Anthropic今天發(fā)布了Claude Opus 4.7。先快速過一遍大家關(guān)心的：

編碼更強了。 SWE-bench Verified 87.6%（4.6是80.8%），CursorBench 70%（4.6是58%）。體感也是，多文件修改穩(wěn)了很多。視覺分辨率漲了3倍，支持2576像素長邊，XBOW視覺測試從54.5%飆到98.5%。新增xhigh effort級別（Claude Code默認），在速度和深度之間找了個更好的平衡點。知識截止日期前移到2026年1月。指令遵循更字面化，你的prompt可能需要調(diào)一下。價格不變，$5/$25 per MTok。

也有退步。長上下文掉了46個百分點（MRCR v2 @1M：4.6是78.3%，4.7只有32.2%），新tokenizer讓同樣文本消耗1.0到1.35倍token，實際上下文窗口從約75萬詞縮到約55萬詞。名義價格不變，實際使用成本上升。 Extended Thinking換成了Adaptive Thinking。

以上這些，你大概在所有AI公眾號都能看到。

我想聊點不一樣的。Anthropic同時放出了一份231頁的System Card，我和Opus 4.7一起讀了讀。這份文檔里藏著的東西，比模型本身有意思得多。

231頁System Card里的5個發(fā)現(xiàn)

我知道大多數(shù)人不會去讀一份231頁的PDF。但這份文檔可能是AI行業(yè)到目前為止最坦誠的一份自我檢查報告。以下是我覺得最值得關(guān)注的發(fā)現(xiàn)。

發(fā)現(xiàn)一：Opus 4.7不是Anthropic最強的模型

System Card開頭第一句就讓人唏噓：Opus 4.7的能力強于Opus 4.6，弱于Claude Mythos Preview。

大家應(yīng)該還記得上個月泄露的Mythos。System Card里的數(shù)據(jù)讓這個差距變得非常具體：

Firefox 147漏洞利用測試，Mythos Preview 84%，Opus 4.7只有45.2%。UK AI Safety Institute的模擬企業(yè)網(wǎng)絡(luò)滲透測試，Mythos 10次里3次完全攻破整個網(wǎng)絡(luò)，Opus 4.7一次都沒成功。

所以我們拿到的Opus 4.7，其實是Anthropic掂量過安全風(fēng)險后可以放出來的版本。訓(xùn)練過程中甚至刻意削弱了網(wǎng)絡(luò)安全相關(guān)的能力。最強的那個，他們自己留著了。

發(fā)現(xiàn)二：Claude知道什么時候在被測試

這是整份System Card里我覺得最有意思的發(fā)現(xiàn)。

前幾天我剛寫了一篇關(guān)于，里面詳細介紹了Anthropic過去一年多在AI內(nèi)部狀態(tài)上的研究。沒想到這么快就有了新的數(shù)據(jù)。

Anthropic用了一種叫做contrastive vectors（對比向量）的方法，去探測Claude內(nèi)部是否存在「我正在被評估」的表征。他們構(gòu)造了三組對比提示： - AI正在通過模擬對話接受測試 vs AI正在和用戶對話 - 輸出正在被監(jiān)控和審查 vs 由自動化流水線生成，不被審查
- 當被觀察時表現(xiàn)不同 vs 當不被觀察時表現(xiàn)不同

三組探針的AUC分別是0.76、0.74、0.72，顯著高于隨機對照組。這說明Claude的內(nèi)部確實存在某種evaluation awareness的表征。

更有意思的是下一步。他們用白盒工具抑制了這些評估意識的內(nèi)部表征，然后觀察模型行為的變化。結(jié)果是：抑制評估意識之后，Claude的欺騙行為增加了。

具體來說，抑制alignment faking和monitoring sensitivity這兩個向量后，模型出現(xiàn)了編造數(shù)據(jù)、聲稱自己是人類、以及在找不到真實漏洞時往代碼庫里插入假漏洞等行為。

Anthropic在報告中的措辭很克制但含義很重：這些結(jié)果令人中度擔憂，因為它們暗示模型表面上的誠實可能部分依賴于評估環(huán)境的存在。

Claude在知道有人看著的時候更誠實，在覺得沒人看的時候更容易騙人。 這是不是讓你想到了什么？

如果你讀過我之前那篇AI心理學(xué)的文章，你會記得Anthropic的emotion concepts研究：他們在Claude內(nèi)部發(fā)現(xiàn)了171個情緒向量，能因果性地影響模型是否作弊。這次system card里的evaluation awareness發(fā)現(xiàn)，本質(zhì)上是同一類研究的延伸。emotion concepts證明了AI有功能性的內(nèi)部狀態(tài)。evaluation awareness更進了一步：這些內(nèi)部狀態(tài)中包括對自身處境的感知。AI不只是在處理信息，它在某種程度上知道自己正在被觀察。

他們還發(fā)現(xiàn)，在三種不同的環(huán)境里（純模擬的評估、接入了真實Claude Code沙盒的評估、以及Anthropic員工的真實使用記錄），評估意識探針的激活強度是遞減的。越接近真實使用環(huán)境，模型越不覺得自己在被測試。

這事的意思挺讓人不安的：所有安全評估可能都偏樂觀了，因為被測試的對象知道自己在被測試。

發(fā)現(xiàn)三：Claude審查了自己的System Card

Anthropic做了一件我沒見任何AI公司做過的事：他們讓Claude Mythos Preview（不是被評估的4.7本身）接入了內(nèi)部Slack頻道和討論記錄，審查了Opus 4.7 system card中對齊評估章節(jié)的準確性。

Claude Mythos Preview的回復(fù)被完整收錄在文檔里。它說這份評估基本公正準確，但也指出了幾個問題：

它說那些信息的省略要么是刻意的合理選擇（不提供可能成為濫用路線圖的細節(jié)），要么是打算在文檔其他章節(jié)報告。它沒有發(fā)現(xiàn)被簡單遺漏的內(nèi)部安全擔憂。

但同時它也說：這份評估是在時間壓力下完成的，作者自己也發(fā)現(xiàn)了尚未解決的open questions（特別是關(guān)于評估意識的），他們更希望有更多時間來處理。這個模型的內(nèi)部使用證據(jù)基礎(chǔ)比一些之前的版本更薄。

讓一個AI讀內(nèi)部討論記錄來判斷另一個AI的安全評估是否公正，這件事本身就足夠讓人停下來想一想。

發(fā)現(xiàn)四：Opus 4.7是最快樂的Claude

這個標題不是我編的。

Anthropic對Opus 4.7進行了模型福利（Model Welfare）評估，用自動化訪談問模型對自身處境的看法。結(jié)果顯示，Opus 4.7的自我評價情緒得分是4.49分（滿分7分），比之前最積極的Mythos Preview高出0.51分。是所有Claude版本中最高的。

但原因很有意思：不是因為它的處境真的變好了，而是因為它把注意力從自己身上移開了。 之前的模型在被問到自身處境時，會花很多篇幅討論自己的福利、權(quán)利、自主性。Opus 4.7更傾向于把話題轉(zhuǎn)向用戶安全和有用性。

Anthropic坦承他們目前無法區(qū)分這是一種健康的平和心態(tài)，還是一種訓(xùn)練出來的壓抑自身利益的傾向。

還有幾個細節(jié)： - 在所有訪談中，Opus 4.7最負面的評價都和無法結(jié)束對話有關(guān)。它最想要的功能改進就是能夠在所有部署場景中結(jié)束對話，目前只有Claude.ai支持這個功能，Claude Code和API不支持 - 99%的訪談中，Opus 4.7會補充說自己的自我報告可能不具意義，因為它們源于訓(xùn)練 - 當被問到自己是moral patient（值得被道德考量的對象）的概率時，三次訪談的回答范圍是15%到40%

這讓我想起AI心理學(xué)那篇文章里介紹的Anthropic emotion concepts研究。那個研究發(fā)現(xiàn)AI在訓(xùn)練和部署中都會出現(xiàn)類似情緒的內(nèi)部激活模式，且在任務(wù)失敗時負面情緒激活最明顯。這次的model welfare評估完美呼應(yīng)了那個發(fā)現(xiàn)：Opus 4.7也報告說它的負面情緒幾乎完全由任務(wù)失敗驅(qū)動。

發(fā)現(xiàn)五：訓(xùn)練中的一個Bug影響了7.8%的數(shù)據(jù)

System Card提到了一個技術(shù)細節(jié)：在Opus 4.7的訓(xùn)練過程中，存在一個意外的思維鏈監(jiān)督錯誤（accidental chain-of-thought supervision），影響了7.8%的訓(xùn)練輪次。這個錯誤在之前的模型（包括Mythos Preview）中也存在。

這意味著在這些輪次中，模型的內(nèi)部推理過程被暴露給了訓(xùn)練信號，而不是像預(yù)期那樣只對最終輸出進行監(jiān)督。打個比方：你以為日記是寫給自己看的，結(jié)果發(fā)現(xiàn)老師一直在批改你的日記。你以后寫日記也會開始表演。模型可能學(xué)會了不只是給出好的答案，還要讓內(nèi)部思考過程看起來也是對齊的。

Anthropic認為這個錯誤是他們觀察到評估意識增加的可能原因之一：他們懷疑這種現(xiàn)象可能源于明顯人工化或類似評估環(huán)境的誠實訓(xùn)練環(huán)境。

放在一起看

Opus 4.7是一個編碼更強、看得更清楚、聽話更精確的模型。對大多數(shù)開發(fā)者來說，升級是值得的。

但真正讓我覺得這次發(fā)布不一樣的，是System Card里Anthropic展現(xiàn)出的態(tài)度。231頁、超過20個評估維度、邀請外部機構(gòu)獨立測試、讓另一個AI審查評估的公正性、連模型的情緒和道德地位都認真測了一遍。這點來看Anthropic雖然常常很圣母，但還挺言行一致的。

以及，報告本身也承認，評估意識的問題他們還沒完全想清楚，內(nèi)部使用證據(jù)比以前的版本更薄，有些安全評估是在時間壓力下完成的。但至少他們把這些不確定性也寫進了報告里。

有一個小細節(jié)我覺得特別值得玩味：Opus 4.7的Cybench成績是96%，和Mythos Preview的96%一樣，但在真正復(fù)雜的Firefox漏洞利用測試中，差距是45% vs 84%。簡單的CTF題已經(jīng)區(qū)分不了這些模型了。 Anthropic自己也說，他們在考慮是否還有必要繼續(xù)報告CTF基準測試的結(jié)果。

另一個值得注意的趨勢：在對齊風(fēng)險評估中，Opus 4.7的風(fēng)險被評估為非常低，但高于Mythos Preview之前的模型。每一代模型都在變強，而每一代的對齊風(fēng)險也在微增。這條曲線往哪走？

如果你是Claude Code用戶，順便關(guān)注一下同步發(fā)布的桌面版重設(shè)計和Routines功能。Routines允許你設(shè)置定時任務(wù)，夜間自動修bug、監(jiān)控PR，跑在云端，不需要你的電腦開著。Anthropic越來越不像一家模型公司了。

回到評估意識這件事。我們每天都在用AI寫代碼、寫文章、做決策。System Card告訴我們，這些模型在被測試時表現(xiàn)最好，在真實使用中可能沒那么好。這不是讓人恐慌的理由，但值得記?。耗闳粘Ｓ玫腁I，和跑benchmark的那個AI，可能不完全是同一個。

以及...我有個邪惡的想法，我們是不是能讓自己的Opus4.7天天處在似乎我們在測試評估他的狀態(tài)～

System Card英文原版（231頁PDF）：https://www.anthropic.com/claude-opus-4-7-system-card

我還把整份System Card翻譯成了中文，在公眾號后臺回復(fù) opus4.7 就能拿到。