當(dāng)?shù)貢r間4 月 16 日，Anthropic 正式發(fā)布新一代旗艦?zāi)Ｐ?Claude Opus 4.7。該公司將其定位為"迄今能力最強的通用可用模型"，標(biāo)志著人工智能行業(yè)競爭焦點的決定性轉(zhuǎn)變——從追求對話流暢性轉(zhuǎn)向考核自主任務(wù)執(zhí)行能力。

與兩個月前發(fā)布的 Opus 4.6 相比，新版本專為Agentic工作流設(shè)計，即需要 AI 在較長時間內(nèi)獨立運行、僅需少量人類干預(yù)的復(fù)雜任務(wù)。此次更新優(yōu)先提升高分辨率視覺感知、復(fù)雜多步軟件工程鏈穩(wěn)定性，以及長上下文檢索能力，而非單純追求推理深度（官方博客地址：https://www.anthropic.com/news/claude-opus-4-7）。

值得注意的是，Anthropic 在發(fā)布 Opus 4.7 的同時坦誠表示，這并非其最強模型——能力更強的 Claude Mythos Preview 仍處于受限測試階段。

視覺智能突破與長上下文瓶頸攻克

在企業(yè)級應(yīng)用場景的基準(zhǔn)測試中，Opus 4.7 與主要競爭對手的性能差距進(jìn)一步拉大。在 OfficeQA Pro 評測中——該評測由 Databricks 開發(fā)，要求模型解析近 9 萬頁美國財政部歷史文件（涵蓋近 100 年公報、2600 萬個數(shù)字）——Opus 4.7 取得 80.6% 的得分。這一結(jié)果幾乎是谷歌 Gemini 3.1 Pro（42.9%）的兩倍，并大幅領(lǐng)先于 GPT-5.4（51.1%）。數(shù)據(jù)顯示，Anthropic 已在長上下文檢索的關(guān)鍵瓶頸上取得突破。

在 BFS 1M 測試中——該測試由 OpenAI 設(shè)計，將一張有向圖用邊列表塞滿 100 萬 token 上下文，要求模型進(jìn)行圖遍歷——Opus 4.7 從 Opus 4.6 的 41.2% 提升至 58.6%，提升幅度達(dá) 17.4 個百分點。這項指標(biāo)被視為衡量 AI 智能體（Agent）跑多步驟長任務(wù)的硬性指標(biāo)。在 Vending-Bench 2 模擬經(jīng)營測試中，Opus 4.7 最終實現(xiàn) 10,937 美元余額，較 Opus 4.6 的 8,018 美元提升 36%，展現(xiàn)出長時間工作流中的決策連貫性優(yōu)勢。

視覺智能是此版本進(jìn)步最為顯著的方面。

Opus 4.7 現(xiàn)在支持最長邊達(dá) 2,576 像素的圖像輸入，分辨率約 375 萬像素，較前代提升超過三倍。這使得模型能夠"看到"屏幕上占比低至 0.07% 的 UI 元素。在 ScreenSpot-Pro 基準(zhǔn)測試中——該基準(zhǔn)評估 AI 在 VSCode、Photoshop、AutoCAD 等專業(yè)軟件中定位特定按鈕或數(shù)據(jù)點的能力——Opus 4.7 在高分辨率模式下配合工具調(diào)用功能達(dá)到 87.6% 的成功率，而 Opus 4.6 在低分辨率下僅為 57.7%。

這種精確度不再是單純的學(xué)術(shù)探索，而是"電腦使用"（Computer Use）能力的前提。Anthropic 將圖像分辨率大幅提升的本質(zhì)目的，是讓 AI 能夠看懂軟件界面、密集表格、終端輸出、設(shè)計稿細(xì)節(jié)和代碼截圖。

未來 AI 辦公、AI 測試、AI 安全、AI 前端開發(fā)等任務(wù)，都將從純文本任務(wù)轉(zhuǎn)向屏幕任務(wù)。在 SWE-bench Multimodal 測試中——該測試要求模型結(jié)合 UI 截圖和代碼一起修復(fù)前端 JavaScript bug——Opus 4.7 從 Opus 4.6 的 27.1% 提升至 34.5%，提升 7.4 個百分點。這表明視覺能力的升級直接服務(wù)于編程場景的實際需求。

Anthropic 在官方公告中特別強調(diào)，Opus 4.7 在指令遵循能力上出現(xiàn)顯著提升。過往模型可能會寬松地"糊弄"指令或完全跳過部分指示，但 Opus 4.7 會嚴(yán)格按字面意思執(zhí)行指令。

這一變化帶來雙重影響：一方面，它減少了提示詞"玄學(xué)"，使寫需求、定格式、列限制條件變得更加可靠；另一方面，用戶可能需要重寫舊的、更偏對話式的提示詞以避免意外輸出。許多用戶的提示詞是在舊模型"會自動補全真實意圖"的習(xí)慣上調(diào)優(yōu)出來的，而新模型的剛性可能導(dǎo)致這些舊提示詞失效。

在高級軟件工程領(lǐng)域，這種嚴(yán)謹(jǐn)性轉(zhuǎn)化為顯著提升。在 SWE-bench Verified 測試中，Opus 4.7 得分為 87.6%，Opus 4.6 為 80.8%；在更難的 SWE-bench Pro 測試中，Opus 4.7 為 64.3%，Opus 4.6 為 53.4%。這意味著用戶可以將過去需要密切監(jiān)督的高難度編碼工作交給 Opus 4.7 處理，它會在匯報結(jié)果前主動驗證自身輸出。

Opus 4.7 在使用基于文件系統(tǒng)的記憶方面表現(xiàn)更為出色。它能在長時間、多會話的工作中記住重要筆記，并將其用于開展新的任務(wù)，因此新任務(wù)需要更少的前置上下文。一個能跨會話記住項目約束、用戶偏好、架構(gòu)決策和上次失敗原因的 Agent，才可能從"聰明臨時工"變成"穩(wěn)定同事"。這一特性在官方公告中并不顯眼，但可能是長期使用中最關(guān)鍵的更新。

伴隨 Opus 4.7 發(fā)布，Anthropic 還更新了 Claude Code，新增 auto mode 和/ultrareview 功能。auto mode 不是模型自動選型，而是權(quán)限選項。它允許 Claude 替用戶做一些權(quán)限決策，讓長任務(wù)少被打斷，但風(fēng)險低于完全跳過權(quán)限確認(rèn)。

這個設(shè)計針對的是 Agent 產(chǎn)品的核心矛盾：問太多，Agent 像實習(xí)生；不問，風(fēng)險又太大。auto mode 的本質(zhì)，就是在"別煩我"和"別亂來"之間找平衡。/ultrareview 是一個專門的代碼審查會話，可讀取變更并指出 bug 和設(shè)計問題。

這標(biāo)志著 AI 編程正式進(jìn)入第二階段：讓 AI 自己審查 AI 自己生成的代碼。生成代碼只是開發(fā)流程的一部分，審查、測試、重構(gòu)、文檔同樣重要。如果 AI 只能做第一步，它永遠(yuǎn)只是輔助工具；如果它能參與整個流程，它才可能真正改變軟件開發(fā)的方式。

專業(yè)領(lǐng)域的經(jīng)濟(jì)價值正加速釋放

在 Structural Biology（結(jié)構(gòu)生物學(xué)）基準(zhǔn)測試中，Opus 4.7 的推理得分從 Opus 4.6 的 30.9% 躍升至 74.0%，一次版本迭代實現(xiàn) 2.4 倍增長。這是所有基準(zhǔn)測試中躍升最夸張的一項。這種分子推理能力的突破表明，該模型正在從通用輔助邁向?qū)I(yè)科學(xué)研究領(lǐng)域。對于更廣泛的勞動力市場而言，模型改進(jìn)后的指令遵循能力意味著在短時間內(nèi)它更不容易產(chǎn)生"幻覺"或遺漏步驟。

在金融分析領(lǐng)域，Opus 4.7 同樣取得領(lǐng)先地位。在 Finance Agent v11 測試中，Opus 4.7 得分為 64.4%，Opus 4.6 為 60.1%。在 GDPval-AA 評估中——該評估由 Artificial Analysis 基于 OpenAI GDPval 數(shù)據(jù)集開發(fā)，覆蓋 44 種知識工作職業(yè)、9 大 GDP 核心行業(yè)，任務(wù)來自資深職業(yè)人士（平均 14 年經(jīng)驗）的真實交付物——Opus 4.7 獲得 1753 分的 Elo 評分，高于 Opus 4.6（1619 分）、GPT-5.4（1674 分）和 Gemini 3.1 Pro（1314 分）。

Anthropic 介紹稱，Opus 4.7 在金融分析任務(wù)上能夠生成更嚴(yán)謹(jǐn)?shù)姆治雠c建模、更專業(yè)的報告展示，并在各項任務(wù)間實現(xiàn)更緊密的整合。

在發(fā)布 Opus 4.7 的同時，Anthropic 推出了一份系統(tǒng)說明書并更新了 Cyber Verification Program（網(wǎng)絡(luò)安全驗證計劃）。該項目本質(zhì)上是對能力進(jìn)行分級：普通用戶拿到的是有護(hù)欄的 Opus，經(jīng)過驗證的安全專家才能申請更寬的網(wǎng)絡(luò)安全用途權(quán)限。值得注意的是，Anthropic 有意限制了 Opus 4.7 的高級網(wǎng)絡(luò)安全能力，使其低于 Mythos Preview 模型中的水平，以防止在進(jìn)攻性操作中的濫用。官方甚至表示，他們在訓(xùn)練過程中實驗性地削弱了這個模型的網(wǎng)絡(luò)安全能力。

Opus 4.7 被明確定位為"第一款用來測試新網(wǎng)絡(luò)安全護(hù)欄的公開模型"。Anthropic 表示，他們會從 Opus 4.7 的真實部署中學(xué)習(xí)，為未來 Mythos 級別模型的廣泛發(fā)布做準(zhǔn)備。這種謹(jǐn)慎的部署策略凸顯了硅谷日益增長的緊張關(guān)系：在爭相打造能夠替代人類工作者的模型的同時，也要確保同一模型無法摧毀數(shù)字基礎(chǔ)設(shè)施。當(dāng)模型能力達(dá)到某個臨界點后，競爭邏輯從"我比你強"開始轉(zhuǎn)向"會不會出事"。

特朗普政府最近強調(diào)美國在 AI 安全方面需要發(fā)揮領(lǐng)導(dǎo)作用，Anthropic 的發(fā)布策略正是對這一政策導(dǎo)向的呼應(yīng)。公司選擇先把最強的模型鎖起來，用稍弱但足夠好的模型來測試安全機制。這不是技術(shù)上做不到，而是主動選擇不做。這種"克制"本身成了產(chǎn)品差異化的一部分。至少在發(fā)布策略上，Anthropic 給出了一種新思路：有時候"不做什么"比"能做什么"更重要。

Token 消耗激增背后的成本邏輯

效率也意味著實實在在的成本。

Opus 4.7 使用了修訂后的分詞器（tokenizer），使得相同輸入量下的 token 消耗大約增加了 10% 到 35%。雖然 Anthropic 在定價上與 Opus 4.5 和 Opus 4.6 保持一致（輸入每百萬 token 5 美元，輸出每百萬 token 25美元），但 token 密度的增加意味著高強度任務(wù)將更快消耗 API 積分。

這種隱性成本上漲是模型增加"思考"時間的代價。尤其在使用新的 Xhigh Effort 模式時——該模式位于標(biāo)準(zhǔn)處理與最大推理深度之間——模型會進(jìn)行更多內(nèi)部推理，從而提高可靠性，但也會產(chǎn)生更多輸出 token。Anthropic 在遷移指南中提醒用戶，Opus 4.7 的 token 使用可能增加，但在實際編程評估中，整體效率反而提升了。

這說明他們優(yōu)化的不是單次調(diào)用的成本，而是完成任務(wù)的總成本。一個 Agent 如果第一次就把事情做對，即使單次調(diào)用貴一點，總成本也比反復(fù)試錯要低。這是一種更成熟的產(chǎn)品思路。早期 AI 產(chǎn)品追求的是"便宜"和"快"，現(xiàn)在開始追求"靠譜"。

Anthropic 新增的 x-high effort 和 task budgets（任務(wù)預(yù)算）功能，說明高端模型的使用方式正在走當(dāng)年云計算的那套邏輯。用戶買的不是一次回答，而是在給一個會思考、會試錯、會驗證的任務(wù)過程付費。

過去模型計費主要看輸入輸出長度，現(xiàn)在還要看思考的等級、任務(wù)預(yù)算、Agent 跑了幾輪、工具失敗后有沒有繼續(xù)推理。這種計費模式的演變，反映出 Agent 產(chǎn)品從"能干什么"到"能不能用"的巨大飛躍。

綜合來看，Opus 4.7 不是最強的模型，Anthropic 也沒有把它包裝成最強的模型。它是在能力、安全、成本之間的一個平衡點。至于這個平衡點是否真的平衡，需要等待市場來驗證。

可以確定的是，隨著 Opus 4.7 的發(fā)布，AI 行業(yè)競爭的核心指標(biāo)已經(jīng)改變。大模型競爭的焦點，正在從答得像不像，轉(zhuǎn)到做得完不完。只會寫一段漂亮答案，已經(jīng)不夠了。能不能把一份長文檔改干凈，能不能把一套資料串起來做成可交付物，能不能持續(xù)幾十分鐘甚至更久不跑偏，這才會決定它在日常工作里能不能真的替人扛起一片天。

這個策略能否成功，取決于市場是否認(rèn)可"謹(jǐn)慎"這個概念。如果用戶只在乎"能不能做到"，那 Anthropic 的做法會顯得保守。但如果企業(yè)客戶開始重視"會不會出事"，那這種分級發(fā)布、主動削弱某些能力的做法，反而可能成為競爭優(yōu)勢。（本文首發(fā)鈦媒體APP，作者 | 硅谷Tech_news，編輯 | 秦聰慧）