉलर / 25 डॉलर। Opus 5 का दाम बिल्कुल वही है। इसीलिए यह तुलना सबसे साफ़ है — value for money का हिसाब लगाने की ज़रूरत ही नहीं, सिर्फ़ क्षमता का फ़र्क़ देखिए।
| पहलू | Opus 4.8 | Opus 5 |
|---|---|---|
| दाम (प्रति दस लाख token) | input 5 डॉलर · output 25 डॉलर | input 5 डॉलर · output 25 डॉलर |
| SWE-bench Pro | 69.2% | 79.2% |
| रीज़निंग बेंचमार्क औसत | 72.1 | 90.4 |
| Frontier-Bench v0.1 | आधिकारिक तौर पर कहा गया है कि Opus 5 का प्रदर्शन 4.8 से लगभग दोगुना है, और हर टास्क पर ख़र्च कम | |
| सार्वजनिक तुलना में आगे रहने वाले बेंचमार्क | 0 | 6 |
SWE-bench Pro 69.2% से 79.2% — पूरे दस प्रतिशत अंक, और यही वह ख़ाना है जिसका असर कोड लिखने वालों को सबसे जल्दी महसूस होता है। रीज़निंग बेंचमार्क का औसत 90.4 बनाम 72.1, यानी फ़ासला और चौड़ा। Frontier-Bench v0.1 पर आधिकारिक बात यह है कि Opus 5 का प्रदर्शन 4.8 से लगभग दोगुना है, और हर टास्क पर पैसा भी कम लगता है।
पर मेरे हिसाब से सबसे ज़्यादा जानकारी किसी एक स्कोर में नहीं, उस "छह बनाम शून्य" में है: सार्वजनिक तुलना में Opus 5 छह बेंचमार्क पर आगे है — BrowseComp, DeepSWE 1.1, FrontierCode 1.1, GDPval-AA, HealthBench Professional, Humanity’s Last Exam — और Opus 4.8 एक पर भी नहीं।
इन छह में से आपके अपने काम से शायद एक-दो का ही रिश्ता होगा। BrowseComp वेब पर खोजने का है, DeepSWE और FrontierCode कोडिंग की तरफ़ झुके हैं, GDPval-AA असली पेशेवर कामों की तरफ़, HealthBench Professional मेडिकल है, और Humanity’s Last Exam जान-बूझकर तंग करने वाले बेहद मुश्किल सवालों का सेट। इसलिए असली काम की जानकारी "छह जीते" नहीं है, "शून्य हारे" है।
मॉडल बदलने में सबसे तंग करने वाली बात कभी यह नहीं होती कि नया मॉडल कम ताक़तवर है; तंग यह करता है कि जिस एक क्षमता पर आप टिके हैं, वह चुपचाप आधा क़दम पीछे चली जाए। आपका prompt पुराने मॉडल के मिज़ाज के हिसाब से सधा हुआ है; नया मॉडल जिन तालिकाओं की आपको परवाह नहीं उन पर तीन अंक चढ़ जाता है, और रोज़ वाले उस एक हिस्से में दो अंक गिर जाता है — और यह बात आपको तब पता चलती है जब लाइव में कुछ बिगड़ता है। "कहीं पीछे नहीं गया" वाली यह लाइन किसी भी एक स्कोर से ज़्यादा तय करती है कि बदलना है या नहीं।
तो जो पहले से 4.8 पर हैं, उनके लिए: क्षमता वाली तरफ़ से बदलने का जोख़िम बहुत कम है। ख़र्च वाली तरफ़ से नहीं — उसके लिए चौथा हिस्सा देखिए।
Fable 5 के मुक़ाबले — आधे दाम पर, फ़ासला कहाँ तक सिमट आया
इस रिलीज़ की असली देखने लायक़ बात यही है। Fable 5 ऊपर वाला टियर है, दाम प्रति दस लाख input token 10 डॉलर और output token 50 डॉलर; Opus 5 का दाम 5 डॉलर और 25 डॉलर, यानी ठीक आधा।
| पहलू | Opus 5 | Fable 5 |
|---|---|---|
| दाम (प्रति दस लाख token) | input 5 डॉलर · output 25 डॉलर | input 10 डॉलर · output 50 डॉलर |
| Frontier-Bench | 43.3% | 33.7% |
| GDPval-AA v2 | 1,861 | 1,747 |
| agentic टास्क औसत | 90.8 | 84.6 |
| SWE-bench Pro | दोनों के बीच एक अंक से भी कम फ़र्क़, लगभग बराबर | |
| ARC-AGI 3 | आधिकारिक आँकड़ों के मुताबिक़ Opus 5 दूसरे नंबर के मॉडल से लगभग तीन गुना — इस रिलीज़ का सबसे बड़ा इकलौता फ़ासला | |
ये सारी पंक्तियाँ एक ही बात कह रही हैं: इन पैमानों पर Opus 5 ऊपर वाले टियर के बराबर आ गया है, कहीं-कहीं आगे भी निकल गया है, और दाम आधा है। Frontier-Bench पर 43.3% बनाम 33.7%, GDPval-AA v2 पर 1,861 बनाम 1,747, agentic टास्क का औसत 90.8 बनाम 84.6, और SWE-bench Pro पर दोनों के बीच एक अंक से भी कम फ़र्क़।
ARC-AGI 3 को अलग से देखना चाहिए। सार्वजनिक आँकड़ों में इस पर Opus 5 दूसरे नंबर के मॉडल से लगभग तीन गुना है, और यह इस रिलीज़ का सबसे बड़ा इकलौता फ़ासला है। ARC-AGI वाला सेट यह नहीं नापता कि मॉडल ने कितना पढ़ा है, वह यह नापता है कि जो नहीं पढ़ा उसे मौक़े पर निकाल पाता है या नहीं: कुछ ऐसे नियम सामने रखिए जो उसने पहले देखे न हों, और देखिए कि वह पैटर्न ख़ुद पकड़ पाता है या नहीं। ज़्यादा स्कोर का मतलब यह नहीं कि वह ज़्यादा जानता है, मतलब यह कि अनजान सवाल के सामने वह उतनी जल्दी अटकता नहीं।
पर इस "तीन गुना" को अपने रोज़ के अनुभव में तीन गुना मत पढ़ लीजिए। बेंचमार्क आपके सामने पड़े असली काम से काफ़ी दूर की चीज़ है; इसे इतना ही मानिए कि अनजान क़िस्म के सवालों पर यह मॉडल पहले वालों से कम अटकता दिखा है। रोज़ आपको जो चीज़ें सचमुच फँसाती हैं वे तयशुदा जवाब वाले सवाल नहीं होते — वैसे सवाल तो मौजूदा मॉडल पहले से ठीक-ठाक हल कर लेते हैं। मुश्किल वे काम होते हैं जिन पर किसी ने ट्यूटोरियल नहीं लिखा और जिन्हें आप ख़ुद भी साफ़-साफ़ बयान नहीं कर पाते।
Fable 5 बेकार नहीं हो गया है। जिन कामों में मॉडल को सबसे लंबे समय तक अपने-आप चलना होता है — घंटों लगातार चलना, ख़ुद योजना बनाना, ख़ुद ग़लती सुधारना, बीच में आपका हाथ न लगना — उस श्रेणी में आधिकारिक तौर पर अब भी Fable 5 को ही रखा गया है। आपका इस्तेमाल यही है कि एक बड़ा काम फेंककर सो जाते हैं, तो यह लाइन आपके लिए फ़ैसला करने वाली है; आधे दाम के लालच में मत बदलिए।
एक बात और, जो तालिकाओं में कम आती है पर काम की बहुत है: Opus 5 का सेफ़्टी क्लासिफ़ायर ग़लती से रोक लगाने के मामले में Fable 5 से क़रीब 85% कम बताया जाता है। सुरक्षा पर शोध करने वालों, पेनिट्रेशन टेस्टिंग की स्क्रिप्ट लिखने वालों, और वित्तीय या मेडिकल टेक्स्ट संभालने वालों के लिए यह आँकड़ा किसी भी बेंचमार्क स्कोर से ज़्यादा क़ीमती हो सकता है — जायज़ काम एक बार भी ग़लती से रोका जाए तो उसे घुमाकर दोबारा prompt लिखने में समय जाता है, और यह घिसाई किसी रिपोर्ट कार्ड में नहीं दिखती।
पहले वह ख़र्च वाला पेच — thinking डिफ़ॉल्ट ऑन है
Opus 5 में thinking डिफ़ॉल्ट रूप से चालू रहती है। एक ही prompt पर output token उससे ज़्यादा बनेंगे जितने सोच बंद रखने पर बनते। और output का दाम input से पाँच गुना है (25 डॉलर बनाम 5 डॉलर)। नतीजा यह: आपने सिर्फ़ model ID बदला, रेट कार्ड में एक पैसा नहीं बदला, फिर भी महीने के आख़िर का बिल ऊपर जा सकता है।
यह कोई ख़राबी नहीं है, डिफ़ॉल्ट बदल गया है। डिफ़ॉल्ट का बदलना रेट कार्ड पर नहीं दिखता, सिर्फ़ बिल पर दिखता है — इसीलिए इसकी तरफ़ ध्यान जाता ही नहीं।
सबसे जल्दी फँसने वाला आदमी वह है जो पहले Opus 4.8 पर thinking बंद करके सस्ते काम बैच में चला रहा था — वर्गीकरण, रूटिंग, लंबे टेक्स्ट का सार, फ़ॉर्मैट बदलना। इन कामों में मॉडल को ज़्यादा सोचने की ज़रूरत नहीं होती, सोच बंद रखने पर वे तेज़ भी होते हैं और सस्ते भी। फिर उसने देखा कि Opus 5 उसी दाम पर ज़्यादा ताक़तवर है, कोड की एक लाइन में model ID बदल दिया, और कुछ नहीं छुआ। क्षमता वाक़ई बढ़ी, आउटपुट की मात्रा भी बढ़ी — और वह बढ़ोतरी पाँच गुना दाम वाले ख़ाने में हुई।
बचने के चार तरीक़े, फ़ायदे के क्रम में:
- बदलने से पहले छोटे सैंपल पर आउटपुट की मात्रा एक बार मिला लीजिए। अपने असली बीस-तीस अनुरोध चुनिए, पुराने और नए मॉडल पर एक-एक बार चलाइए, कुल output token लिख लीजिए। इसमें दस मिनट भी नहीं लगते, और बिल में आने वाला बदलाव पहले से देख लेने का यही अकेला तरीक़ा है।
- काम के हिसाब से effort स्तर बाँटिए, एक ही स्तर से सब मत चलाइए। low, medium, high — ये तीन स्तर आपके लिए ही हैं, और इनके अलावा xhigh भी है। बैच वाले आसान काम निचले स्तर पर, और कई फ़ाइलों में फैली रीज़निंग या मुश्किल bug ढूँढ़ते समय ऊपर बढ़ाइए। कसौटी यह नहीं कि काम कितना अहम है, बल्कि यह कि उसमें मॉडल को कुछ क़दम ज़्यादा सोचने की ज़रूरत है या नहीं — जिस काम में सोचने की ज़रूरत नहीं, उसमें कितना भी thinking बजट दीजिए, बस पैसा ज़्यादा लगेगा।
- आउटपुट की मात्रा पर नज़र रखिए, दाम पर नहीं। एक अनुरोध का ख़र्च होता है "input मात्रा × input दाम + output मात्रा × output दाम"। इस बार बदली है output वाली मात्रा, दाम का ख़ाना जहाँ था वहीं है — इसलिए सिर्फ़ रेट कार्ड देखते रहेंगे तो दिक़्क़त कभी दिखेगी ही नहीं।
- जिन कामों में सचमुच वॉल्यूम है, उनके लिए नीचे वाले मॉडल सोचिए। Opus 5 को सबसे निचले स्तर पर दबाकर सार बनवाने से आमतौर पर सीधे कोई सस्ता मॉडल लेना बेहतर बैठता है। फ़्लैगशिप की क़ीमत मुश्किल सवालों में है, थ्रूपुट में नहीं।
1M कॉन्टेक्स्ट विंडो के बारे में एक लाइन साथ में: विंडो ऊपरी हद है, लक्ष्य नहीं। पूरा रिपॉज़िटरी या पूरे साल का रिकॉर्ड एक साथ अंदर ठूँस देंगे तो input की मात्रा का पैसा सचमुच देना पड़ेगा, और ज़रूरी नहीं कि मॉडल ज़्यादा सही जवाब दे।
तीन तरह के काम, तीन तरह के चुनाव
ऊपर की सारी बातों को सीधे इस्तेमाल लायक़ फ़ैसले में दबा दें:
रोज़ का कोड, विश्लेषण, नॉलेज वर्क → Opus 5। यह टियर अभी दोनों तरफ़ फ़ायदे में है: नीचे की तरफ़ उसी दाम पर 4.8 से बेहतर और कहीं पीछे नहीं, ऊपर की तरफ़ आधे दाम पर Fable 5 के क़रीब। जो पहले से 4.8 पर हैं वे सीधे बदल सकते हैं, बस पिछले हिस्से के हिसाब से आउटपुट की मात्रा एक बार मिला लीजिए।
जिन कामों में मॉडल को ख़ुद बहुत देर तक चलना है → वह श्रेणी अब भी Fable 5 की है। लंबी कड़ी, घंटों बिना टूटे चलना, बीच में ख़ुद ग़लती सुधारना — यह अब भी उसी का मैदान है। ऐसा इस्तेमाल वैसे भी ज़्यादा लोगों का नहीं होता, पर आप ठीक उसी में हैं तो सिर्फ़ दाम मत देखिए।
बैच वाले आसान काम → ऊपर नहीं, नीचे जाइए। वर्गीकरण, लेबल लगाना, रूटिंग, तयशुदा ढाँचे का सार — इनमें मुक़ाबला प्रति यूनिट लागत और थ्रूपुट का है, दिमाग़ का नहीं। इन कामों में फ़्लैगशिप लगाना सीधा फ़िज़ूलख़र्च है, चाहे आप उसे सबसे निचले thinking स्तर पर ही क्यों न चलाएँ।
एक बात सब पर लागू होती है: कुल ख़र्च गिनिए, प्रति यूनिट दाम नहीं। एक ही दाम वाले दो मॉडल में एक ज़्यादा बोलता है और एक कम, महीने के आख़िर में बिल में अच्छा-ख़ासा फ़र्क़ निकल आता है; उलटी तरफ़, दोगुने दाम वाला मॉडल अगर एक ही बार में सही कर दे और तीन दौर की दोबारा-मेहनत बचा दे, तो शायद सस्ता ही पड़े। देखने लायक़ चीज़ है "यह काम पूरा होने में कुल कितना लगा", रेट कार्ड पर लिखा आँकड़ा नहीं।
क्रिप्टो में AI से काम लेने वाले पाठकों के लिए अलग से: ऑर्डर और पोज़िशन साइज़ का कोड जाँचना, API की अनुमतियाँ और एरर हैंडलिंग देखना — जिन कामों में एक ग़लती सीधे पैसे की होती है, वे Opus 5 पर चलाने लायक़ हैं; दिन भर की घोषणाओं और ट्वीट का सार बनवाना किसी सस्ते टियर को दे दीजिए; agent को पूरी रात डेटा पर बैठाकर रखना Fable 5 का काम है। पर हद वहीं की वहीं है — यह सब सूचना संभालना है, आपकी जगह फ़ैसला करना नहीं। मॉडल आपके साथ बैठकर कैंडलस्टिक पढ़ने का तरीक़ा दोहरा सकता है और तर्क के छेद निकाल सकता है, पर उसे नहीं पता कि कल भाव चढ़ेगा या गिरेगा; उसका जमा किया हुआ समाचार भी गढ़ा हुआ हो सकता है, ख़ासकर वह जो सुनने में बहुत सधा हुआ लगे। पुराने ठगी के तरीक़े AI का खोल पहनकर लौट आते हैं — इस पर क्रिप्टो ठगी के 8 तरीक़े में लिखा है।
आख़िरी बात, जो शायद मॉडल चुनने से भी ज़रूरी है: अपने वर्कफ़्लो को किसी एक model ID पर वेल्ड मत कीजिए। दो महीने से कम में चार मॉडल — जो आपने आज चुना है, वह दो महीने बाद शायद न सबसे ताक़तवर होगा न सबसे सस्ता। model ID, effort स्तर और ख़र्च की ऊपरी हद को कॉन्फ़िगरेशन बना दीजिए, ताकि बदलते समय एक लाइन बदलनी पड़े; और अपने असली कामों का एक छोटा सेट रिग्रेशन टेस्ट की तरह रख लीजिए — नया मॉडल आते ही उसे चला दीजिए, पंद्रह मिनट में पता चल जाएगा कि बदलना बनता है या नहीं। पिछली बार मैंने मॉडल चुनने पर GPT-5.6 के तीन टियर वाला लेख लिखा था, और उसका नतीजा आज भी क़रीब-क़रीब टिका हुआ है — इसलिए नहीं कि स्कोर नहीं बदले, बल्कि इसलिए कि "काम के हिसाब से परत बाँटो, और ठीक उतना ही टियर लो जितना चाहिए" वाला तरीक़ा ख़ुद जल्दी पुराना नहीं पड़ता।
कुछ सवाल जो आप शायद पूछने ही वाले हैं
Claude Opus 5, Opus 4.8 से कितना बेहतर है
आधिकारिक रिलीज़ और सार्वजनिक संकलनों के मुताबिक़ SWE-bench Pro 69.2% से बढ़कर 79.2% हुआ, रीज़निंग बेंचमार्क का औसत 90.4 बनाम 72.1 रहा, और Frontier-Bench v0.1 पर कंपनी का कहना है कि Opus 5 का प्रदर्शन 4.8 से लगभग दोगुना है और हर टास्क पर ख़र्च भी कम। सार्वजनिक तुलना में Opus 5 छह बेंचमार्क पर आगे है और Opus 4.8 किसी पर नहीं। दाम दोनों का एक ही है — प्रति दस लाख input token 5 डॉलर और output token 25 डॉलर। ये आँकड़े मैंने ख़ुद नहीं चलाए हैं, और बेंचमार्क वर्ज़न के साथ बदलते रहते हैं, इसलिए उस समय आधिकारिक पेज पर जो दिखे वही मान्य है।
क्या Opus 5, Fable 5 की जगह ले सकता है
ज़्यादातर कामों में हाँ, और आधे दाम पर — Fable 5 प्रति दस लाख input token 10 डॉलर और output token 50 डॉलर लेता है, जबकि Opus 5 का दाम 5 डॉलर और 25 डॉलर है। सार्वजनिक आँकड़ों में Opus 5 Frontier-Bench पर 43.3% बनाम 33.7% है, GDPval-AA v2 पर 1,861 बनाम 1,747, SWE-bench Pro पर दोनों के बीच एक अंक से भी कम फ़र्क़ है, और agentic टास्क का औसत 90.8 बनाम 84.6। पर जिन कामों में मॉडल को सबसे लंबे समय तक अपने-आप चलते रहना होता है, उस श्रेणी के लिए अब भी Fable 5 ही बताया जाता है।
Opus 5 पर जाने के बाद बिल बढ़ क्यों गया
बहुत संभावना है कि thinking डिफ़ॉल्ट ऑन होने की वजह से। Opus 5 में thinking डिफ़ॉल्ट रूप से चालू रहती है, इसलिए एक ही prompt पर output token ज़्यादा बनते हैं, और output का दाम input से पाँच गुना है। अगर आप पहले Opus 4.8 पर thinking बंद करके बल्क टास्क चला रहे थे और सिर्फ़ model ID बदल दिया, तो दाम वही रहे पर आउटपुट की मात्रा बदल गई — बिल घटने के बजाय बढ़ सकता है। बदलने से पहले छोटे सैंपल पर एक बार output token गिन लीजिए, फिर तय कीजिए कि कौन-सा effort स्तर रखना है।
रोज़ के कोड के लिए कौन-सा effort स्तर ठीक है
Opus 5 में सोचने की तीव्रता के तीन स्तर हैं — low, medium, high — और इनके अलावा xhigh भी। रोज़ का कोड बदलना या छोटी स्क्रिप्ट लिखना आम तौर पर निचले स्तर पर हो जाता है; कई फ़ाइलों में फैली रीज़निंग, इंटरफ़ेस डिज़ाइन या मुश्किल bug ढूँढ़ते समय ऊपर बढ़ाइए। कसौटी यह नहीं कि काम कितना अहम है, बल्कि यह कि उसमें मॉडल को कुछ क़दम ज़्यादा सोचने की ज़रूरत है या नहीं — जिस काम में सोचने की ज़रूरत नहीं, उसमें ज़्यादा thinking बजट देना सिर्फ़ ज़्यादा पैसे देना है।
आगे पढ़ें: GPT-5.6 के तीन टियर और क्रिप्टो के नाम · क्रिप्टो ठगी के 8 तरीक़े · बिटकॉइन क्या है