長文問答準確率大漲 17% 后，Anthropic 把“不亂猜”做成了核心賣點

當地時間4 月 16 日，Anthropic 正式發布新一代旗艦模型 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"，標志著人工智能行業競爭焦點的決定性轉變——從追求對話流暢性轉向考核自主任務執行能力。

與兩個月前發布的 Opus 4.6 相比，新版本專為Agentic工作流設計，即需要 AI 在較長時間內獨立運行、僅需少量人類干預的復雜任務。此次更新優先提升高分辨率視覺感知、復雜多步軟件工程鏈穩定性，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

在企業級應用場景的基準測試中，Opus 4.7 與主要競爭對手的性能差距進一步拉大。在 OfficeQA Pro 評測中——該評測由 Databricks 開發，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 萬個數字）——Opus 4.7 取得 80.6% 的得分。這一結果幾乎是谷歌 Gemini 3.1 Pro（42.9%）的兩倍，并大幅領先于 GPT-5.4（51.1%）。數據顯示，Anthropic 已在長上下文檢索的關鍵瓶頸上取得突破。

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

視覺智能是此版本進步最為顯著的方面。

Opus 4.7 現在支持最長邊達 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 基準測試中——該基準評估 AI 在 VSCode、Photoshop、AutoCAD 等專業軟件中定位特定按鈕或數據點的能力——Opus 4.7 在高分辨率模式下配合工具調用功能達到 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術探索，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目的，是讓 AI 能夠看懂軟件界面、密集表格、終端輸出、設計稿細節和代碼截圖。

未來 AI 辦公、AI 測試、AI 安全、AI 前端開發等任務，都將從純文本任務轉向屏幕任務。在 SWE-bench Multimodal 測試中——該測試要求模型結合 UI 截圖和代碼一起修復前端 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于編程場景的實際需求。

Anthropic 在官方公告中特別強調，Opus 4.7 在指令遵循能力上出現顯著提升。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 會嚴格按字面意思執行指令。

這一變化帶來雙重影響：一方面，它減少了提示詞"玄學"，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"的習慣上調優出來的，而新模型的剛性可能導致這些舊提示詞失效。

在高級軟件工程領域，這種嚴謹性轉化為顯著提升。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督的高難度編碼工作交給 Opus 4.7 處理，它會在匯報結果前主動驗證自身輸出。

Opus 4.7 在使用基于文件系統的記憶方面表現更為出色。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，因此新任務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、架構決策和上次失敗原因的 Agent，才可能從"聰明臨時工"變成"穩定同事"。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鍵的更新。

伴隨 Opus 4.7 發布，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，而是權限選項。它允許 Claude 替用戶做一些權限決策，讓長任務少被打斷，但風險低于完全跳過權限確認。

這個設計針對的是 Agent 產品的核心矛盾：問太多，Agent 像實習生；不問，風險又太大。auto mode 的本質，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 和設計問題。

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

專業領域的經濟價值正加速釋放

在 Structural Biology（結構生物學）基準測試中，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 2.4 倍增長。這是所有基準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專業科學研究領域。對于更廣泛的勞動力市場而言，模型改進后的指令遵循能力意味著在短時間內它更不容易產生"幻覺"或遺漏步驟。

在金融分析領域，Opus 4.7 同樣取得領先地位。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 數據集開發，覆蓋 44 種知識工作職業、9 大 GDP 核心行業，任務來自資深職業人士（平均 14 年經驗）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 在金融分析任務上能夠生成更嚴謹的分析與建模、更專業的報告展示，并在各項任務間實現更緊密的整合。

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

Opus 4.7 被明確定位為"第一款用來測試新網絡安全護欄的公開模型"。Anthropic 表示，他們會從 Opus 4.7 的真實部署中學習，為未來 Mythos 級別模型的廣泛發布做準備。這種謹慎的部署策略凸顯了硅谷日益增長的緊張關系：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字基礎設施。當模型能力達到某個臨界點后，競爭邏輯從"我比你強"開始轉向"會不會出事"。

特朗普政府最近強調美國在 AI 安全方面需要發揮領導作用，Anthropic 的發布策略正是對這一政策導向的呼應。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。這不是技術上做不到，而是主動選擇不做。這種"克制"本身成了產品差異化的一部分。至少在發布策略上，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——該模式位于標準處理與最大推理深度之間——模型會進行更多內部推理，從而提高可靠性，但也會產生更多輸出 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。

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

Anthropic 新增的 x-high effort 和 task budgets（任務預算）功能，說明高端模型的使用方式正在走當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、會驗證的任務過程付費。

過去模型計費主要看輸入輸出長度，現在還要看思考的等級、任務預算、Agent 跑了幾輪、工具失敗后有沒有繼續推理。這種計費模式的演變，反映出 Agent 產品從"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 的發布，AI 行業競爭的核心指標已經改變。大模型競爭的焦點，正在從答得像不像，轉到做得完不完。只會寫一段漂亮答案，已經不夠了。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，取決于市場是否認可"謹慎"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。但如果企業客戶開始重視"會不會出事"，那這種分級發布、主動削弱某些能力的做法，反而可能成為競爭優勢。（本文首發鈦媒體APP，作者 | 硅谷Tech_news，編輯 | 秦聰慧）