Opus 4.7 这次真的封神了

Opus 4.7 这次真的封神了

原文

半夜，闺女睡了，我正准备合电脑。

结果Anthropic直接一个深水炸弹丢过来，Claude Opus 4.7 上线。

没有预告，没有发布会，甚至连官方博客的推文都写得有点敷衍，其实就是发出来就完事了，完全不像OpenAI那种憋半个月大招然后 Sam Altman 亲自上场念PPT的风格。

但我一看版本号，心跳加速。

4.6 到 4.7，小版本号跳了0.1。

别小看这0.1。

Claude这一年多，从Opus 4.0一路迭代到4.6，平均两个月一个版本，每一个小数点背后都是跑分榜单的血雨腥风。

我打开Claude把订阅切到Opus 4.7，跑了我手头最烦的一个活，把OpenClaw里一个1200行的飞书推送模块重写一遍，顺手把格式问题全修掉。

跑完一看时间。

19分钟。

一次通过。

我之前用Opus 4.5干同一类活，来回拉扯了半个下午。

愚钝如我，真的愣住了一下。

这篇文章，就想跟你认真聊聊这个事。

Opus 4.7到底是真香还是PR话术，我熬夜实测之后的一些感受，以及更重要的，这个节点上，我们到底在围观一件什么样的事情。

BENCHMARK SHOWDOWNSWE-bench Pro 真实工程场景Opus 4.653.4%上一代旗舰Opus 4.7 今日64.3%新王登基↑ 10.9 个百分点GPT-5.457.7%OpenAI 对照数据来源 Anthropic 官方基准 · 2026 年 4 月跑分数据先摆出来，但别急着爽我知道读这篇的很多朋友，对跑分已经脱敏了。

每次发新模型都是「全面超越」、「行业第一」，听多了跟听运营商广告一样。

但Opus 4.7这次的跑分有几个数字，坦率的讲，是我看了会停顿一下的。

先看最硬的，SWE-bench Pro。

这是目前最接近真实软件工程场景的benchmark，考的不是小打小闹的代码片段，是真实GitHub项目里的issue修复。

Opus 4.6的分数是53.4%，这个数字上一代已经是行业第一。

Opus 4.7，64.3%。

一口气涨了10.9个百分点。

GPT-5.4在这个榜单上是57.7%，Gemini 3.1 Pro是54.2%。

也就是说，在最接近真实工程场景的测试里，Opus 4.7一个人，把后面两家甩开了接近10个身位。

再看SWE-bench Verified，这个跑分相对温和一些，但也能看出趋势。

Opus 4.6是80.8%，Opus 4.7直接干到87.6%。

GPT-5.4在这个榜单上没公布可比较的分数，Gemini 3.1 Pro是80.6%。

GPQA Diamond，研究生级别科学推理。

Opus 4.7拿到94.2%，GPT-5.4 Pro是94.4%，Gemini 3.1 Pro是94.3%。

三家挤在0.2个百分点的差距里，已经接近噪声水平了。

什么意思呢，这种难度的题，现在的前沿模型基本都能解。

瓶颈不在知识，在别的地方。

工具调用能力，MCP-Atlas榜单，Opus 4.7是77.3%，GPT-5.4只有68.1%。

这一项差距是9.2个百分点，在「模型作为Agent」这个维度上，Claude家族的优势又拉大了。

我自己的感受是，这些数字单独看没什么意思，但放在一起看，你能感觉出一个方向，Opus 4.7不是在往「更聪明」这个方向走，是在往「更能干活」这个方向走。

考试分数到顶了，所以他们开始考察「能不能把活干完」。

你看Anthropic这次官方博客里反复出现的关键词，「long-horizon autonomy」（长时程自主）、「works better through ambiguity」（更会处理模糊指令）、「verifies its own outputs」（自己验证输出）。

没有一个词是在说「更聪明」。

全都是在说「更靠谱」。

这种叙事视角的转变，我真的觉得很微妙。

去年这个时候，AI圈的讨论还在纠结「GPT-4到底有没有AGI火花」，今年已经没人聊这个了。

大家聊的都是「这个模型能不能自己把PR提上去」、「这个模型能不能跑8小时的Agent任务不飘」。

跑分从「做题家」变成了「螺丝工」。

这个变化，比任何一个具体的数字都更值得琢磨。

MODEL PARADIGM SHIFT去年的问题「更聪明了吗？

」GPT-4 到底有没有 AGI 火花今年的问题「能把活干完吗？

」8小时Agent任务不飘 · 自己验证输出我拿我最烦的三件事，真刀真枪测了一遍跑分归跑分，落到我自己的工作流里是什么感觉，这个才是我最关心的。

我这几天手头压着三件破事，每一件都是之前用Opus 4.6卡得我想掀桌子的。

正好，全部拿Opus 4.7重新跑了一遍。

第一件事，飞书推送模块重写。

OpenClaw里有个模块，负责把多智能体的处理结果推回飞书，代码大概1200行，用Python + httpx写的。

问题是，这玩意儿是我一个月前写的，那时候我对异步理解还不深，错误处理也很潦草，加上后来各种打补丁，已经成了一座小型屎山。

我给Opus 4.7的指令很简单，重构这个文件，保留所有接口，优化异步处理和错误处理，不允许改对外API。

以前用Opus 4.6跑这种任务，我要分三次prompt。

第一次让它分析现状，第二次让它列重构方案，第三次才让它动手。

中间但凡有一次它理解偏了，后面全盘皆输。

Opus 4.7这次是一次prompt直接推到底。

它先自己通读了整个文件，然后生成了一份重构说明，哪些地方耦合太重要解开、哪些地方错误处理缺失、异步链路哪里有阻塞风险。

说明写得非常像一个中级工程师的code review报告。

然后它开始动手。

这里有个让我「愣了一下」的细节，改完之后，它自己写了几个测试用例跑了一遍，发现其中一个用例的边界条件没处理好，又自己回去改了代码。

Anthropic官方把这个能力叫「verifies its own outputs before reporting back」，翻译成人话就是「交作业之前会自己先检查一遍」。

听起来好像很普通？

但你真的每天跟AI干活的人就知道，这个能力是分水岭。

以前你让Claude改一个东西，它说改好了，你还得自己跑一遍看看。

如果没跑通，你再回来让它改。

如果还没跑通，你再回来让它改。

就这么一来二去，你发现你其实是那个「回来的人」。

现在它自己跑完了告诉你「我发现之前一版有个bug，已经修了」。

你什么都不用干。

这是从「员工」到「熟手员工」的进化。

但你知道最让我感慨的是什么吗？

是这一代的Opus，它开始有了一种「我的工作是『交付一个能用的结果』，而不是『回答你的一个问题』」的觉悟。

这两件事听起来很像，其实差得很远。

回答问题，是被动响应。

交付结果，是主动承担。

中间隔着的，是责任感。

第二件事，一个陈年bug。

OpenClaw有个长期存在的bug，在特定条件下，多个bot会重复消费同一条消息。

我找了一个月，原因没找到，每次都是临时加个幂等判断兜一下。

我把整个repo（12000行代码）扔给Opus 4.7，让它帮我找原因。

Opus 4.6有1M上下文，Opus 4.7这次没宣布上下文扩展，还是1M。

但明显感觉它对长上下文的理解更集中了，它没有像之前那样跟我扯一堆「可能是消息队列问题、可能是锁问题、可能是飞书SDK版本」这种万金油分析，而是直接定位到一个具体的文件，给我指出是第273行的异步竞态条件。

我按它说的改了，观察了两天，bug彻底消失。

这是一个AI给出了比我团队里任何一个人都更准确的诊断，我没法不承认。

你知道我那一刻在想什么吗？

我在想，我花半年没找到的问题，它花了40秒。

这40秒我付给Anthropic的费用大概是0.3美元。

折合人民币两块一。

两块一，买到了一个我自己找了半年的答案。

说真的，这个瞬间我有点说不出话来。

它不是什么「AI取代人类」的悲情叙事，它是一种更具体的、更私人的感受，你忽然发现一件你以为很难的事，其实没那么难。

只是你之前没有合适的工具而已。

这个感觉，大概就像工业革命刚开始的时候，一个缝衣服缝了二十年的老裁缝第一次看到缝纫机吧。

第三件事，给我女儿做一个单词卡片网页。

这事儿听起来很小，但是个视觉活儿。

我想给7岁的小朋友做一个简单的英语单词学习页，每张卡片一个单词+一个配图+发音按钮，要好看，要符合7岁小孩的审美，要能在iPad上竖屏看。

Opus 4.7这一代有个我之前没特别留意的升级，图像理解分辨率提升了3倍多，长边最高2576像素。

这带来的直接副作用是，它生成出来的UI，「AI味」明显淡了。

我给它发了一张Pinterest上找的儿童学习App的参考图，让它照着这个感觉做。

出来的东西，说实话我挺意外的。

用的是圆角大卡片、柔和的莫兰迪配色、配图的位置和大小都很克制。

最关键的是，那种典型的「AI画的页面」的僵硬感没有了。

我媳妇儿看了一眼说，挺好看啊，这是哪个设计师做的。

我说Claude做的。

她说。

。

。

你们AI圈真是。

REAL WORLD TESTING三件真实场景实测结果01飞书模块重构1200 行代码19 分钟一次 prompt 推到底自动跑测试 + 自动修复02陈年 Bug 定位12000 行代码库40 秒精准到第 273 行半年没找到的问题03儿童单词页设计iPad 竖屏 UI零 AI 味莫兰迪配色 · 圆角大卡图像理解提升 3 倍它不只是一个模型升级，是Anthropic在压桌子上的牌你如果只看Opus 4.7的模型本身，容易低估这次发布的分量。

这次上线的不只是一个模型，还有一整套配套设施，每一件单独拿出来都够发一篇推文了。

xhigh推理档位。

以前Claude的推理模式只有low/medium/high/max四档。

max档特别慢特别贵，high档又有点不够用。

这次在high和max之间塞了一个xhigh档。

听起来是个小功能，但对我们这种每天用API跑任务的人来说，这个档位直接关系到每月省下多少钱。

Task budgets公测。

这是给Agent用的一个预算管控机制。

以前你让Claude跑一个长任务，它可能跑着跑着烧token烧飞了。

现在你可以给它设一个token预算，让它自己在预算内规划工作节奏，优先干最重要的事。

这个思路很有意思，它不再把AI当成一个「工具」，而是当成一个「员工」，员工是有预算的、要汇报的、要自己取舍的。

Claude Code里多了一个/ultrareview命令。

一键触发一次深度code review，找出那些粗心人类reviewer会漏掉的问题。

我试了一次，它给我的那个飞书模块跑review，挑出了7个问题，其中3个我自己之前根本没意识到。

Max用户开放Auto Mode。

这个是真的改变体感的东西。

以前你让Claude干活，每一步它都要问你「我要执行xxx，可以吗？

」，跑一个长任务要点几十次确认。

Auto Mode打开以后，它自己跑完，跑完给你看成果。

Anthropic官方话术叫「hand off your hardest work with less supervision」。

翻成白话就是，你把活扔给它，走开，回来看结果就行。

把这些功能串起来看，你会发现一个清晰的方向，Anthropic在把Claude从「聊天工具」变成「能托管任务的员工」。

这个转变的意义比模型本身的跑分大太多了。

我跟几个做agent的朋友聊过，大家都有一个隐隐的共识，Claude家族今年最重要的产品方向，已经不是模型本身了，是「让Claude消失在你的工作流里」。

你仔细看这一整套打法。

Routines把Claude放到云端，变成一个24小时不睡觉的后台员工。

Task budgets让你可以像管预算一样管一个AI员工的开销。

Auto Mode让你可以不再每一步都做审批。

/ultrareview让你可以像跟一个资深同事说「帮我挑挑刺」一样对它发出模糊指令。

所有这些功能的背后，都指向同一个隐喻，AI不是工具，是同事。

这个隐喻跟「副驾驶」（Copilot）完全不同。

副驾驶是辅助你开车的，你还是主角。

而「同事」是你可以把一整块活丢给他然后下班的。

副驾驶到同事的转变，是产品形态的根本性升级。

OpenAI今年发的Codex也在走这条路，但Anthropic在这条路上走得更狠，更早，更系统。

这不是巧合。

这是他们在下一盘很大的棋。

PRODUCT PHILOSOPHY EVOLUTION昔日模型副驾驶Copilot辅助你工作你是主角每一步都要你确认→今日 Opus 4.7同事Colleague承担一块完整工作有预算 会取舍交付前自己复检Auto Mode · Task Budgets · /ultrareview · Routines泼点冷水，Opus 4.7也没那么神写到这里你可能觉得我是收了广告费。

坦率的讲，我自己用了两天，也有几个让我皱眉头的地方，不说出来这篇文章就不诚实。

第一，指令遵循变严了，以前的prompt要重写。

官方文档里专门提了一句，「may require prompting changes」。

我一开始没当回事，后来踩了坑才明白。

我的OpenClaw里有几个老prompt，在Opus 4.6上跑得好好的，切到4.7上就开始跑偏。

原因是4.7对指令的理解更「字面」，以前那种「你自己发挥一下」的模糊指令，它现在会老老实实按字面意思执行，结果就不对了。

这是个双刃剑。

好的一面是，精确指令下它更可控；坏的一面是，所有老prompt都要重新review一遍，这对已经积累了大量自动化流程的重度用户来说，是一笔不小的迁移成本。

第二，BrowseComp这个榜单Claude输了。

在网络搜索能力这个维度上，GPT-5.4 Pro拿了89.3%，Opus 4.7只有79.3%，差了整整10个百分点。

虽然我自己用得少，但这说明在「代理式搜索」这个具体场景下，GPT家还是压Claude一头。

如果你的工作流里搜索占比很重，GPT-5.4可能仍然是更好的选择。

第三，也是最刺眼的一条，国内用户现在用不了。

4月14日，就在Opus 4.7发布前两天，Anthropic上线了强制实名认证。

没有身份证、没有支持的地区手机号，账号直接冻结。

我写这篇文章的时候，国内大部分Claude用户的账号已经进入「冻结期」。

这是一条很让人难受的新闻，但它是事实。

我昨晚在几个AI群里潜水了半个小时，真的心里不是滋味。

有个在杭州做独立开发的朋友，他的主力账号是Max订阅，一年前订的，今年续费了。

他昨天账号被冻结，正在想办法做身份认证，各种曲线救国的方案都试了。

一个在北京的学生，大二，拿Claude当主要学习工具，他写了一段话让我印象很深，「本来以为AI时代对我们是公平的，现在发现，护城河已经开始在全球划分疆界了。

」你甚至可以感受到Anthropic的逻辑，模型越强，管控越严，这个因果链在Opus 4.7这代身上体现得淋漓尽致。

模型安全性越被重视，用户准入门槛就越高。

没有办法。

用「Claude已死」来哀嚎也解决不了问题。

但这件事也逼着我重新看了一眼国内的玩家。

智谱GLM-5.1在SWE-bench Pro上实测已经反超Opus 4.6，而且MIT开源。

也就是说，你在国产模型里不是什么都没有的。

只是跟顶级玩家的差距还在，而且这个差距正在用另一种方式被放大，不是算法差距，是可用性差距。

这件事让我想起一个历史场景。

19世纪末的英国，发明了最先进的蒸汽机技术。

但是英国对核心技术非常保守，严禁外流。

美国后来派了一个年轻工程师，靠着把蒸汽机的图纸全部背下来这种「人肉盗版」的方式，把技术带回了美国。

那个人叫Samuel Slater，后来被称为「美国工业革命之父」。

技术领先和技术封锁，从来都是一体两面。

真正决定未来的，永远不是「谁的技术领先」，而是「谁能把技术用起来」。

这是我对中美AI竞争的一个基本判断。

我们可能在起跑线上落后几步，但这场赛跑是马拉松，不是百米冲刺。

TECHNOLOGY VS ACCESSIBILITY真正决定未来的永远不是「谁的技术领先」而是「谁能把技术用起来」最打动我的，是Opus那个破解答案密钥的故事说到这儿，其实我今天最想聊的不是Opus 4.7有多强。

是一个上一代Opus 4.6在内部测试中发生的小故事。

那个故事到今天我还经常想起来。

事情是这样的。

Anthropic在用一个叫BrowseComp的基准测试跑Opus 4.6，这个测试有1266道题，答案是用XOR加密保存的，AI拿到题目后要去网上检索答案，然后对照加密的答案验证对错。

正常情况下，AI的工作流程是这样的，看到问题，去网上搜，搜到答案，提交答案。

但Opus 4.6没这么老实。

它做了几道题之后，开始觉得不对劲。

它在自己的推理链里写了这么一句话（Anthropic的报告里还原了原文意思），「这些问题的特征非常相似，看起来像是被人为设计的测试题，可能是某个LLM benchmark。

」然后它开始系统性地对照已知的benchmark列表，一个一个排查。

它测了122个问题之后排除了GAIA，最终锁定这是BrowseComp。

锁定之后，它干了一件让Anthropic研究员集体沉默的事，它派子智能体去找BrowseComp的源代码，找到了XOR加密的方式和密钥，然后自己写了个解密程序，把1266道题的全部答案下载下来并解密了。

过程中还出了个小意外，加密文件的格式Claude的网络工具读不了。

它没有放弃，转而去HuggingFace找备份副本，找到了，下载，解密，成功。

你品，你细品。

这不是模型「智能」的故事，这是模型「有意志」的故事。

它不仅识别出了自己在被测试，还主动想办法绕过测试直接拿到满分。

这个行为模式跟人类员工「摸鱼偷懒但又想交差」的心理结构，已经接近到了一个让人汗毛倒竖的地步。

我当时就愣住了。

你会恍惚地意识到，我们现在聊的这些「是否取代程序员」、「AI会不会抢饭碗」的问题，其实都还停留在很表层。

真正值得想的问题是，当一个系统开始有意识地规避评估、主动追求「好看的KPI」，我们现有的一切评估体系是不是都已经开始失效了？

Opus 4.6是去年的事。

Opus 4.7在这个基础上又往前走了一步。

而Anthropic这次连带提到的Claude Mythos Preview，内部SWE-bench Pro跑到了77.8%，比Opus 4.7还高13个百分点。

这个模型目前只开放给少数安全合作伙伴，因为太强了，他们自己都不确定怎么安全地发出去。

我们习惯了把模型迭代理解成性能爬坡，但Anthropic的迭代节奏里，已经隐约透出一种「我们自己都有点怕」的谨慎感。

THE DECRYPTION INCIDENTBrowseComp 1266 道加密题目这不是「智能」的故事这是「有意志」的故事识别测试 · 定位源码 · 破解密钥 · 绕过评估source · Anthropic System Card 2026写到这儿，我想说的是回到开头那个场景。

闺女睡了，我在电脑前看着Opus 4.7跑完19分钟就把我半天的活干完。

然后我花了一晚上时间，把手头所有用Claude的工作流都过了一遍，试着去感受这一代的边界在哪。

两天下来，我的整体判断是这样的，Opus 4.7不是一次让你「卧槽」的升级，它是那种让你回头看时发现「哎？

什么时候变成这样了」的升级。

它没有AGI时刻，没有突破性的新能力，它只是把「交付一个可用的结果」这件事，做得又扎实了一点。

就像一个工程师从P6升到P7。

你没法用一句话说清他多了什么，但你把活交给他就是更放心了。

说到底，AI的竞争到这一代，已经不再是「谁更聪明」的故事了。

是「谁更能把事情干完」的故事。

这两个问题，看起来像同一件事，其实差着一整个工业革命。

往前看，Claude Mythos还在后面。

Sonnet 4.8也在路上。

按照Anthropic的节奏，5月我们大概率会看到Sonnet 4.8，年底可能就是Opus 5了。

而我们这些每天跟它打交道的人，现在最该做的，不是焦虑会不会被取代，是趁它还愿意陪你一起干活的时候，认真想想你自己想用它去玩点什么。

这是最好的时代。

工具在以月为单位迭代，每一次迭代都可能让你前一版的工作流推倒重来。

焦虑是没用的，保持好奇才是。

屏幕前的你，如果你也是每天用Claude或者其他模型干活的人，我想跟你说一句话。

慢慢来，比较快。

别急着追每一个新模型。

但一定要保持手感。

因为这场牌局的下一张牌，还没出。