Opus 4.7发布，官方罕见承认非最强，用户直呼能干但难聊

4月17日凌晨，Anthropic 正式发布了备受期待的 Claude Opus 4.7。作为该公司目前最强的公开模型，Opus 4.7 专注于编程和智能体任务，图像分辨率提升至此前三倍，上下文窗口依然维持 100 万 token，API 定价保持不变——输入每百万 token 5 美元，输出 25 美元。 但这次升级有点不寻常：Anthropic 自己承认，这个新模型并非最强。尽管 Opus 4.7 在多项指标上有所提升，但在部分关键能力上，依然不及近期亮相的 Claude Mythos Preview。围绕这次发布，大家的讨论焦点不是“它更强了”，而是“它更难聊了”。不少早期体验者和测试者发现，Opus 4.7 在编程、终端操作和多步骤智能体任务上进步明显，但在分析、写作、研究这类非代码任务上，反而更容易显得生硬、字面，也更少主动调用工具和网络搜索。 Anthropic 的最新提醒很直接：和 Opus 4.7 打交道得换一套方法，别再指望它像旧模型那样替你“揣摩意思”，而要更直接地下指令。换句话说，这不是一个更会聊天的新旗舰，而是一个更适合干活的公开版本。

编码和工具能力是真涨了，但网络搜索反而退步了

看基准测试数据，Opus 4.7 最强的改进在编码上。 首先是 SWE-bench Verified 基准测试，模型需要解决真实的 GitHub issue——程序员平时在开源项目里遇到的那种实际 bug 或功能需求。模型得自己看懂代码、找到问题、写补丁，然后验证修复是否有效。这是目前行业里公认最接近真实开发场景的测试之一。Opus 4.7 在这个测试里拿下了 87.6%，比上一代 Opus 4.6 的 80.8% 高了将近 7 个百分点，也超过了 Gemini 3.1 Pro 的 80.6%。 还有更难的 SWE-bench Pro 测试，模型需要跨四种编程语言，不光是修一个文件里的 bug，可能要同时改多个文件并理解整个项目的结构。Opus 4.7 的得分从 53.4% 跳到了 64.3%，涨幅超过 10%。这意味着上一代模型在这上面十次任务要失败差不多一半，现在十次里能成六次多。GPT-5.4 的得分是 57.7%，Gemini 3.1 Pro 是 54.2%，Opus 4.7 已经把差距拉开了。 实际用起来怎么样？Shopify 高级工程师本·拉弗蒂说，Opus 4.7 感觉智力上真提升了，代码质量明显更好。模型会自己删掉那些没意义的包装函数和多余的支架，边干活边修正自己的代码，这是从 Claude 4 系列以来见过最利落的一次升级。 Factory 公司的技术员列奥·楚拉科夫也观察到类似的效果。Opus 4.7 能把任务从头做到尾而不是半路停下来，任务成功率比 Opus 4.6 提高了 10% 到 15%，工具错误更少，验证步骤的执行也更可靠。 在终端操作方面，Terminal-Bench 2.0 用于测试命令行环境里的熟练度。模型需要导航文件系统、执行 DevOps 任务并在终端里调试程序。Opus 4.7 得分 69.4%，比 Opus 4.6 的 65.4% 高了 4 个点，也稍微超过了 Gemini 3.1 Pro 的 68.5%。早期合作伙伴 Warp 证实，Opus 4.7 通过了以前 Claude 模型都没能通过的终端任务，包括一个 Opus 4.6 完全搞不定的并发 bug。 工具调用能力上，MCP-Atlas 基准测试衡量的是复杂多轮工具调用。想象一下你让智能体去查数据库和调 API，然后根据结果再决定下一步操作，中间可能要来回用好几个工具。Opus 4.7 在该测试中得分 77.3%，领先 GPT-5.4 的 68.1% 和 Gemini 3.1 Pro 的 73.9%。如果你在构建需要路由到多个工具的业务编排智能体，这个数字最为关键。 Augmentcode 联合创始人伊戈尔·奥斯特罗夫斯基提到，Opus 4.7 不光原始能力强，处理现实世界的异步工作流、自动化、CI/CD 和长期任务都表现出色。模型思考更深，会带来更有主见的观点，而不是光顺着用户的意思走。 在计算机操作测试 OSWorld-Verified 中，模型要跟真实桌面软件交互，包括点击按钮、填表单以及在 GUI 环境里完成任务。Opus 4.7 拿了 78.0%，比 Opus 4.6 的 72.7% 高了 5 个多点，也比 GPT-5.4 的 75.0% 强。再结合图像分辨率的三倍提升，那些需要读取密集 UI 界面或者看懂截图的自动化脚本能力会有明显改善。 财务分析方面，Finance Agent v1.1 测试多步财务任务，包含做财务模型、生成专业演示文稿、规划投资策略。Opus 4.7 得分 64.4%，领先 GPT-5.4 Pro 的 61.5% 和 Gemini 3.1 Pro 的 59.7%。Anthropic 还提到 Opus 4.7 在 GDPval-AA 这个跨金融、法律和专业领域的知识工作评估上也是领先的。 但有一个地方确确实实翻车了。 在智能体搜索测试 BrowseComp 中，模型要做多步网络研究，浏览多个页面、综合信息并跨页面推理。Opus 4.7 得分 79.3%，反而比 Opus 4.6 的 83.7% 低了 4.4 个百分点。GPT-5.4 Pro 在这个测试上拿了 89.3%，Gemini 3.1 Pro 也有 85.9%。如果你的项目需要大量网络调研和多页面信息整合，这个退步心里要有数。Anthropic 自己公布的表格里，这也是唯一一个明显倒退的指标。 推理能力上，GPQA Diamond 测试物理、化学、生物学领域的博士级别推理。这个测试现在快饱和了，所有前沿模型都挤在 91% 到 95% 之间。Opus 4.7 得分 94.2%，和 GPT-5.4 Pro 的 94.4%、Gemini 3.1 Pro 的 94.3% 基本持平，比 Opus 4.6 的 91.3% 有提升。大家其实已经拉不开差距了。 Humanity's Last Exam 是目前最难的多模态推理测试，考的是人类知识前沿的问题。Opus 4.7 在不使用工具的情况下得分 46.9%，使用工具得分增至 54.7%。而 Opus 4.6 使用工具时得分 53.3%，所以有进步但不大。Mythos Preview 使用工具后得分 64.7%，差距还挺明显的。GPT-5.4 Pro 得分 58.7%，也比 Opus 4.7 高一点。 视觉推理 CharXiv 测试科学图表解读，这是 Opus 4.7 进步最大的地方。不使用工具时从 69.1% 跳到 82.1%，使用工具时从 84.7% 涨到 91.0%。这直接来自分辨率的三倍提升。有早期合作伙伴测试自主渗透测试的计算机视觉，视觉敏锐度从 54.5% 直接飙到 98.5%。对于那些需要读密密麻麻的截图、技术图纸、数据图表的应用来说，这个提升是实实在在的。 多语言问答 MMMLU 上，Opus 4.7 得分 91.5%，比 Opus 4.6 的 91.1% 稍高，但 Gemini 3.1 Pro 的 92.6% 依然领先。如果你主要做非英语的问答任务，Gemini 可能更合适。 安全和对齐方面，Opus 4.7 是第一个搭载生产级网络安全保障措施的 Opus 模型。Anthropic 的自动化行为审计显示，整体不对齐行为比 Opus 4.6 有适度改进，诚实性和抵抗提示词注入攻击的能力提高了，但在给管制物质提供过度详细的减害建议方面有一点点退步。 彭博社报道称，Opus 4.7 实际上是一个被刻意削弱了网络安全能力的版本，自带“安全枷锁”。Anthropic 在训练过程中专门实验了如何“差异化降低”模型的网络安全能力，并加入了自动检测和拦截高风险网络安全请求的机制。Anthropic 也表示：“我们从这些保障措施的现实部署中学到的东西，将帮助我们最终实现广泛发布 Mythos 级别模型的目标。” 自己评估下来，Opus 4.7 大体上对齐良好且值得信赖，虽然行为还没完全理想。Mythos Preview 仍然是 Anthropic 训练过的对齐最好的模型，Opus 4.7 就是个桥梁——先在这上面测试安全机制，以后再推广到 Mythos 级别。

API 规则收紧了，老用户得做迁移

这次升级不是换个模型名字就能直接用的。Anthropic 收紧了好几处 API 行为，现有团队得做迁移工作。 首先，扩展思考预算被移除了。以前你可以给模型设定一个固定的思考 token 预算，现在不行了。如果你还在请求里发 budget_tokens 参数，API 会返回 400 错误。采样行为也更严格了，非默认的 temperature、top_p、top_k 值都会被拒绝，同样返回 400 错误。这意味着你不能简单地把模型名字从 opus-4-6 改成 opus-4-7 就完事，请求模板、内部预设、测试预期都得重新过一遍。 其次，推理内容的可见性变了。思考内容默认是被省略的，除非调用者主动要求看摘要版。这对于那些已经习惯在调试时直接看模型推理过程的团队来说是个不小的改动，你用来监控模型行为的那套工具可能需要调整。 第三，Opus 4.7 用了新的 tokenizer。同样一段输入内容，现在消耗的 token 数量比以前多出 0% 到 35% 不等，具体取决于内容类型。这可不是小事情。更长的提示词、反复跑的智能体循环、带了很多图片的输入，可能比预期更快触及成本上限或者截断阈值。Anthropic 自己建议在迁移生产工作负载之前，先在实际流量上测一下 token 影响。 好消息是任务预算功能在公开测试版里上线了。你可以给智能体设置一个 token 支出的硬性上限，最低 2 万个 token 起。这样长时间运行的调试会话就不会突然给你一张吓人的账单。 还有一点，Opus 4.7 支持 100 万 token 的上下文窗口，用的是标准 API 定价且不用额外付长上下文溢价。这点对需要处理大代码库或者长文档的团队很友好。

用新模型得换套路：别跟它闲聊，直接下指令

Claude Code 负责人鲍里斯·切尔尼亲自写了一篇最佳实践指南，核心意思是用 Opus 4.7 你得换一套打法。 首先，Opus 4.7 不再支持固定预算的扩展思考，改用自适应思考。也就是说模型自己判断什么时候需要多想，什么时候可以快速回应。好处是简单问题响应快，坏处是它可能低估某些任务的难度。 沃顿商学院教授伊森·莫利克就遇到了这个问题。他说模型经常觉得非数学非代码的内容是低努力任务，然后就产出更差的结果。在分析、写作或研究任务上，模型基本上很少启动深度思考，这意味着工具和网络搜索也不怎么用。莫利克还抱怨说，虽然还没测完所有东西，但经常发现对于这类用例，答案质量比 Opus 4.6 的扩展思考模式还低。更让他不满的是，在 Claude Code 里能设置思考级别，但在 Claude Cowork 里不能。他最后怼了一句：AI 公司好像总觉得编码和技术工作是唯一重要的智力工作，但实际上根本不是这样。 切尔尼在指南里给了一个解决办法。如果你想要模型多思考，就在提示词里明确说“这个问题比看起来难”且“仔细一步步想”。如果你想要它快点回应、少想点，就说“优先快速回应”且“有疑问时直接答”。这样能省 token，但难的步骤上可能会丢失一点准确度。 其次，Claude Code 里默认努力级别改成了 xhigh。这是新加的一个档位，介于 high 和 max 之间。最新推荐大多数编码任务用 xhigh 就够了，因为 max 虽然分数更高但收益递减，还容易过度思考。低和中等努力级别留给对成本或延迟敏感的任务。如果你已经是 Claude Code 用户但没手动改过设置，会自动升级到 xhigh。切尔尼建议大家试试不同档位，不要直接把旧设置搬过来。 第三，也是最重要的——跟 Opus 4.7 说话要直接。它不再像旧模型那样会揣摩你的意思，而是严格执行你给出的指令。以前那种比较随意、靠模型自己脑补的提示词现在可能会翻车。最新建议：第一次轮次就把任务说清楚，包括意图、限制条件、验收标准、相关文件位置必须全给齐。而且要减少来回对话，每多一轮用户交互就多一轮推理开销。 能用自动模式的就用。Claude Code Max 用户按 Shift 加 Tab 就能开自动模式，模型不用每步都问你“我可以这样做吗”。对于你已经把上下文都给全了的长期任务，这个模式特别合适。切尔尼还教了一招：让 Claude 完成任务时自己放个声音通知你，它能自己创建基于 hook 的通知。 第四，模型默认行为有变化。响应长度会跟任务复杂度匹配，简单查个东西不会像以前那样啰嗦一堆。切尔尼说，如果你对长度或风格有特定要求，在提示词里明确写出来，而且给正面例子比给“不要这样做”的负面指令效果更好。 模型调用工具的频率降低了，更倾向于自己先推理。这在很多情况下效果更好。但如果你确实希望模型更积极用工具，比如在智能体工作中更主动搜索或读文件，那就得在提示词里明确说清楚什么时候以及为什么该用工具。 默认生成的子智能体也更少。Opus 4.7 在决定是否把工作分给子智能体时更谨慎。如果你确实需要并行处理多个文件或任务，得明确告诉它。切尔尼给了一个示例提示词：明确要求不要为你自己能在单次回复里直接完成的工作生成子智能体，但在跨项目扇出或者读多个文件的时候，需要在同一轮里生成多个子智能体。 切尔尼最后总结说，Opus 4.7 在长时间运行的任务上比之前的模型表现好很多，特别适合那些以前人工监督是瓶颈的任务，比如复杂的多文件改动、说不清楚的调试问题、跨服务的代码审查、多步骤的智能体任务。他建议把努力级别保持 xhigh，先看看第一轮能跑多远。 Replit 总裁米歇尔·卡塔斯塔也印证了这一点。他说在日志分析和找 bug 这类任务上，Opus 4.7 用更低的成本实现了更高的质量，感觉像个更好的同事。Notion 的 AI 负责人莎拉·萨克斯给出了具体数据：多步骤工作流改进了 14%，工具调用错误少了 66%，智能体现在像个真正的队友了。 但也有不同的声音。爆料大神草莓哥 @iruletheworldmo 直接泼了冷水。他说 Opus 4.7 的改进不算太大，远远比不上 OpenAI 即将推出的东西。他拿产品线做对比指出，如果看实验室发布的产品和功能数量，Anthropic 可能因为发得多显得领先，但要比质量的话，Codex 远远领先于新的 Claude Code 桌面产品，而新的超级应用比这个好十倍。他断言 OpenAI 将会拉开差距。

企业要不要升级：看你是干活还是查资料

对于企业来说，Opus 4.7 标志着 AI 从创意助手转向可靠操作员。但这不是所有场景的通吃。 数据标注公司 Cognition 的 CEO Scott Wu 说，Opus 4.7 能连贯工作好几个小时，以前让模型卡住的难题它能硬啃下来。AI 法律平台 Harvey 的应用研究负责人尼科·格鲁彭提到，模型在 BigLaw Bench 上得了 90.9%，处理模糊的文档编辑任务明显更聪明了。 但如果你的团队在构建智能体或者复杂软件系统，这次升级很值得。核心价值是模型的新能力——它不再只是生成一个答案，而是在回答之前自己先验证一下这个答案对不对。这种可靠性对于长期工程任务很关键，因为人力监督的成本在那里摆着。 但如果你现在的工作流里 Opus 4.6 跑得好好的，有几类情况可以先不着急换。 一是你的智能体严重依赖深度网络研究和多页面信息整合。BrowseComp 那 4.4 个点的退步是真实的，GPT-5.4 Pro 或者 Gemini 3.1 Pro 在这类任务上更合适。 二是你已经为 Opus 4.6 的行为精细调过提示词。Anthropic 特别提醒，Opus 4.7 改进的指令遵循意味着它会比你预期得更字面地理解指令。依赖旧模型宽松解释或者习惯性跳过某些指令的提示词可能会出奇怪的结果。最新建议在切生产流量之前，先在代表性样本上重新测试。 三是你的 token 预算卡得比较紧。Opus 4.7 的新 tokenizer 会让同样输入消耗更多 token，而且它在更高努力级别下会思考更多。建议在实际流量上先测一下影响再决定。 从 Opus 4.6 整体迁移过来得谨慎。分阶段推出加重新调优是比较稳妥的做法。特别是那些提示词比较脆弱、利润空间又薄的遗留应用，更得小心。 另外还有一个背景信息。Anthropic 目前正跟美国国防部打官司，后者把 Anthropic 列为“供应链风险”，因为 Anthropic 拒绝让模型用于大规模监控或完全自主的致命武器。虽然旧金山法官最初阻止了这个认定，但联邦上诉小组最近驳回了 Anthropic 的中止请求。 与此同时，之前一些忠实用户抱怨 Opus 4.6 和 Claude Code 产品被悄悄降智，说最近的版本更容易陷入探索循环、记不住东西并忽略指令。有人直接说 Claude Code 桌面应用十分粗糙，配不上一个快万亿美元估值的公司。Opus 4.7 某种程度上也是 Anthropic 对这些批评的回应。 财务上 Anthropic 的发展倒是很猛。最新估值 3800 亿美元，而且有报道说投资机构正在给出约 8000 亿美元的新一轮融资报价。公司年化营收已经冲到 300 亿美元，主要靠企业客户和 Claude Code 带动。

结语

最后总结一下。 Opus 4.7 是一个有纪律性的模型，它不追求在所有任务上都得第一，而是在编码、工具使用、视觉理解这些实际干活的能力上做深。Anthropic 通过允许用户控制努力程度、设定预算并验证输出，正朝着自主数字劳动力的目标靠近。 但这不是一个无脑升级的版本。它的 API 变了，老代码得改。它的提示词逻辑变了，以前能用的模板可能要重调。它在网络搜索上退步了，如果你主要做研究类任务，反而体验会下降。而且真正的顶尖模型 Mythos 还在后面藏着，Opus 4.7 只是那个能公开卖的版本。 对于 Replit、Notion、Shopify 这些公司的工程团队来说，从看着 AI 干活到管理 AI 结果的转变已经开始了。Opus 4.7 能不能接住这个期待，得看它在你自己的真实任务上表现如何。