Claude Opus 4.7:一次高调但充满争议的升级
Anthropic 于 2026 年 4 月 16 日发布 Claude Opus 4.7,在编码与智能体任务上重夺通用可用模型王座,但同时公开承认它”广泛能力不如”自家未发布的 Mythos Preview。 这次更新对 SWE-bench Pro 提升了近 11 个百分点、视觉分辨率翻了三倍、并新增”xhigh”推理档位;然而伴随而来的是一场关于 Opus 4.6 被”阉割”(nerfing)的信任危机、长上下文检索大幅回退,以及对 Anthropic 双轨发布策略的广泛质疑。Opus 4.7 定位清晰——面向生产级智能体编码的聚焦升级,而不是全面领先的”碾压级”发布。与 GPT-5.4、Gemini 3.1 Pro 的竞争已进入逐项拉锯阶段,而 Mythos 的存在则让这场发布本身被不少评论者形容为”为 Mythos 打广告”。
发布与定位”二号机”
Opus 4.7 延续了 Anthropic 约两个月一次的迭代节奏(4.5 于 2025 年 11 月,4.6 于 2026 年 2 月,4.7 于 2026 年 4 月 16 日)。它并非新一代模型,而是对 Opus 4.6 架构的直接升级。API 模型 ID 为 claude-opus-4-7,定价保持不变——每百万输入 token 5 美元、输出 25 美元,prompt caching 可省 90%,Batch API 再砍 50%。模型已同步上线 claude.ai、Anthropic API、Amazon Bedrock、Google Vertex AI、Microsoft Foundry 以及 GitHub Copilot(Pro+/Business/Enterprise,启动促销 7.5 倍请求乘数至 4 月 30 日)。
真正耐人寻味的是公司语气。Anthropic 在官方博客中罕见地主动承认 Opus 4.7”不如我们最强的 Claude Mythos Preview 广泛能力强”——后者是 4 月 7 日通过 Project Glasswing 向 Apple、Google、Microsoft、思科、摩根大通等约 11 家伙伴有限开放的前沿模型,不公开发售。Gizmodo 因此讥讽:“大胆的策略啊——把新发布宣传成比另一个选项’能力更弱’的水货版本。“Brave New Coin 则写道,Anthropic”花了大量发布篇幅提醒所有人它金库里还锁着一个更好的”。这种定位让 Opus 4.7 带着一种”过渡品”气质,也让它承担起 Mythos 级安全护栏的实地测试任务。
技术规格与工程细节
Opus 4.7 维持 1,000,000 token 上下文窗口(仍为 Gemini 3.1 Pro 2M 的一半)、128K 最大输出。最显著的架构跃升来自视觉通道——图像长边支持到 2,576 像素(约 3.75 百万像素),是 4.6 的 1.15 MP 的三倍以上,坐标与实际像素 1
对齐,意味着计算机使用(computer-use)智能体不再”近视”。为给开发者更细致的算力/质量调节,Anthropic 新增了 xhigh 档位,位于 high 与 max 之间,Claude Code 已默认切到 xhigh;加上 low、medium、high、max 共五档。同时推出公测的 Task Budgets,允许为整个智能体循环设定 token 预算目标(最低 20,000),模型可见倒计时,但并非硬上限。Hex CTO 称”低档 4.7 大约等价于中档 4.6”——这是官方合作伙伴测试里被反复引用的一句话。
有三项破坏性 API 变更值得迁移者警惕
(改用 adaptive thinking)、temperature/top_p/top_k 不再接受非默认值(请改用 prompting 引导)、thinking content 默认为空(需显式 display: 'summarized' 才可见)。此外,新分词器使同样文本变成 1.0–1.35 倍 token,意味着”同价”说法在实际成本上存在注水。Opus 4.7 还”更字面地执行指令”,Anthropic 在迁移指南中明确警告 4.6 写的 prompt 有时会产生意外结果。
跑分
在 Anthropic 发布的对比表里,Opus 4.7 在多数发展方向上显著领先 4.6,但相对 GPT-5.4 和 Gemini 3.1 Pro,更像是窄而深的胜利。
| 基准 | Opus 4.6 | Opus 4.7 | GPT-5.4 | Gemini 3.1 Pro | Mythos Preview |
|---|---|---|---|---|---|
| SWE-bench Verified | 80.8% | 87.6% | — | 80.6% | 93.9% |
| SWE-bench Pro | 53.4% | 64.3% | 57.7% | 54.2% | 77.8% |
| Terminal-Bench 2.0 | 65.4% | 69.4% | 75.1%* | 68.5% | 82.0% |
| MCP-Atlas(工具使用) | 75.8% | 77.3% | 68.1% | 73.9% | — |
| OSWorld-Verified(计算机使用) | 72.7% | 78.0% | 75.0% | — | 79.6% |
| BrowseComp(智能体搜索) | 83.7% | 79.3% ↓ | 89.3% | 85.9% | 86.9% |
| GPQA Diamond | 91.3% | 94.2% | 94.4% | 94.3% | 94.6% |
| HLE(带工具) | 53.3% | 54.7% | 58.7% | 51.4% | 64.7% |
| CharXiv(带工具) | 84.7% | 91.0% | — | — | 93.2% |
| CyberGym | 73.8% | 73.1% ↓ | 66.3% | — | 83.1% |
| GDPval-AA 知识工作(Elo) | — | 1,753 | 1,674 | 1,314 | — |
*GPT-5.4 的 Terminal-Bench 由 OpenAI 自报 harness,不完全可比。
VentureBeat 总结这场交锋
Opus 4.7 对 GPT-5.4 只以 7 略胜。Opus 4.7 的强项集中在智能体编码、扩展工具调用、计算机使用、金融分析与知识工作;而 GPT-5.4 仍守住智能体搜索与原生终端任务,Gemini 在多语言 Q&A(MMMLU 92.6%)和 2M 上下文上占优。值得特别指出的两个回退 从 83.7% 掉到 79.3%,长上下文检索从 91.9% 骤降到 59.2%(Anthropic 在模型卡中自揭,HN 用户bachittle 捕获此点)。CyberGym 则在 Anthropic 训练阶段被”有意削弱”,以先验证 Mythos 级网络安全护栏。
合作伙伴的内测数字同样密集:Cursor 的 CursorBench 从 58% 跳到 70%、Hex 93 任务编码基准提升 13%、Databricks OfficeQA Pro 错误率降 21%、Rakuten 称生产任务解决率×3、Box 报告模型调用减 56%、工具调用减 50%、XBOW 自动渗透测试的视觉辨识率从 54.5% 飙到 98.5%。Notion 称其为首个通过”隐式需求测试”的 Claude——不用显式告知即可推断该用哪种工具。
社区反应”阉割”后遗症
Opus 4.7 的发布无法脱离其紧前发生的一场公关危机。AMD AI 高级总监 Stella Laurenzo(GitHub 账号 stellaraccident) 于 4 月初发布一份基于 6,852 次 Claude Code 会话、234,760 次工具调用、17,871 个思考块的数据分析,得出结论:“Claude has regressed to the point it cannot be trusted to perform complex engineering.”她发现 Claude 可见思考长度从 1 月的约 2,200 字符坍缩到 3 月的约 600 字符(下降 73%)、“读文件 / 改文件”比例从 6.6 掉到 2.0、每任务 API 调用数在 2–3 月间最多暴涨 80 倍。Fortune(4 月 14 日)、The Register、VentureBeat、PC Gamer、Inc. 都就此做了报道,把矛头对准 Anthropic 的透明度问题与是否为节省算力而偷偷降智。
这正是 Opus 4.7 发布当天 Hacker News 275 分主帖的情绪底色。即便是正向声音——比如 grandinquistor(“编码基准有大幅提升,进展并没有停滞”)和 muzani(“把 effort 开到 high 后质量问题全没了,token 反而更少”)——也被一大串怀疑与讽刺淹没:
“This made me LOL. They keep trying to fleece us by nerfing functionality and then adding it back next release. It’s an abusive relationship at this point.” ——
sleazebreeze“Quick everyone to your side projects. We have ~3 days of un-nerfed agentic coding again.” ——
TIPSIO“This reads more like an advertisement for Mythos.” ——
koehr
分布式逃离 Claude Code 的现象反复被提及。buildbot 在 4.6 表现恶化后改用 OpenAI Codex:“4.6 试着查一点张量并行的简单做法,agent 零次 web fetch,硬生生幻觉了 17K 非常离谱的 token”;cmrdporcupine 说 Codex 已经暴露出 CC 的”sloppy”;aurareturn 甚至提出”算力危机论”:“OpenAI 的 2 倍 Codex 用量上限在偷走 CC 用户,而且看来奏效了……Claude 最近 90% 的问题都是算力不足。“Anthropic 否认曾将算力转给其他项目,但这种否认未能在开发者圈站住脚。
技术层面的批评也很具体。一条 “Tell HN” 帖反映新上线的网络安全分类器追溯性屏蔽了授权合法的漏洞赏金研究——模型自身会说”这是授权研究,我将分析并起草、不制造武器化代码”,但 API 级分类器依旧拦截;用户指出”Cyber Verification Program”实质上偏向已有公开 CVE 记录的研究者。新分词器 1.35× 的 token 膨胀配上更高默认思考档位,实际使订阅额度隐性变小。Max 200 美元订户在发布当日也抱怨 4.7 还未推送到他们的账号,anonfunction:“很爱啊,我花 200 美元就是为了用不上他们刚宣布的功能。”
Simon Willison 用他著名的”鹈鹕骑自行车”测试测 4.7,结果让位给 Qwen3.6-35B-A3B——“Opus 把自行车车架画砸了”,即便切到 thinking_level: max 也没好到哪里去。Andrej Karpathy 在同期”AI 精神病”长文中将 Mythos 级能力与通用用户的感知鸿沟作为行业拐点来谈,没直接点评 4.7。一些 SEO 型博客(Vellum、Digital Applied、Lushbinary、The-AI-Corner)则普遍给出”聚焦升级,不是横扫”的结论。
Mythos 阴影、安全策略与双轨争议
Anthropic 把 Opus 4.7 明确定位成 Mythos-class 安全机制的试验田——“自动检测并阻止被禁或高风险网络安全使用的护栏”首次在这一代内置。对真正的安全研究者,公司开放了新的 Cyber Verification Program。这种双轨安排激起两派反应。Gizmodo、Brave New Coin、9to5Google、Axios 一致认为发布稿”把新模型说成比另一选项更弱”实在诡异;HN 上多位用户把 Mythos 的封存类比成 OpenAI 当年 GPT-2 的”太危险不能释放”营销,CodingJeebus 讽刺”这种’我们为安全不能放出来’的套路已经是 POC or STFU 的加强版了”。
另一方面,Council on Foreign Relations 与部分安全研究者(包括 Dan Hendrycks)把 Mythos 级能力(据报道可发现大量零日,包括一个 27 年的 OpenBSD 漏洞和 16 年的 FFmpeg 漏洞;对 Firefox 找出 181 个可利用漏洞对比 Opus 4.6 的 2 个)视作对关键基础设施的严肃战略挑战。Cal Newport 则指出大部分”新能力”其实在 Opus 4.6 的发布说明里已暗示过,Mythos 与前代之间的差异可能被”千倍于 500”这种表述人为放大。Anthropic 在模型卡中还披露了一个小而重要的细节:“在先前模型(包括 Mythos Preview)上发生的链式思考监督技术错误在 Opus 4.7 的训练中也存在,影响了 7.8% 的 episodes。“——这是少见的坦诚,但也引发信任讨论。
Anthropic 自评 Opus 4.7”largely well-aligned and trustworthy, though not fully ideal”;在诚实性与对抗 prompt 注入方面优于 4.6,但在受管制物质的”过度详细的减害建议”上略逊一筹。Mythos 仍被 Anthropic 认为是对齐最佳的模型。
Opus 4.7 的优势、短板与竞品格局
Opus 4.7 的优势可概括为三条主线:生产级智能体编码(SWE-bench Pro 上首次跨过 60%、Cursor/Hex 等合作伙伴看到两位数百分点提升、工具错误减至原来的 1/3、能连续数小时保持焦点)、高分辨率视觉驱动的计算机使用(3.75 MP 图像支持、XBOW 视觉辨识从 54.5% 跳到 98.5%)、以及更细粒度的成本-推理控制(xhigh 档 + Task Budgets)。对金融、法律与多步合规工作,GDPval-AA Elo 1,753 几乎是 Gemini 3.1 Pro(1,314)的近 440 分差距,等同于”其它模型几乎无法在同赛道与之较量”。
短板同样清晰:长上下文检索从 91.9% 回退到 59.2%,对 1M 上下文重度用户是严重风险;BrowseComp 智能体搜索落后 GPT-5.4 Pro 10 分、HLE 带工具场景也不及;Terminal-Bench 2.0 在同 harness 下仍不如 GPT-5.4;多语言 Q&A 落后 Gemini;上下文窗口只有 Gemini 的一半、API 价格是 Gemini 的 2.5 倍;Mythos 把自己旗舰在 SWE-bench Verified(93.9%)、Pro(77.8%)、CyberGym(83.1%)上再压一头,形成内部”天花板压顶”效应。与 Grok 的直接对比数据仍稀少,但开发者社区的共识是:Grok 走实时/速度,Claude 走深度/综合,两者定位不重合。
综合看,这场竞争已进入逐项拉锯阶段
4.7 对 GPT-5.4 的 7-4 窄胜、对 Gemini 在编码场景的优势、对 Mythos 的自证不足,加在一起描绘出一个没有单一霸主的 2026 年前沿格局。Anthropic 以 ~300 亿美元年化收入、Claude Code 约 25 亿美元年化、外界开价 ~8000 亿美元估值的体量,需要的是证明”还能稳定进步”,而这一版本——尽管存在透明度瑕疵——大体完成了这个任务。结语
Opus 4.7 最有意思的地方不在基准数字,而在它暴露了 Anthropic 当下的战略张力
”负责任 AI”叙事,又要在算力紧张中满足开发者对稳定性的强烈需求;既要吹出 Mythos 的领先以维护估值,又要让公开模型看起来不像被故意”降级”;既要 ship 快,又要守住对齐。“less broadly capable than Mythos”这句自我矮化式的官方措辞,折射的是一个被迫把市场沟通、安全治理、商业现金流同时打包给 4.7 的尴尬发布窗口。对开发者而言,实用结论较为朴素:如果你的工作落在复杂工程、长时智能体编码、或需要高分辨率计算机使用——现在就升级并把默认档位调到 high/xhigh;如果你依赖大上下文检索或智能体搜索,先留在 4.6 或评估 GPT-5.4/Gemini。对 Anthropic 而言,更重要的议题不是下一个跑分,而是重建被 4.6 “阉割”风波撕开的透明度信任;Opus 4.7 提供了筹码,但远未买回所有人的耐心。