用Mythos向外界虚晃一枪后，Anthropic猝不及防把Claude Opus 4.7抬了上来。

不少小伙伴都熬夜玩儿疯了！

一骨碌从床上坐起来边冲浪边上手体验，我从Opus 4.7身上总结了一个坏消息和一些好消息。

先说坏消息吧——Opus 4.7身上，怎么看怎么有点故人之姿。

动不动就要“稳稳接住”我。

不少网友也反馈，怎么说是升级，但Opus 4.7越用越像GPT？？？

如果是真的，这可不是什么好事情（无奈闭眼.jpg）。

相比坏消息只有一个，好消息那是有一箩筐。

在Agentic coding、Agentic terminal coding、Scaled tool use、Visual reasoning等多个方面，都比前作更好。但Agentic search等几个单项能力上有所下降。

Anthropic还很臭屁地表示：

Opus 4.7是我们家目前最强大的公开可用模型。

不过这不是我们最强大的模型哟～～

看来最强大的还是密而不发的Mythos。

看看上面的表格，Mythos在那些测试上的整体表现，均优越约10%至15%。

毫无疑问，Mythos Preview是目前Anthropic手里最夯的一张牌，能力拉满，但价格也是Opus 4.7的5倍。

相比之下，Opus 4.7更像是安全体系完成全验证、定价亲民且全平台开放的最强量产版。

但……所谓智者千虑必有一失。

强大的Opus 4.7还是在昨日的阴沟里面翻了船：

Claude Opus 4.7突袭，核心升级四大方向

通览下来，这个公开最强的Opus 4.7，在四个方向上都有突出表现。

高级软件工程领域：值得托付

Opus 4.7最显著的进步在高级软件工程领域。

来看这组数据：

SWE-bench Verified测试达到78.2%；

SWE-bench Multimodal达到72.7%；

Terminal-Bench 2.0拿下68.8%；

Rakuten-SWE-Bench 中解决生产任务的数量更是Opus 4.6的3倍；

GitHub 93项任务编码基准也提升了13%。

Cursor的CEO Michael Truell给出了一个关键评价：

在CursorBench上，Opus 4.7从58%跃升到70%，这个跃升意义重大。

这种提升体现在三个关键特性上。

第一，严格遵循指令。

Opus 4.7不再像早期模型那样“灵活解读”用户的模糊表述，而是字面执行。

这意味着以前你写“如果可能的话，尝试优化这段代码”这种提示词，模型可能会选择性忽略。

现在你说“优化这段代码”，它就一定会执行。

这种变化要求用户重新调整提示词策略，软修饰符如“if possible/ideally/try to”的权重变得更高，硬限制需要更明确。

第二，输出前自我验证。

Opus 4.7会在报告结果前devise ways to verify its own outputs，就像一个资深工程师在提交代码前会自己跑一遍测试。

第三，擅长复杂多文件变更、模糊调试、跨服务代码审查。

Notion的AI Lead Sarah Sachs分享了一个数据：

面对复杂多步骤工作流，Opus 4.7比Opus 4.6提升14%，而且token消耗更少，工具错误只有三分之一。

它是第一个通过我们隐性需求测试的模型。

视觉能力：分辨率×3，看见更多细节

在视觉能力方面，Opus 4.7也有很不错的进步。

官方数据显示，长边最大支持2576像素（≈3.75百万像素），是Opus 4.6的3倍以上；XBOW视觉敏锐度达到 98.5%（Opus 4.6仅54.5%）。

实际落地场景几乎全覆盖，能直接识别完整Figma设计稿、1080p终端截图（含灰色小字），精准解析复杂技术架构图、财报图表，在计算机使用（Computer Use）场景中，可清晰读取高密度UI元素，视觉处理能力近乎满分。

换句话说，化学结构解析、复杂技术图表识别、像素级精确的UI元素定位，这些过去需要专门模型的任务，现在可以直接用Opus 4.7一个模搞定。

Figma听了立刻股价大跌，怎一个惨字了得。

指令遵循与推理：更可控，更可靠

Opus 4.7在指令遵循上也有长足进步。

它不再试图猜测用户的真实意图，而是严格按照字面执行。

这次升级的核心优势在于严苛的字面执行，如果用户要求 “不要用 TypeScript” ，模型就坚决不用；用户要求 “输出 JSON” ，得到的输出就一定没有任何额外前缀。

这种变化对老用户来说可能需要适应（同时旧提示词易出现意外结果，需重新校准），但对需要精确控制的场景来说是福音。

在推理方面，100万token长上下文场景表现亮眼，BFS任务得分58.6%*（Opus 4.6成绩为41.2%），复杂推理中逻辑连贯性显著提升。

Agent能力增强：为Agent而生的版本

如果说之前的Claude是为对话而生，Opus 4.7则是为Agent而生。

这体现在几个方面。

首先总体来说，Opus 4.7的核心Agent能力有了全方位提升。

多家AI知名企业拿出了实际使用效果相关数据——Notion多步骤工作流成功率提升14%，工具调用错误率降至1/3；Vending-Bench 2长期经营模拟中，最终余额达10937美元（Opus 4.6剩了8018美元），长周期决策更稳健；Genspark场景下，抗死循环、一致性、错误恢复三大生产级特性拉满。

同时具备文件系统记忆，跨多会话可靠记住关键信息，新任务可减少40%重复上下文输入。

Cognition的CEO Scott Wu的描述更形象：

Opus 4.7在Devin中将长周期自主性提升到新水平。

它能连贯工作数小时，突破难题而不是放弃，解锁了我们以前无法可靠运行的一类深度调查工作。

与此同时，Opus 4.7还为开发者提供了许多令人狂喜的Agent相关四件套。

第一，新增xhigh推理等级，作为默认等级介于high与max之间。

这给了开发者更精细的控制权，可以在推理深度和延迟之间找到平衡点，平衡智能与token成本，适配多数编码/Agent任务。

第二，新增自适应思考模式，替代固定预算长思考，模型自主决定思考深度，简单查询快速响应，复杂步骤重点投入。

第三，任务预算（公开beta），开发者可引导token消耗，优化长任务资源分配。

第四，Claude Code新增/ultrareview命令，可创建专属审查会话，标记细微错误与设计问题。

想做一个靠谱的模型：首发防护，记忆增强

Anthropic官方表示，Opus 4.7的网络安全能力不如Mythos Preview。

不过这是他们刻意为之。

这种“自我设限”背后，是Anthropic对AI安全的一贯坚持。

自2021年成立以来，这家公司花了四年时间精心打造自己的声誉，试图对外塑造一个“比OpenAI等竞争对手更注重安全和负责任AI部署”的声誉。

在Mythos Preview引发业界对强大AI模型安全风险的热议之后，Opus 4.7被设计成一道缓冲带。

具体来说，Anthropic在训练中尝试了差异化降低Opus 4.7的网络能力，让模型在面对网络安全相关任务时表现出更谨慎的行为模式。

与此同时，官方发布了自动检测和阻止高风险网络安全请求的防护措施，这些safeguards能够自动识别并拦截表明prohibited或high-risk网络安全用途的请求。

而对于确实有合法网络安全需求的专业人士，Anthropic推出了Cyber Verification Program。

安全专业人员如需将Opus 4.7用于漏洞研究、渗透测试、红队演练等合法目的，可以通过正式渠道申请。

官网还在上线播客的最后写到，如果开发者们想从Opus 4.6迁移到4.7版本，有一些事项需要格外注意。

首先是tokenizer的更新。

Opus 4.7使用了新的分词器，虽然改善了文本处理效率，但相同输入可能映射到更多tokens，大约是1.0到1.35倍之间。

这意味着同样的提示词可能会消耗更多token，需要在成本预算中留出余量。

其次是在更高努力级别下会产生更多输出tokens。

Opus 4.7在high和xhigh级别下的思考深度明显增加，特别是在Agent场景的多轮对话后期。

这种“多思考、更可靠”的行为模式提升了输出质量，但也意味着token消耗会随会话长度增长。

与Opus 4.6同价，有这些注意事项你需要知道

目前，Opus 4.7已实现全平台开放。

除Claude官方途径外，新模型不仅登陆 Claude Pro/Max/Team/Enterprise 全系产品、官方API，还同步上线微软Foundry、谷歌Cloud Vertex AI、亚马逊Bedrock三大云平台。

其定价与Opus 4.6保持一致：输入5美元每百万tokens，输出25美元每百万tokens。

虽然如前所述，Opus 4.7涉及提示词的重构需求和token使用策略的调整，但Anthropic在自己的内部测试中给出了积极信号。

在一个内部Agent编码评估中，所有effort level下的token使用效率相比Opus 4.6都有改善。

换句话说，虽然单次调用的token数可能增加，但完成任务所需的总token往往更少，因为模型犯错的次数减少了。

大概就像你雇了个时薪更高的资深工程师，但他完成任务的速度更快、返工更少，最终总成本可能更低。

另外，Opus 4.7在后续轮次中会更加谨慎，特别是在Agent场景中。

这意味着更可靠的输出，但也意味着更多的token消耗。

开发者可以通过调整effort参数、设置任务预算或优化提示词来平衡性能与成本。

Anthropic建议，在测试Opus 4.7的编码和Agent用例时，从high或xhigh努力级别开始，根据实际需求逐步调整。

Anyway～

总的来说，实际使用成本会因使用方式的不同而变化，但大多数情况下，能力提升带来的效率增益会抵消token消耗的增加。

对于依赖Claude进行复杂开发工作的团队来说，这很可能是一笔划算的交易。