Andrey Popov - stock.adobe.com

Actualites

Claude Opus 5 touche du doigt les performances de Fable 5 à moindre prix

Avec Opus 5, Anthropic a fine-tuné Claude Opus 4.8 pour le rendre presque aussi performant que Fable 5 tout en étant 35 % moins cher à la tâche, d’après Artificial Analysis. Une mise à jour qui réclame d’adapter les instructions et de faire une croix sur la majorité des tâches liées à la cybersécurité.

Gaétan Raoul
par
Publié le: 27 juil. 2026

Anthropic poursuit sur sa lancée avec le lancement de Claude Opus 5.

Le modèle, lancé le 24 juillet, se rapproche de Fable 5 « tout en coûtant moitié moins cher », défend Anthropic. Il est affiché au même prix qu’Opus 4.8 : 5 dollars pour un million de tokens en entrée, et 25 dollars pour le même volume en sortie. Le prix du million de tokens écrit en cache est fixé à 6,25 dollars, tandis que la lecture coûte 0,5 dollar. Fable 5 est bien facturé le double par million de tokens en entrée et en sortie.

Si Anthropic joue sur les appellations, Opus 5 n’est pas véritablement de la même famille que Fable et Mythos 5. C’est une mise à jour de Claude Opus 4.8. Il est doté d’une fenêtre de contexte d’un million de tokens et d’une date limite de connaissances fixée au mois de mai 2026.

Un nouveau leader (temporaire)

Comme son aîné, Opus 5 n’a pas été entraîné sur des tâches de cybersécurité. Les classifiers – les modèles d’IA utilisés pour détecter les prompts liés à la cyber et à la biologie – sont « proportionnellement moins restrictifs » que ceux de Fable 5.

Nouveauté de l’API, les messages signalés comme dangereux peuvent être redirigés vers d’autres LLM, moins capacitaires. Il est par ailleurs possible de changer d’outils en plein milieu d’une « conversation » sans supprimer la mise en cache des préfixes.

Le fournisseur de LLM met en avant les gains de performances en matière de programmation, d’IA agentique, de computer use et de complétion de tâches professionnelles.

Selon les tests d’Artificial Analysis, Claude Opus 5 prend la première place du classement Intelligent Index, un cheveu devant Fable 5 (61 vs 60 points), GPT-5.6 Sol (59), ainsi que Kimi K3 (57) et Opus 4.8 (56).

Le cabinet confirme les performances d’Opus 5 sur les tâches agentiques, professionnelles et de programmation.

En revanche, le LLM est lent avec seulement 54,6 tokens à la seconde, contre 56 pour Opus 4.8. Claude Opus 5 génère 20 millions de tokens en moins pour terminer le banc d’essai d’Artificial Analysis (100 vs 120 millions de tokens), mais son coût moyen par tâche atteint 2,03 dollars, en hausse par rapport au 1,80 dollar d’Opus 4.8.

Environ 35 % moins cher à la tâche que Fable 5

En moyenne, à la tâche, Opus 5 est 35,5 % moins cher que Fable 5 (2,75 dollars par tâche), pas moitié moins. Il est 12 % plus cher qu’Opus 4.8.

Sonnet 5 et GPT-5.6 Sol (1,53 avec la promotion et 1,54 dollar par tâche en moyenne) demeurent plus abordables. Gemini 3.6 Flash fait beaucoup mieux (0,5 dollar par tâche), mais s’avère moins performant.

« Cependant, pour les tâches de raisonnement de niveau “high” et “xhigh”, Opus 5 peut surpasser à la fois Opus 4.8 et Claude Sonnet 5, tout en offrant un coût par tâche inférieur », assure le cabinet. Si les gains sur le test AA-Omniscience sont évidents (+7 points), le taux d’hallucination grimpe de 14 points pour atteindre 50 % sur les questions factuelles.

Les gains les plus probants concerneraient les flux de travail agentiques.

Confronté au test AA-Briefcase Elo (tâches agentiques professionnelles), Artificial Analysis note que « Claude Opus 5 (max) coûte 17,79 dollars par tâche, soit une réduction de 20 % par rapport à Claude Fable 5 (22,30 $) », affirme-t-il. « Les variantes xhigh et high offrent des compromis plus avantageux en matière de coût-efficacité. Tous deux surpassent Fable 5 tout en coûtant respectivement 64 % (14,26 $) et 47 % (10,41 $) moins cher ».

Artificial Analysis n’explique pas pourquoi Opus 5 coûte en moyenne plus cher que son prédécesseur à l’activité. Pourtant, son benchmark fait apparaître des dépenses en hausse du côté de la mise en cache.

De son côté, Anthropic signale quelques astuces de prompting pour maintenir la concision des réponses, éviter la « survérification des tâches », de trop nombreux recours aux sous-agents IA, ou encore les autocorrections de code intempestives. Bref, il convient à nouveau d’ajuster ses flux de travail et de constituer son propre jeu de tests afin de confirmer la pertinence du LLM pour dans des cas d’usage spécifiques.

Pour approfondir sur IA appliquée, GenAI, IA infusée