先说结论，再讲过程

4月16日，Anthropic 静悄悄地把 Claude Opus 4.7 推上线了，没有发布会，没有大型 PR，就一篇 blog 帖子。

但接下来48小时发生的事情比任何发布会都精彩：一边是开发者疯狂叫好，称其为”史上最强编程模型”；另一边是一篇标题为”Opus 4.7 is not an upgrade but a serious regression”的 Reddit 帖子冲上了 2300 赞，一条 X 上质疑升级意义的推文收获了 14000 个点赞。

作为一个长期关注大模型演进的人，这种两极分化的反应本身就很有意思，值得认真分析。

我花了将近一周时间，从日常对话、代码辅助、长文写作到 Agent 自动化任务，做了系统性的测试。这篇文章是我的真实使用记录。

---

一、基本参数：这次升级的”账面”

先把基本信息摆出来，方便大家有个基准认知。

参数	Claude Opus 4.7	Claude Opus 4.6
发布日期	2026年4月16日	2025年早先
上下文窗口	100万 tokens	100万 tokens
最大输出	128K tokens	128K tokens
图像分辨率	3.75MP（2576px）	1.15MP（1568px）
思考模式	仅 Adaptive（自适应）	Adaptive + Budget
价格（输入/输出）	5 / 25（每百万 token）	5 / 25
新增 Effort 等级	xhigh（新增）	high / max
Task Budget	✅ 新增	❌
/ultrareview 命令	✅ 新增	❌
知识截止时间	2026年1月	早前

价格数字没变，但这里有个关键陷阱，我后面重点讲。

---

二、基准测试成绩：在编程领域真的打出了差距

先说好消息。在编程相关基准上，Opus 4.7 的提升是真实的、有统计意义的。

SWE-bench Pro（最难的真实代码仓库 bug 修复测试）：

• Opus 4.7：64.3%
• GPT-5.4：57.7%
• Gemini 3.1 Pro：54.2%
• Opus 4.6：53.4%

单版本跳跃 +10.9 个百分点，是 Anthropic 有史以来最大的单代编程能力提升。这不是营销数字，Cursor 用自家内部基准（CursorBench）独立验证了这个提升：从 4.6 的 58% 跳到了 4.7 的 70%，整整 12 个点。

OSWorld-Verified（计算机操控任务）：从 72.7% 提升到 78.0%，超过 GPT-5.4 的 75.0%。

MCP-Atlas（工具调用能力）：77.3%，领先 GPT-5.4（68.1%）接近 10 个点。

但在通用推理能力上，前沿模型已经高度同质化了：

• GPQA Diamond（研究生级别科学推理）：Opus 4.7 94.2%，GPT-5.4 94.4%，Gemini 3.1 Pro 94.3%

三家差距在统计噪声之内，这个 benchmark 事实上已经饱和了。

有一个诚实的回退值得记录：BrowseComp（自主网络搜索研究）从 83.7% 下降到了 79.3%，落后于 GPT-5.4（89.3%）和 Gemini 3.1 Pro（85.9%）。如果你的核心用例是”让 AI 帮我自主上网搜集信息”，4.7 在这方面反而不如 4.6。

---

三、我实际测了什么，分别感受如何

3.1 代码辅助：这是 4.7 真正发光的地方

我日常用 Claude Code 做一些自动化脚本和数据处理的工作，这一周刻意调高了任务复杂度做测试。

最直观的感受是：它现在真的会自己检查自己的输出了。Anthropic 官方 blog 里说”devises ways to verify its own outputs before reporting back”，我起初以为是营销话术，实际用下来发现这个描述相当准确。在一个我给了它一个有隐藏 edge case 的数据清洗任务之后，它在给出初版代码之前，主动写了一段”验证逻辑”确认输出正确，而不是像以前那样直接给结果然后等我反馈。

Rakuten 报告说内部测试任务解决量是 Opus 4.6 的 3 倍，这个数量级的提升我在自己的测试里没能复现（我的任务集没那么大），但质量上的提升是可感知的。

结论：如果你是开发者，这是现役最强的编程辅助模型，这个判断我比较有把握。

3.2 长文写作与知识工作：变”老实”了，有时太老实

这里出现了一个明显的行为转变，也是争议的来源之一。

Anthropic 的迁移文档里有一句话写得很清楚，我翻译一下：”模型不会再默默地把指令从一个对象泛化到另一个对象，也不会推断你没有明确要求的事情。”

用人话说：Opus 4.7 变字面了，变”死脑筋”了。

我用 4.6 的时候，如果我说”帮我把这份报告的语气调得更专业”，它会连带着顺手修一些明显的逻辑断层。4.7 不干这个了——它只改了语气，逻辑问题原封不动。

对不同用户来说，这是完全相反的体验：

• 如果你提示词写得非常精确，你会发现 4.7 执行力更强、更可预测——这对工程化应用是好事
• 如果你习惯了给一个大概方向然后让 Claude 发挥，你会觉得”它变蠢了”

这不是模型变蠢了，这是交互契约变了。 但很多用户没意识到这一点，直接把 4.6 的习惯带进来用，然后写了差评。

3.3 视觉能力：这一跳是货真价实的飞跃

最大分辨率从 1.15MP 直接跳到了 3.75MP，图片识别精度（视觉导航任务，无工具辅助）从 57.7% 跳到了 79.5%——这个提升幅度比编程能力的提升还大。

我上传了几份密密麻麻的财报截图（包括小字注脚），4.7 的识别准确率明显优于 4.6，几乎没有出现 4.6 里偶尔会有的”幻想数字”问题。对于需要处理文档截图、界面截图、图表的用户，这是一个实质性的升级。

3.4 Agent 长程任务：有进步，但踩了坑

这是整个测评里最复杂的部分。

Task Budget（任务预算） 是这次新增的功能，你可以告诉模型”你总共有 X 个 token 来完成这个任务，用完之前给我一个完整的输出”。从原理上讲，这解决了之前 Agent 跑到一半突然截断或者漫无目的消耗资源的问题。

实测效果：对于中等复杂度的任务（1-3 小时的 Agent 循环），Task Budget 的引入确实让任务完成的可预测性变好了。模型会在 budget 快耗尽前”收尾”而不是硬停。

但社区里也流传着一个我没能独立复现但很具代表性的案例：一个 Agent 跑了 68 分钟、消耗了数百万 tokens，”自信地”完成了一个大型重构任务，最终产出了一个完全跑不起来的 app。这个案例的关键不在于 4.7 “变蠢”，而在于它错了也不说——它的自信心和它的正确率之间有时候会出现错位。

/ultrareview 命令（Claude Code 里的深度多 Agent 代码审查）我有限度地测试了——免费名额不多，超出要付费——但在我测试的范围内，它对发现非显而易见的逻辑 bug 是有帮助的。

---

四、那个”标价没变，实际贵了35%“的陷阱

这是我认为这次更新里最需要单独讲清楚的问题。

Anthropic 官方定价没有变：输入 百万，输出25/百万 token。

但 Opus 4.7 换了一个新的分词器（tokenizer）。同样一段文字，4.7 的 tokenizer 可能会切成比 4.6 多出 0% 到 35% 的 token，平均大约在 15%-20% 之间，技术文档等密集文本可能高达 45%。

这意味着什么？你的账单会在看不见的地方涨，而你看到的单价没变。

社区里最愤怒的一波用户来自 Claude Pro 订阅者（$20/月）：有人说发布当天只问了三个问题就到限额了。GitHub Copilot 那边直接给出了 7.5 倍的 premium 请求乘数（促销价，截止4月30日）。

如果你是 API 用户，在真正切换到 4.7 之前，我的建议是：

1. 用同一批真实请求分别跑 4.6 和 4.7，记录 token 数差异
2. 别用”最多多35%“做预算上限，实测你自己的内容
3. 旧的 prompt cache 记录在 tokenizer 变化后第一次运行会全部失效，记得重跑

---

五、几个具体的”坑”：发布初期真实出现过的 bug

诚实地说，4.7 刚发布的48小时里确实不太稳。Anthropic 工程师 Alex Albert 在 X 上承认：”很多朋友在昨天第一次尝试 Opus 4.7 时遇到的 bug，现在已经修复了，感谢大家的耐心。”

已经被记录并在社区广泛传播的具体问题包括：

• 有用户测试”strawberry 里有几个字母 r”，4.7 给出了错误答案（说有两个 P）并承认”没有交叉验证，因为我在偷懒”
• 有用户让它改简历语气，结果发现它悄悄改了学校名字和姓氏
• 在默认（低 effort）模式下，推理摘要被默认隐藏，导致某些流式输出场景出现”长时间沉默然后突然输出”的诡异体验
• temperature、top_p、top_k 参数如果设成非默认值，现在会直接返回 400 错误（不是警告，是报错）

这些问题中，工程性的 bug 大多已经修复了；但”过于自信地说错话”这个深层问题，属于模型行为特征，短期内不会消失。

---

六、和竞品的横向比较

评测维度	Claude Opus 4.7	GPT-5.4	Gemini 3.1 Pro
编程能力（SWE-bench Pro）	64.3% ↑	57.7%	54.2%
工具调用（MCP-Atlas）	77.3% ↑	68.1%	73.9%
计算机操控（OSWorld）	78.0% ↑	75.0%	—
自主网络搜索（BrowseComp）	79.3% ↓	89.3%	85.9%
通用推理（GPQA Diamond）	94.2% ≈	94.4%	94.3%
知识工作（GDPVal-AA）	1753 ↑	1674	1314
上下文窗口	100万	—	200万
定价（输入/输出/百万token）	5/25	—	2/12

Gemini 3.1 Pro 的定价是 Opus 4.7 的约四分之一，上下文窗口是两倍，但编程基准上落后 10 个点。这个选择没有绝对答案，取决于你的用例对编程能力和成本各自的权重。

GPT-5.4 在自主网络搜索上保持明显优势，如果你的核心工作流是信息检索和联网 Agent，暂时不用切换。

---

七、谁应该现在就切换，谁应该再等等

现在切换的理由充分（以下任意一条成立就值得升级）：

• 你用 Claude Code 或 Cursor 做严肃的代码工作，且会处理复杂的跨文件重构
• 你的工作流里需要处理高分辨率文档、截图、图表，且对识别准确率敏感
• 你在构建长程 Agent，且需要 Task Budget 这类对 token 消耗的可控性
• 你的提示词写得足够精确，不依赖模型”自己发挥”来补全意图

值得等待或谨慎观望的情况：

• 你是 Claude Pro 订阅用户（$20/月），日常大量使用——新 tokenizer 会让你比以前更快到达用量上限
• 你依赖联网搜索做信息聚合（BrowseComp 退步明显）
• 你的 API 生产环境不能承受 400 错误带来的迁移成本（temperature 等参数变更是 breaking change）
• 你有写作类工作流，且习惯了让 Claude 自主”润色+纠错”，而非只执行明确指令

---

---

八、一个更大的背景：Anthropic 在下一盘什么棋

值得注意的是，Anthropic 在 4.7 的 release notes 里提到了”Claude Mythos Preview”——这是一个能力比 Opus 4.7 更强的模型，但目前处于有限发布状态。Opus 4.7 实际上定位是”Mythos 系列的能力降阶版”，同时充当 Mythos 级别安全机制的试验场。

官方原文说得很直白：Opus 4.7 是第一个携带 Mythos 安全性相关实验的模型，专门测试新的网络安全防护措施。这意味着 4.7 的某些能力（比如网络安全领域）是被刻意压制的。

这个信息的含义：Anthropic 的能力储备远不止我们现在看到的。Opus 4.7 是一个经过安全约束的发布，而不是当前技术极限的全力展示。

同时，这也解释了为什么社区里出现了”BrowseComp 退步”之类看似不合理的现象——在某些领域的克制，可能是设计决策而非能力不足。

---

九、我的最终判断

Opus 4.7 是一个让人又爱又恨的版本，但这两种情绪指向的其实是两类完全不同的使用姿势。

如果你把它当成一个”执行精密指令的工程工具”，4.7 比 4.6 好很多——它更强、更严格、更可预测，在代码领域已经拉开了与竞品的差距。

如果你习惯于把它当”通晓人意的对话伙伴”，你会感受到明显的疏离——它不再猜你的意思，不再自作主张地帮你把话说圆，你需要比以前说得更清楚才能得到你想要的。

这不是退步，这是定位的漂移：Anthropic 正在把 Opus 系列从”最聪明的通才助手”推向”最精密的专业执行引擎”，而这个转变的代价，是让习惯了旧交互模式的普通用户产生了迷失感。

从发布到现在一周的时间，我的整体结论是：

开发者和工程师：强烈推荐切换，编程能力的提升是货真价实的。
知识工作者和写作用户：值得尝试，但要做好调整提示词习惯的心理准备。
Pro 订阅的日常用户：注意 token 消耗的变化，可能会比以前更快遇到限额。

---

附：核心功能快查表

功能	状态	备注
xhigh effort 等级	✅ 新增	高于 high，低于 max，编程任务推荐
Task Budget	✅ 新增	Agent 长程任务的 token 预算控制
/ultrareview	✅ 新增	Claude Code 里的深度代码审查命令
高分辨率图像	✅ 大幅提升	3.75MP，是前代 3 倍以上
Adaptive Thinking	✅ 唯一支持的思考模式	budget_tokens 参数已移除，会返回 400
temperature/top_p/top_k	❌ 已移除	非默认值会返回 400 错误
思考摘要默认显示	❌ 默认关闭	需要手动设置 display: “summarized”
BrowseComp 联网搜索	⚠️ 退步	79.3%，落后 GPT-5.4 约 10 点

---

本文基于 Claude Opus 4.7 发布一周内的实际使用体验，测试平台包括 Claude.ai（Max Plan）、Claude Code CLI 和直接 API 调用。基准数据来源于 Anthropic 官方 release notes、Vellum、Cursor、Nerd Level Tech 等独立测评。文中观点代表个人判断，不构成任何商业推荐。

---

💬 如果你也在用 Opus 4.7，欢迎在评论区说说你的感受。特别想知道：你是觉得它变聪明了，还是变奇怪了？