Anthropic用Claude开发Claude，新基准只给Opus 5.5打了45分

Anthropic正在用Claude开发Claude。这期Latent Space播客聊的正是这条内部流程，受访者是平台背后的工程负责人Katelyn Lesse和产品负责人Ang Jiang。这个平台产出了Code、Tag、Duet这些第一方工具，也被Anthropic超过一半的顶级客户使用。

节目提到一个数字：Anthropic现在每支出1美元成本，对应2美元收入。有网友追问：这个账有没有把数据中心的take-or-pay合同算进去？照付不议，容量上线后不用也得付钱。节目里没展开。问题指向AI公司共同的软肋：基础设施账单。

评论区还有人问，Opus 5.5发布时，harness（模型外部的工具链）改了什么？另一个人说，最想听一个上线前被拦下来的改动：模型写了什么、哪项检查没过、最后怎么修。顺利发布是结果，被拦下来才是过程。

Opus 5.5被播客称为“目前世界第一的LLM”。节目嘉宾的回应是：第一名取决于你问谁。排名上是第一，但在新基准里，事情变得微妙。

Cognition本周发布了FrontierCode 2.0，一个专门测“超越规格”能力的编码基准。大多数编码eval看模型能不能按规格写出代码。FrontierCode 1.0问：你会合并这个PR（代码合并请求）吗？2.0多加了一层：不只问“你会不会合并”，还问“你该不该合并”。

任务更多样、范围更大、可合并性标准更高。提示词故意写得模糊，把工程决策留给模型。结果就是，这个基准远未饱和。

Cognition的Walden Yan说，质量门槛很高，团队在构建基准时拒绝了80%的PR，退回给开源维护者改进。他说这是最符合他对模型直觉判断的eval。他的同事Cheng-Yuan Lee补充：软件工程领域感觉已经解决了，但agent依然会漏掉细节，做不出彻底的实现。

分数分布说明了很多。Opus 5.5拿45.5%，GPT-6 Astra 42.6%，Claude Sonnet 5.5 40.8%，头部差距很小。再往下，Claude Fable 5.1 32.4%，Grok 4.7 28.5%。有用户在评论区指出，Sonnet 5.5离Opus 5.5和GPT-6 Astra很近，但明显领先Fable 5.1。还有人在讨论Fable 5.5要出的传言。

Opus 5.5发布于2026年9月22日。费用管理公司Ramp的数据显示，Anthropic在模型上的支出中，Opus 5.5占了63%。这家公司不只把Claude卖给客户，自己也在重度使用Claude。用Claude开发Claude，是一笔认真的投入。

新基准的态度是：最强模型也只到45%。距离“该合并”，路还长。

Cognition把评估方法、评分标准和样本任务都公开在了博客上。想验证模型真实工程判断力的人，可以去对照。