Claude Opus 5 rakensi Windows-jäljitelmän ja sävelsi kappaleen – kuvatestissä tuli mahalasku

Claude Opus 5 rakensi selaimessa toimivan Windows 11 -jäljitelmän, ohjasi Blenderiä ja sävelsi viisiminuuttisen kappaleen oikeassa musiikkiohjelmassa. AI Search -kanavan käytännön testi osoitti samalla, että näyttävien onnistumisten vastapainona ovat hitaus, suuri tokenkulutus ja vakavat virheet tehtävissä, joissa pelkkään uskottavan kuuloiseen vastaukseen ei voi luottaa.

Tekoälyltä pyydettiin selaimessa toimivaa jäljitelmää Windows 11:stä. Yli tuntia myöhemmin ruudulla oli kirjautumisnäkymä, työpöytä, Käynnistä-valikko, tiedostonhallinta sekä joukko yksinkertaistettuja sovelluksia Wordista Spotifyhin.

Sama Claude Opus 5 -malli etsi myöhemmin tietokoneelle ilmaisen syntetisaattorin, latasi sen, rakensi musiikkiohjelmaan moniraitaisen sovituksen ja renderöi noin viisiminuuttisen kappaleen. Kyse ei ollut vain tekstinä annetusta sävellysohjeesta, vaan tekoäly käytti sille avattuja työkaluja ja ohjelmia tehtävän suorittamiseen.

AI Search -kanavan 32-minuuttinen video näyttää havainnollisesti, mihin Anthropic-yhtiön uusi huippumalli pystyy pitkissä agenttitöissä. Samalla kokeet paljastavat olennaisen eron vaikuttavan demon ja luotettavan yleiskäyttöisen työkalun välillä.

Windows 11 syntyi selaimeen yhdestä pyynnöstä

Ensimmäisessä suuressa kokeessa Claudea pyydettiin luomaan tavallisessa verkkoselaimessa toimiva Windows 11 -jäljitelmä. Mukaan haluttiin tavallisia sovelluksia, ladattavia ohjelmia, tiedostonhallinta, mediasoitin ja Microsoft Officen kaltaisia työkaluja.

Claude Code -ympäristössä toimiva Opus 5 suunnitteli ensin käyttöliittymän rakenteen. Se käsitteli ikkunoiden siirtämistä ja koon muuttamista, kohdistusta, työpöytää, tehtäväpalkkia ja Käynnistä-valikkoa ennen yksittäisten sovellusten rakentamista.

Valmis selainympäristö reagoi esimerkiksi tummaan tilaan, yövaloon ja kirkkaussäätimeen. Kalenteri avautui kellon kohdalta, ja ikkunoita pystyi käyttämään Windowsia muistuttavalla tavalla.

Word-jäljitelmässä tekstiä saattoi muotoilla ja tallentaa. Exceliä muistuttava taulukkolaskenta osasi laskea ainakin summan ja keskiarvon, ja tallennettu tiedosto ilmestyi myöhemmin Käynnistä-valikkoon. Myös Paint, muistilaput, pasianssi ja tiedostonhallinta toimivat demon tasolla.

Tulosta ei silti pidä sekoittaa kokonaiseen käyttöjärjestelmään tai oikeisiin Office-sovelluksiin. Kaikki pyöri yhden selainprojektin sisällä, ja useat toiminnot olivat simulaatioita. Kaupasta ladatut Spotify, Discord ja Slack olivat niiden ulkoasua muistuttavia jäljitelmiä, eivät yhteydessä palvelujen oikeisiin käyttäjätileihin.

Discordin ja Slackin näennäiset keskustelukumppanit vastasivat viesteihin satunnaisesti ymmärtämättä niiden sisältöä. PowerPoint-jäljitelmä puolestaan jäi selvästi muita sovelluksia heikommaksi, eikä esimerkiksi tekstilaatikoita voinut siirtää normaalin esitysohjelman tapaan.

Juuri nämä rajat tekevät kokeesta kiinnostavan. Yksi kehote tuotti poikkeuksellisen laajan ja osittain toimivan prototyypin, mutta näyttävä käyttöliittymä ei vielä tarkoita, että sen taustalla olisi oikeiden sovellusten syvyys, tietoturva tai yhteensopivuus.

Testaajan mukaan projekti kulutti noin 366 000 tokenia ja valmistui yli tunnissa. Hän käytti Claude Max -tilausta eikä API-laskutusta, joten ilmoitettu tokenmäärä ei sellaisenaan kerro projektin tarkkaa rahallista hintaa.

Kuvasta rakennettiin 3D-tila kahdella kehotteella

Seuraavaksi Opus 5 sai valokuvan geometrisesta toimistotilasta ja tehtävän muuttaa sen selaimessa toimivaksi animoiduksi 3D-näkymäksi. Ensimmäinen versio oli karkea ja poikkesi kuvan kalusteiden sijoittelusta.

Kun testaaja pyysi toisessa kehotteessa korjaamaan työpöydät, vähentämään hehkua ja seuraamaan lähdekuvaa tarkemmin, lopputulos parani huomattavasti. Suurin osa pöydistä ja tuoleista löysi suunnilleen oikean paikkansa.

Virheitä jäi edelleen näkyviin. Malli lisäsi ylimääräisen tuolin, jätti osan työpöydistä pois ja tulkitsi hyllyn yksityiskohtia eri tavalla kuin lähdekuvassa. Testaaja piti tulosta silti selvästi parempana kuin muilla kokeilemillaan huippumalleilla tehtyjä yrityksiä.

Kokeeseen kului noin 343 000 tokenia ja lähes tunti. Tulos myös tarvitsi kaksi kehotetta, joten sitä ei voi esitellä täysin itsenäisesti ensimmäisellä yrittämällä syntyneenä kopiona.

Blenderiin ilmestyi animoitu avaruusalus

Erillisessä kokeessa Claude Code yhdistettiin paikalliseen Blender-ohjelmaan MCP-liitännän avulla. Testaaja pyysi mallia luomaan realistisesti teksturoidun ja liikkuvan X-wing-avaruusaluksen.

Opus 5 rakensi Blenderissä rungon, siivet ja niiden avautumiseen tarvittavat osat. Malli otti työn aikana kuvakaappauksia, tarkasti tulosta ja korjasi havaitsemiaan ongelmia ennen animaation renderöintiä.

Valmiissa 3D-mallissa oli runsaasti erillisiä osia, materiaalit ja pieni paikka R2-D2-hahmolle. Työ käytti videon mukaan noin 173 000 tokenia, mutta aikaa kului jälleen lähes tunti.

Demo kertoo yhtä paljon työkaluketjusta kuin itse kielimallista. Blender oli asennettu valmiiksi, MCP-yhteys oli otettu käyttöön ja Claudelle oli annettu paikallinen osoite, jonka kautta se pystyi ohjaamaan ohjelmaa. Ilman tällaista käyttöympäristöä tavallinen keskusteluikkuna ei voi rakentaa samaa projektia suoraan käyttäjän tietokoneelle.

Talousraporteista valmistui selostettu video

Yhdessä kokeessa tekoälyä pyydettiin etsimään Nvidian, Alphabetin, Metan ja Amazonin uusimmat neljännen vuosineljänneksen raportit sekä vertailemaan yritysten taloutta ja tulevaisuudennäkymiä.

Lopputuloksen piti olla noin minuutin mittainen 16:9-video, jossa olisi kaavioita, animaatioita, taustamusiikkia ja Gemini TTS -palvelulla tuotettu puheääni. Opus 5 haki raportit, analysoi luvut, asensi avoimen HyperFrames-työkalun, teki puheen ja renderöi videon.

Yhden pääkehotteen onnistuminen oli vakuuttavaa, mutta Claudelle annettiin myös HyperFramesin GitHub-osoite, Gemini TTS:n käyttöohje ja tarvittava API-avain. Tekoäly siis kokosi useita valmiita palveluja yhtenäiseksi työnkuluksi sen sijaan, että kaikki videon osat olisivat syntyneet pelkän mallin sisällä.

Testaajan mielestä valmis video oli muiden mallien tuotoksia siistimpi ja sujuvampi. Projektiin ilmoitettiin kuluneen noin 316 000 tokenia.

Tekoäly otti musiikkiohjelman haltuunsa

Musiikkikoe on videon kiinnostavimpia osuuksia. Claudelle annettiin tehtäväksi säveltää kokonainen kappale Waveform-DAW-ohjelmassa, valita tarvittavat soittimet ja etsiä alle 800 megatavun kokoisia ilmaisia VST-liitännäisiä.

Mallin piti lisäksi rakentaa rumpu-, basso-, syntetisaattori- ja melodiaraitoja, käyttää panorointia, kaikua, viivettä ja automaatiota sekä renderöidä valmis kappale.

Claude tarkisti ensin, mistä Waveform löytyi. Se harkitsi Vital-syntetisaattoria, mutta hylkäsi sen rekisteröitymisvaatimuksen vuoksi, sillä malli ei voinut luoda käyttäjätiliä. Lopulta se päätyi avoimen lähdekoodin Surge XT -syntetisaattoriin ja haki myös rumpusampleja.

Malli kysyi työn aikana toivotusta musiikkityylistä. Testaaja hyväksyi sen suositteleman elokuvallisen melodisen teknon, joten kappale ei tarkasti ottaen syntynyt ilman yhtäkään käyttäjän väliintuloa alkuperäisen kehotteen jälkeen.

Valmiissa projektissa oli erilliset raidat bassorummulle, taputuksille, hi-hateille, perkussioille, subbassolle, bassolle, padeille, jousille, koskettimille, arpeggiolle, pluck-äänelle, leadille ja vastamelodialle. Mukana oli myös nousuefektejä sekä kaikua ja viivettä ohjaavaa automaatiota.

Noin viisiminuuttinen lopputulos kuulosti testaajan mielestä kohtuulliselta, mutta sävellys toisti pitkälti samoja sointuja. Teknisesti vaikuttavinta ei ollut kappaleen omaperäisyys vaan se, että malli kykeni etsimään työkalut, asentamaan ne, rakentamaan DAW-projektin ja viemään työn valmiiksi äänitiedostoksi.

Musiikkiprojekti käytti noin 350 000 tokenia ja kesti yli tunnin. Tällainen automaatio voi nopeuttaa luonnostelua, mutta samalla se nostaa käytännön kysymyksiä ladattujen liitännäisten turvallisuudesta, lisensseistä, samplejen alkuperästä ja siitä, kuinka tarkasti ihmisen täytyy tarkistaa syntynyt projekti.

Sammakko pysyi piilossa ja kasvainkuvat menivät väärin

Monimutkaisten työkalutehtävien jälkeen Opus 5:tä kokeiltiin tavallisessa Claude-keskustelussa. Ensimmäisessä kuvatestissä metsämaisemaan oli piilotettu sammakko, joka mallin piti löytää ja ympyröidä.

Claude jakoi kuvan ruudukoksi, muutti kontrastia ja etsi pitkään mahdollista eläintä. Se epäili kuvassa olevan käärmeen, mutta ei lopulta merkinnyt olematonta kohdetta eikä myöskään löytänyt oikeaa sammakkoa. Epäonnistumisen myönteinen puoli oli, ettei malli lopuksi teeskennellyt tietävänsä vastausta.

Paljon vakavampi tulos saatiin kuudesta lääketieteellisestä kuvasta, joissa jokaisessa oli eri kasvain. Videon mukaan Opus 5 tunnisti kaikki kuusi väärin. Joissakin kuvissa se ei nähnyt kasvainta lainkaan, ja toisissa se ehdotti väärää diagnoosia tai esimerkiksi aivoverenvuotoa.

Yksittäinen YouTube-testi ei ole lääketieteellinen vertaisarvioitu tutkimus eikä kerro mallin suorituskyvystä kaikilla kuvilla. Nolla oikeaa vastausta kuudesta muistuttaa silti, miksi yleiskäyttöisen tekoälyn itsevarman kuuloinen tulkinta ei sovi diagnoosiksi eikä korvaa radiologia tai muuta terveydenhuollon ammattilaista.

Claude suoriutui paremmin, kun siltä pyydettiin laaja kirjallisuuskatsauksen kaltainen selvitys ateroskleroosista. Se teki vuokaavioita, taulukon ja pylväskaavion, mutta testaaja piti kokonaisuutta GPT-5.6:n vastauksia niukempana ja heikommin järjestettynä. Tämä arvio oli hänen oma kokemuksensa, ei vakioidun testin tulos.

Opus 5 on rakennettu pitkiin agenttitöihin

Testien suuri tokenkulutus ja pitkä kesto liittyvät osittain siihen, mihin Anthropic on mallinsa suunnitellut. Opus 5:n vahvuudeksi ilmoitetaan pitkien monivaiheisten tehtävien suorittaminen, työkalujen käyttäminen ja oman työn tarkastaminen.

Videolla tämä näkyi jatkuvana silmukkana. Malli suunnitteli, toteutti, avasi tuloksen, etsi virheitä ja teki korjauksia. Se ei vain tuottanut yhtä koodivastausta, jonka käyttäjä olisi joutunut kokoamaan käsin.

Anthropicin virallisten tietojen mukaan Opus 5:llä on miljoonan tokenin konteksti-ikkuna ja enintään 128 000 tokenin vastauspituus. Mukautuva päättely on oletuksena käytössä, ja työmäärää voi säätää viidellä tasolla matalasta enimmäistasoon.

Yhtiö itse korostaa juuri ohjelmointia, pitkän aikavälin agenttitöitä, visuaalisten käyttöliittymien jäljittelyä, toimistodokumentteja ja työkalujen välistä työskentelyä. AI Searchin parhaat demot osuivat siten tarkasti niihin käyttökohteisiin, joihin malli on optimoitu.

Hitaudesta pääsee eroon vain lisähinnalla

Opus 5:n tavallinen API-hinta on viisi dollaria miljoonalta syötetokenilta ja 25 dollaria miljoonalta tuotetokenilta. Hinta on sama kuin edeltäjällä Opus 4.8:lla.

Pelkästä videolla näkyvästä kokonaistokenmäärästä ei voi laskea luotettavaa API-hintaa. Laskutus riippuu siitä, kuinka paljon tokeneista oli syötettä, mallin tuottamaa sisältöä, välimuistista luettua aineistoa tai pitkän agentti-istunnon sisäisiä kierroksia.

Anthropic tarjoaa Opus 5:stä myös tutkimusvaiheessa olevaa Fast-tilaa, jonka kerrotaan toimivan noin 2,5 kertaa tavallista nopeammin. Sen hinta on kaksinkertainen: kymmenen dollaria miljoonalta syötetokenilta ja 50 dollaria miljoonalta tuotetokenilta.

Malli on saatavilla Claude-palvelun maksullisissa tilauksissa, Claude Codessa ja API:n kautta. API-versio löytyy myös Amazon Bedrockista, Google Cloudista ja Microsoft Foundrysta.

Yksi video ei ratkaise mallien paremmuusjärjestystä

Anthropic kertoo Opus 5:n olevan useissa ohjelmointi- ja tietotyön mittareissa markkinoiden kärkeä. Yhtiön omissa tuloksissa se esimerkiksi ylittää muut mallit Frontier-Benchissä ja saa ARC-AGI 3 -testissä kolminkertaisen tuloksen seuraavaksi parhaaseen malliin verrattuna.

Valmistajan mittarit ja yhden YouTube-tekijän demot mittaavat eri asioita. Vertailuun vaikuttavat kehotteen muoto, työkalut, päättelytaso, käytetty aika, uudelleenyritykset ja se, millainen käyttöympäristö kullekin mallille tarjotaan.

AI Searchin testissä Opus 5 oli erityisen vakuuttava käyttöliittymissä, 3D-työssä ja monivaiheisessa automaatiossa. Testaajan mielestä se ei kuitenkaan ollut useimmissa tehtävissä niin paljon kilpailijoita parempi, että huomattava hitaus ja hinta olisivat aina perusteltuja.

Hänen lopullinen arvionsa oli, ettei hän tarvitse Opus 5:tä omissa tavallisissa työnkuluissaan, koska GPT-5.6, Gemini 3 ja halvemmat mallit pystyvät hoitamaan samat tehtävät riittävän hyvin. Hän suositteli Opus 5:tä lähinnä vaativaan käyttöliittymä- ja 3D-kehitykseen tai ongelmaan, johon muut mallit eivät löydä ratkaisua.

Videon todellinen opetus ei siksi ole, että yksi tekoäly olisi kaikessa paras. Opus 5 näyttää, kuinka pitkälle agentti voi edetä, kun se saa käyttää selainta, tiedostoja, komentoriviä ja luovia ohjelmia yli tunnin ajan. Samalla kasvainkuvien täydellinen epäonnistuminen osoittaa, että pitkä työskentely ja vakuuttava lopputulos eivät vielä takaa oikeaa vastausta.

Kun tehtävä on luova prototyyppi, ihminen voi arvioida tuotoksen silmillään ja korjata puutteita. Kun kyse on terveydestä, turvallisuudesta tai rahasta, sama toimintamalli ei riitä. Silloin tekoälyn tekemä työ tarvitsee varmennetut lähteet, selkeät rajat ja asiantuntevan ihmisen lopullisen tarkastuksen.