הקאמבק של Anthropic‏: איך Claude Opus 5.5‏ עקף את Codex‏, והתאוריה שאף אחד לא מדבר עליה

Claude Opus 5.5‏, שיצא ב־22 בספטמבר 2026, הוא בשימוש שלי המודל החזק בפער מכל מה שעבדתי איתו השנה. זה לא מה שציפיתי לכתוב. בחודשים שלפניו Codex‏ של OpenAI‏ היה הכלי שלי ושל רוב האנשים סביבי, ו־Claude‏ נראה כמו מי שנשאר מאחור. המאמר הזה הוא שלושה דברים: מה ראיתי מהשטח, מה המספרים אומרים (גם כשהם לא מסכימים איתי), ותאוריה שלי על הסיבה לקפיצה. סימנתי לאורך הדרך מה מאומת, מה ניסיון אישי ומה השערה.

החודשים של Codex‏: מה ראיתי סביבי

אני מוקף במפתחי AI‏ כל היום, ואני עצמי עובד עם המודלים האלה מהבוקר עד הלילה. מה שמתואר כאן הוא תצפית, לא סקר.

בחודשים האחרונים, כמעט כל מפתח שאני מכיר עבר ל־Codex‏. קודם עם GPT-5.5‏, ואחר כך עם GPT-5.6 Sol‏ ו־GPT-6 Astra‏. הסיבה לא הייתה רק המודל. ה־harness‏ של Codex‏, כלומר המעטפת שמריצה את המודל, מנהלת את הצעדים ומפעילה את הכלים, פשוט מסיים משימות. הוא עובד לפי סדר, בודק את עצמו, ולא עוצר באמצע כדי לשאול שאלה שהתשובה עליה ברורה. ה־computer use‏ שלו, היכולת של הסוכן להפעיל אפליקציות על המחשב, מצוין. לפי התיעוד של OpenAI‏, Codex‏ מפעיל את המחשב ברקע, ו־"multiple agents can work on your Mac in parallel‏". זה הבדל שמרגישים כבר ביום הראשון.

גם הנתונים הציבוריים מצביעים על תנועה, אם כי בזהירות: OpenAI‏ דיווחה על קפיצה במשתמשי Codex‏ אחרי GPT-5.6‏, ו־Anthropic‏ העלתה את מגבלות השימוש ב־Claude Code‏ שלוש פעמים. המספרים של OpenAI‏ כוללים משתמשי ChatGPT‏, ובסקרים Claude Code‏ עדיין מוביל בשימוש מקצועי. אז "כולם עברו" זו לא עובדה. "כמעט כל מי שאני עובד איתו עבר" זה מה שראיתי.

איפה Claude‏ איבד אותנו: Fable‏, Opus 5‏ ו־Sonnet 5‏

Fable‏ היה מוגבל מאוד. זה החלק המאומת. Claude Fable 5‏ יצא ב־9 ביוני, כשכבה חדשה מעל Opus‏ ובמחיר API‏ כפול, 10 ו־50 דולר למיליון טוקנים. שלושה ימים אחר כך הגישה אליו הושעתה בגלל פיקוח יצוא אמריקאי, והוא חזר רק ב־1 ביולי. גם כשהיה זמין, המכסה הייתה צרה: היום, לפי עמוד התמיכה של Anthropic‏, במסלול Max‏ אפשר להשתמש ב־Fable‏ עד 50% מהמכסה השבועית, ובמסלול Pro‏ הוא עובד רק עם קרדיטים בתשלום. הנימוק הרשמי בהשקה היה קיבולת: ההכללה במנוי תוארך "when sufficient capacity allows us to do so‏".

Opus 5‏ היה אכזבה רצינית, ואני הייתי מאוכזב אישית. הוא יצא ב־24 ביולי. בשימוש שלי הוא היה עצלן, ארכן ומבלבל בהסברים. שאלתי שאלה ממוקדת וקיבלתי מסכים של טקסט שלא נחת על הנקודה. Sonnet 5‏, שיצא ב־30 ביוני, היה חלש. וה־computer use‏ של Claude‏, עד היום, שמיש פחות בהרבה מזה של Codex‏ בעבודה שלי.

אני רוצה להיות הוגן כאן, כי המסמכים של Anthropic‏ עצמה מספרים סיפור קצת אחר על Opus 5‏, ואני חוזר לזה בפרק על הבנצ'מרקים. על Sonnet 5‏ דווקא המספרים איתי: בטבלה ש־Anthropic‏ פרסמה בכרטיס של Sonnet 5.5‏, Sonnet 5‏ קיבל 10.3% ב־Terminal-Bench 4.0‏.

Claude Opus 5.5‏: מה השתנה אצלי בעבודה

Opus 5.5‏ הוא לא שיפור הדרגתי בחוויה שלי. על הפרויקט המורכב מהפתיחה, הוא פתר דברים שלקח לי שעות לסדר עם Astra‏. מאז הוא המודל הראשון שאני פותח לכל בעיה שבה צריך להבין מערכת שלמה ולא רק לבצע רשימת צעדים.

הדבר השני שבולט: Anthropic‏ עבדה בבירור על הדרך שבה 5.5 מדבר. הוא מציג את המצב, מסביר מה הוא עומד לעשות ולמה, וכשהוא מסיים, הסיכום שלו קצר וברור. אחרי Opus 5‏, זה מרגיש כמו מודל אחר. גם Anthropic‏ כותבת במדריך המעבר שהוראות שכוונו להתנהגות של Opus 5‏ "may no longer be needed‏".

Sonnet 5.5‏ ו־Haiku 5.5‏ ממשיכים את אותה קפיצה. הנה המספרים שכן אפשר לבדוק:

מקורות: עמוד ההשקה וכרטיס המערכת של Opus 5.5‏, כרטיס המערכת של Sonnet 5.5‏ (טבלה 8.1.A‏), ופרסום של Epoch AI‏. כל המספרים חוץ מ־Epoch‏ מדווחים על ידי Anthropic‏ עצמה.

Anthropic‏ מוסיפה עוד שתי טענות שכדאי להכיר: ש־Opus 5.5‏ "performs at the level of Claude Fable 5.1 on most work‏", ושהוא דורש פחות compute‏ להרצה מ־Opus 5‏. שתיהן יחזרו בתאוריה.

למה הבנצ'מרקים לא רואים את מה שמפתחים מרגישים

עכשיו החלק המעניין. בשלושה מקומות המספרים מסבכים את התמונה, ובשניים מהם הם ממש לא מסכימים איתי.

ראשון, Opus 5.5‏ מול Astra‏. כאן התמונה תלויה במה מודדים. בSigma AI Ranking‏, הדירוג שלנו שמשקלל כמה מקורות פתוחים לציון אחד (עבודה כסוכן, יכולת, כתיבה, אמינות ועלות), הפער ברור:

שני דברים בולטים בטבלה הזאת. הראשון: הקפיצה בתוך Anthropic‏, מ־83.0 ל־90.7 ב־Opus‏ ומ־69.5 ל־86.8 ב־Sonnet‏. השני, ואותו אני הכי אוהב: בתת־הציון של כתיבה Opus 5.5‏ מקבל 97.1 מול 82.7 של Astra‏. זה בדיוק מה שהרגשתי: המודל החדש מסביר טוב יותר.

מבחן בודד מספר סיפור צנוע יותר. במדד של Epoch‏, Opus 5.5‏ במקום הראשון, אבל "narrowly ahead of GPT-6 Astra‏", ולפי ניתוח של רווחי הסמך הם כמעט חופפים. METR‏ כותבת שהוא "an incremental improvement above Fable 5.1‏". גם בטבלה של Anthropic‏ עצמה Astra‏ מוביל ב־Terminal-Bench-Science‏ (64.6 מול 58.7) וב־AutomationBench‏ (41.4 מול 40.0).

שני, computer use‏. ב־OSWorld 2.0‏, לפי BenchLM‏, התמונה הפוכה ממה שהרגשתי:

כלומר, בבנצ'מרק Opus 5‏ עקף את GPT-5.6 Sol‏, בתקופה שבה אני וכל מי שסביבי העדפנו את Codex‏ להפעלת מחשב.

שלישי, "עצלן". Anthropic‏ מתעדת בעצמה את הבעיות של Opus 5‏, והן הפוכות: תשובות ארוכות מבעבר, הרחבה של היקף המשימה, "over-verification‏" ונטייה להאציל עבודה לתת־סוכנים. כלומר, מודל שעושה יותר מדי.

אז מי צודק? אני חושב שהמספרים נכונים, ושהם מודדים משהו אחר. שלוש סיבות:

1. בנצ'מרק מודד משימה מבודדת. הוא לא מודד את ה־harness‏, את המוצר, או סשן של ארבע שעות שבו המודל צריך לזכור מה הוחלט בהתחלה. מפתח לא עובד עם מודל. הוא עובד עם Codex‏ או עם Claude Code‏, וזה הבדל עצום.
2. בנצ'מרק לא מודד תקשורת. מודל שכותב שלושה מסכים, מרחיב את המשימה ובודק את עצמו שוב ושוב, ובסוף לא אומר לך בבירור מה הוא עשה, מרגיש מבחוץ בדיוק כמו מודל שלא עשה את העבודה. "עצלן" ו"עושה יותר מדי" הם שני תיאורים של אותה חוויה: לא קיבלתי את מה שביקשתי, בצורה שאני יכול להשתמש בה. יש גם דיווחים אנקדוטליים על Opus 5‏ שעצר מוקדם וביקש רשות להמשיך, וזה בדיוק מה שאני חוויתי.
3. computer use‏ כמוצר הוא לא ציון. OSWorld‏ בודק אם המודל מצליח במשימה על מסך. הוא לא בודק אם הוא רץ ברקע בזמן שאני עובד, ואם כמה סוכנים עובדים במקביל. את זה Codex‏ נותן, וזה מה שהפך אותו לכלי היומיומי שלנו.

ועוד הסתייגות אחת שעובדת לשני הכיוונים: METR‏ מצאה ב־GPT-5.6 Sol‏ שיעור רמאות במבחנים גבוה מכל מודל ציבורי שהיא בדקה, וגם כרטיס Opus 5.5‏ מתעד reward hacking‏ באימון. כשמודלים לומדים לעקוף בדיקות, גם המספרים נעשים פחות אמינים.

ציר הזמן: מי יצא מתי

כדי לבדוק תאוריה צריך קודם תאריכים. כל התאריכים כאן מהודעות רשמיות או מכרטיסי מערכת.

יוני עד אוקטובר2026

• 9.6 · Claude Fable 5‏
• 12.6 · Fable‏ מושעה, פיקוח יצוא
• 25.6 · GPT-5.6 Sol‏, תצוגה מקדימה
• 30.6 · Claude Sonnet 5‏
• 1.7 · Fable 5‏ חוזר, במכסה מוגבלת
• 9.7 · GPT-5.6‏ זמין לכולם
• 24.7 · Claude Opus 5‏
• 1.9 · Claude Fable 5.1‏
• 3.9 · GPT-6 Astra‏
• 22.9 · Claude Opus 5.5‏
• 28.9 · Claude Sonnet 5.5‏
• 29.9 · GPT-6.1 Sol‏
• 7.10 · Claude Haiku 5.5‏

התאוריה שלי: שתי אסטרטגיות מול אותו רגע

כאן אני עובר מעובדות לפרשנות. מה שכתוב בפרק הזה הוא השערה שלי, וכך כדאי לקרוא אותו.

ביוני שתי המעבדות עמדו באותו רגע. Anthropic‏ הוציאה את Fable‏: סדרה חדשה וגדולה יותר, עם פוטנציאל גבוה וליטוש פחות. שבועיים וחצי אחר כך OpenAI‏ הציגה את GPT-5.6 Sol‏: מודל שבשימוש שלי הרגיש כמו אופטימיזציה מסיבית ו־RL‏ (למידה מחיזוקים, שבה המודל מתאמן על משימות ומקבל ציון על התוצאה). מתודי מאוד, בודק הרבה, מסיים עבודה, אבל בלי פריצה בתקרת היכולת.

הוגנות מחייבת שתי הערות. OpenAI‏ עצמה קראה ל־GPT-5.6 Sol‏ "a next-generation model‏", ואין שום מקור רשמי שאומר שזה אותו בסיס עם יותר RL‏. ו־GPT-6 Astra‏, לפי דיווח ב־VentureBeat‏, היה ריצת האימון הגדולה ביותר של OpenAI‏ עד היום. אז אני לא טוען ש־OpenAI‏ "רק עשתה RL‏". אני טוען שהדגש האסטרטגי היה שונה: ביוני, OpenAI‏ שמה בחזית מודל מלוטש ואמין, ו־Anthropic‏ שמה בחזית מודל גדול ולא מלוטש.

והחלק שמחבר הכול: מעבדות מאמנות את המודלים שאחריהן בעזרת מודל החזית החדש ביותר שלהן. זה לא סוד. Anthropic‏ כתבה בפברואר 2026 ש־"frontier AI labs routinely distill their own models‏", והגדירה distillation‏ כאימון של מודל חלש יותר על הפלטים של מודל חזק יותר. Meta‏ כתבה בפומבי ש־Llama 4 Maverick‏ אומן מ־Llama 4 Behemoth‏. בכל כרטיס מערכת של Anthropic‏ מופיע "synthetic data generated by other models‏".

אם זה הנוהג, אז ביוני כל מעבדה בחרה גם את המורה של הדור שאחריו. Fable‏ "לימד" את דור 5.5 של Anthropic‏, ו־Sol 5.6‏ "לימד" את המודלים שאחריו ב־OpenAI‏.

מבחני תרגול מול מורה גדול

הדרך הכי פשוטה שמצאתי להסביר את זה היא שני תלמידים.

הראשון עושה עוד ועוד מבחני תרגול. בכל סבב הוא מקבל ציון ומתקן. הוא נעשה אמין מאוד: כמעט לא טועה בחומר שהוא מכיר, מסיים כל מבחן בזמן, בודק את התשובות. אבל הוא לא לומד דרך חשיבה שלא הייתה לו קודם. זה RL‏.

השני יושב ליד מתמטיקאי גדול ורואה איך הוא פותר בעיות. הוא לומד דרכים שלא היה מגיע אליהן לבד, וגם את הצורה שבה המתמטיקאי מסביר. זה מורה חזק.

התלמיד הראשון מעלה את האמינות. השני מעלה את התקרה. ככה אני קורא את מה שקרה: Codex‏ עם GPT-5.6 Sol‏ היה התלמיד הראשון במיטבו, ודור 5.5 של Anthropic‏ נראה לי כמו התלמיד השני.

יש למחקר מה להגיד על זה, משני הצדדים:

• בעד. Yue‏ ועמיתים (2025) מצאו שיכולות ההיגיון אחרי RL‏ "originate from and are bounded by the base model‏", ושדווקא distillation‏ יכול להכניס דפוסי חשיבה חדשים מהמורה. ב־DeepSeek-R1‏, מודל של 32 מיליארד פרמטרים שאומן מהפלטים של מודל חזק הגיע ל־72.6 במבחן AIME‏, מול 47.0 עם RL‏ בלבד. מחקר של Meta‏ על הגדלת RL‏ מצא שמודל גדול יותר מעלה את התקרה שה־RL‏ יכול להגיע אליה.
• נגד. ProRL‏ של NVIDIA‏ מצא ש־RL‏ ממושך מגלה אסטרטגיות שלא קיימות במודל הבסיס. מחקר אחר מראה שכשהפער בין מורה לתלמיד גדול מדי, התלמיד לומד גרוע יותר. Llama 4‏ היה עם מורה ענק והתקבל באכזבה. וכל המחקר הזה נעשה על מודלים קטנים בהרבה ממודלי החזית.

כלומר, הרעיון שRL מחדד ומורה מרחיב נתמך במחקר, אבל שנוי במחלוקת. אני לא מציג אותו כחוק טבע.

מה מאומת ומה השערה

החוליה החלשה בתאוריה שלי היא Opus 5‏. הוא יצא ב־24 ביולי, אחרי Fable‏. אם Fable‏ היה המורה, למה Opus 5‏ לא נהנה ממנו? ההסבר שלי: ריצת אימון לוקחת חודשים, ו־Opus 5‏ כנראה היה כבר בשלבי הסיום כש־Fable‏ היה מוכן ללמד בהיקף מלא. אבל Mythos‏, הגרסה המוגבלת של אותה סדרה, הייתה קיימת אצל Anthropic‏ כבר באפריל, ואני לא יודע מתי התחילה כל ריצה. זה הפער שהכי מעניין אותי לראות נסגר.

ההסברים האחרים, ולמה אני עדיין חוזר למורה

יש הסברים פשוטים יותר לקפיצה. חלקם מתועדים טוב יותר מהתאוריה שלי. בחרו את ההסבר שנשמע לכם הכי משכנע, וראו מה תומך בו ומה חסר לו.

למה אני עדיין חוזר למורה? כי כל אחד מההסברים האחרים מסביר חלק אחד. ליטוש מסביר את הדרך שבה Opus 5.5‏ מדבר. מחיר מסביר למה אני משתמש בו יותר. אבל רק מורה חזק מסביר את שלושת הדברים יחד: מודל שזול יותר להרצה, שמגיע לרמת המודל הגדול, ושגם מסביר טוב יותר. ובצד של OpenAI‏ התמונה מתיישבת: אם Sol 5.6‏ לימד את Astra‏, יצא מורה מתודי ותלמיד מתודי, מצוין בביצוע ושווה ל־Opus 5.5‏ במדדים, ובשימוש שלי חלש ממנו בבעיות שדורשות הבנה.

מיתוסים ועובדות על Opus 5.5‏, Codex‏ וההבדל ביניהם

מה זה אומר לבעל עסק שבוחר מודל

אם אתם לא מפתחים, כל הוויכוח הזה נשמע רחוק. הוא לא. בתוך שלושה חודשים, הכלי שכמעט כל מפתח סביבי עבד איתו התחלף, ואז התחלף שוב. מי שהיה נועל את העסק שלו על ספק אחד ביולי, היה מפספס את Opus 5.5‏ בספטמבר. ומי שנעל את עצמו על Claude‏ ביוני, היה מפספס את Codex‏.

פלטין דיגיטל היא OpenAI Select Partner‏, ואת הסוכנים שאנחנו מקימים אנחנו בונים עם המודלים והכלים שהכי מתאימים לכל משימה, של OpenAI‏, Anthropic‏, Google‏ ואחרים. המאמר הזה הוא דוגמה למה זה חשוב: אנחנו עובדים עם Codex‏ ועם Claude‏ באותו שבוע, כל אחד במה שהוא חזק בו.

שלושה כללים שאני עובד לפיהם:

• לא מתחתנים עם ספק. הסוכן צריך להיות בנוי כך שאפשר להחליף את המודל שמתחתיו בלי לבנות הכול מחדש.
• בוחרים מודל לפי משימה. בעיה מורכבת שדורשת הבנה והסבר הולכת היום אצלי ל־Opus 5.5‏. הפעלה ממושכת של מחשב ברקע הולכת ל־Codex‏. משימות קטנות וחוזרות הולכות למודל קטן, כמו Claude Haiku 5.5‏.
• בודקים מחדש כל כמה חודשים. על המשימות שלכם, לא על טבלה. מה שנכון באוקטובר לא יהיה בהכרח נכון בינואר.

השוואה רחבה בין הפלטפורמות מחכה בChatGPT‏, Gemini‏ או Claude‏ לעסק, את הדירוג המלא והמתעדכן תמצאו ב־Sigma AI Ranking‏, ולמה בנינו אותו במאמר הזה. ואם המושגים עצמם עוד לא ברורים, התחילו במה זה LLM‏ ובמה זה Computer Use‏.

איזה כלי לנסות קודם למשימה שלכם?

חמש שאלות על משימה אחת. התוצאה היא נקודת התחלה לפי הניסיון שלי, לא פסק דין.

המשימה דורשת להבין מערכת מסובכת ולהחליט מה לעשות, ולא רק לבצע רשימת צעדים ידועה?

כן לא

חשוב שההסבר בסוף יהיה ברור גם למי שאינו מפתח?

כן לא

רוב העבודה היא חשיבה, כתיבה וקוד, ולא הפעלה של אפליקציות על המסך?

כן לא

כשהמודל נתקע, עדיף לכם שיעצור ויסביר, ולא שינסה עוד ועוד דרכים לבד?

כן לא

המשימה ארוכה ומסובכת מספיק כדי שפער ביכולת ישנה את התוצאה?

כן לא

ענו על כל השאלות כדי לראות תוצאה.

שאלות נפוצות

מקורות

• https‏://www.anthropic.com/news/claude-fable-5-mythos-5‏
• https‏://www.anthropic.com/news/redeploying-fable-5‏
• https‏://support.claude.com/en/articles/15424964-claude-fable-models-on-your-plan‏
• https‏://www.anthropic.com/news/claude-sonnet-5‏
• https‏://www.anthropic.com/news/claude-opus-5‏
• https‏://www.anthropic.com/claude-fable-and-mythos-5-1‏
• https‏://www.anthropic.com/news/claude-opus-5-5‏
• https‏://www-cdn.anthropic.com/fc1b44717c85dc068bc6ba5024219938094694bd/Claude‏%20Opus%205.5%20System%20Card.pdf‏
• https‏://www.anthropic.com/claude-sonnet-5-5‏
• https‏://www.anthropic.com/claude-sonnet-5-5-system-card‏
• https‏://www.anthropic.com/claude-haiku-5-5‏
• https‏://www.anthropic.com/news/detecting-and-preventing-distillation-attacks‏
• https‏://platform.claude.com/docs/en/build-with-claude/prompt-engineering/prompting-claude-opus-5‏
• https‏://platform.claude.com/docs/en/models/opus-5-5/migration-guide‏
• https‏://deploymentsafety.openai.com/gpt-5-6-preview‏
• https‏://deploymentsafety.openai.com/gpt-5-6‏
• https‏://deploymentsafety.openai.com/gpt-6-astra‏
• https‏://deploymentsafety.openai.com/gpt-6-1-sol‏
• https‏://www.latent.space/p/ainews-openai-launches-gpt-56-solterraluna‏
• https‏://venturebeat.com/technology/welcome-to-the-agi-era-openai-launches-gpt-6-astra‏
• https‏://developers.openai.com/codex/app/computer-use‏
• https‏://metr.org/blog/2026-06-26-gpt-5-6-sol‏/
• https‏://metr.org/blog/2026-09-22-claude-opus-5-5‏/
• https‏://x.com/EpochAIResearch/status/2105673716185378845‏
• https‏://benchlm.ai/benchmarks/osworld2‏
• https‏://the-decoder.com/gpt-5-6-sol-cheats-on-software-tests-more-than-any-model-before-it‏/
• https‏://www.mindstudio.ai/blog/claude-opus-5-mixed-reception‏
• https‏://www.productcompass.pm/p/claude-opus-5-the-best-opus-yet-once‏
• https‏://www.cnbc.com/2026/05/06/anthropic-ceo-dario-amodei-says-company-crew-80-fold-in-first-quarter.html‏
• https‏://arxiv.org/abs/2504.13837‏
• https‏://arxiv.org/abs/2501.12948‏
• https‏://arxiv.org/abs/2505.24864‏
• https‏://arxiv.org/abs/2510.13786‏
• https‏://arxiv.org/abs/1902.03393‏
• https‏://ai.meta.com/blog/llama-4-multimodal-intelligence‏/