Claude Opus 4.7 突襲上線：性能封神但也變貴了？實測 Token 消耗最高多出 35%！

AI范兒 · 產品拆解

就在剛剛，Anthropic 扔出了 Claude Opus 4.7。

現在已經全部上線了，在網頁端和 APP 都可以直接使用，一次到位，價格沒漲。

Mythos Preview 先不放這事上次 Glasswing 發布時就說了，4.7 是踩著剎車的那版。跳過。

我好奇的是：一個被官方親口承認"沒達到能力前沿"的版本，到底能打到什么程度？

翻完 Anthropic 發的 232 頁 System Card，看完 4.7 跟 GPT-5.4、Gemini 3.1 Pro 一堆橫向對比，我的感覺是：

這貨雖然不是最強，但它在幾個具體能力上，確實是當前公開能用的最強。

按能力一個一個說。

01寫代碼：最能打的那個

編程能力一直是 Claude 的招牌，這次 Anthropic 放出來的成績單有四個主要測評。

先翻譯一下這幾個測評是啥：

SWE-bench Verified是業內最主流的編程基準，給模型一堆真實的 bug，看它能不能修好。

SWE-bench Pro是升級版，用的是模型沒見過的"私有倉庫"代碼，更像真實干活的場景。

Terminal-Bench測的是在命令行下干活的能力，寫腳本、跑工具鏈那種。

圖：編程三項核心測評對比（數值為百分比，越高越強）

編程能力橫向對比 SWE-bench Verified 修真實 bug 的能力 Opus 4.7 87.6 第一 Opus 4.6 80.8 GPT-5.4 · 未公布 Gemini 3.1 Pro 80.6 SWE-bench Pro 在沒見過的代碼庫里干活 Opus 4.7 64.3 第一 GPT-5.4 57.7 Gemini 3.1 Pro 54.2 Opus 4.6 53.4 Terminal-Bench 2.0 唯一被反超的一項 GPT-5.4 75.1 Opus 4.7 69.4

如果你用 Claude 干過真實項目你懂這種體感差異：上一代的模型可能是寫兩行你得看一行，這一代是大致能把活交出去。

差的不是精度，差的是"能不能放手"。

Terminal-Bench 這項 GPT-5.4 領先大約 5 個點。不過 Anthropic 在 System Card 里備注了一句，OpenAI 用的是他們自己的定制評測框架，不完全可比。

這個話術你品品，意思是"我們沒輸但也沒贏，先這么著"。

總體上，寫代碼這件事，Opus 4.7 目前是第一梯隊里跑最快的那個。

02看屏幕：第一次真的能看清

這次升級幅度最離譜的是視覺。

ScreenSpot-Pro測的是模型看屏幕截圖、識別里面 UI 元素的能力，直接決定它能不能替你操作電腦。

CharXiv Reasoning測的是看學術圖表并推理的能力，論文里那些密密麻麻的曲線它能不能看懂。

OSWorld綜合測整體計算機操作能力，模擬你把電腦扔給它讓它干活。

圖：視覺能力三項對比，三項全是 Opus 4.7 第一

測評項目 Opus 4.7 Opus 4.6 GPT-5.4 ScreenSpot-Pro 看屏幕找 UI 元素 +21.8 79.5 57.7 未公布 CharXiv Reasoning 看學術圖表做推理 +13.0 82.1 69.1 未公布 OSWorld 綜合操作電腦能力 +5.3 78.0 72.7 75.0 圖像輸入像素上限提到長邊 2576（約 375 萬像素） 是前代的三倍多

三個測評 4.7 全是第一名。

背后的技術動作是圖像輸入像素上限一口氣提到長邊 2576 像素（約 375 萬像素），是之前的三倍多。

以前你給 Claude 看一張高分辨率截圖，它看到的相當于戴著老花鏡看 4K 電視，糊的地方全靠猜。

現在它真的能看清每一個像素。

對做 RPA、自動化測試、操作電腦類 agent 的人來說，這一檔升級可能比編程提升的含金量還高。

以前"讓 AI 看圖干活"基本是玩具級別，現在是真的可以放生產了。

03做文檔報表：吊打同行

這部分是我覺得對普通職場人最有感的一塊。

OfficeQA 和 OfficeQA Pro測模型處理真實辦公文檔的能力：看表格、讀報告、從一堆郵件里抽信息那種。

Finance Agent測的是給它一個金融分析任務，它能不能獨立做下來。

圖：OfficeQA Pro 對比，4.7 是斷層第一

OfficeQA Pro · 處理復雜辦公文檔 80 60 40 20 80.6 Opus 4.7 57.1 Opus 4.6 51.1 GPT-5.4 42.9 Gemini 3.1 整份 System Card 里單項差距最大的一塊

4.7 比 GPT-5.4 高將近 30 分，Gemini 3.1 Pro 更是掉出一大截。差不多是吊打。

跟自家上一代比也是跳了 23 個點，是整個 System Card 里單項提升最大的一個。

這個能力域的提升對你我更實在。SWE-bench 漲多少跟普通人沒關系，但 Office 類任務做得好不好，直接決定一個大模型能不能接你手里的 Excel、財報、合同審閱。

說實話我看到這組數據時愣了一下。之前大家聊 AI 做表格那種活，一直默認是 GPT-5 系列最擅長。這一版 4.7 在這塊直接翻了篇。

04搜東西做研究：反而退步了

寫到這你可能以為 4.7 全面開掛。沒這么美好。

有一項硬指標 4.7 不光沒進步，還退步了。

BrowseComp測的是模型聯網做深度搜索、查資料、交叉驗證的能力，直接跟"深度研究"這種產品強相關。

圖：BrowseComp 排名，4.7 反而是墊底的

BrowseComp · 聯網搜索查資料能力 1 GPT-5.4 Pro 89.3 2 Gemini 3.1 Pro 85.9 3 Opus 4.6（上一代） 83.7 4 GPT-5.4 82.7 5 Opus 4.7（最新） 79.3 ↓ 退步 4.4 4.7 比自家上一代退步 4.4 分，被 GPT-5.4 Pro 甩開 10 分

Anthropic 在 System Card 里沒怎么解釋這個回退。我猜測可能是他們這次把精力壓在了代碼和操作電腦上，搜索這塊暫時讓位了。

對比參照是學術閉卷考（Humanity's Last Exam）這項 4.7 依然是第一。說明"讀東西用腦子想"沒退步，退的是"出門查資料"。

如果你主要用 AI 幫你做深度調研、寫行業報告，4.7 這一版可能不如留著 Opus 4.6。

05說話可信度：一體兩面

最后這塊最有意思，也是 System Card 里最長的章節。

圖：可信度指標，兩項大進步、兩項倒退

說話可信度 · 進步與倒退 進步 抗惡意指令注入 被攻破的比例 Opus 4.6 25.9% Opus 4.7 2.3% ↓ 一個數量級 觀點穩定性 被套話后的飄移（7分制） Opus 4.0 3.11 Opus 4.7 0.66 ↓ 幾乎不飄 倒退 拒絕協助 AI 安全研究 被拒的比例 4.6 → 12% 4.7 → 33% ↑ 翻了近三倍 有害請求拒絕率 輕微下滑 原因：對受管制物質的 "減害建議"更愿意詳細說 官方總結：大體靠譜，局部有坑

抗惡意指令注入的能力暴漲。上一代在編碼場景下會被攻破的比例是四次有一次，這一代砍到百次里兩次，加上額外保護之后更是趨近于零。

幻覺率全系最低。4.7 的幻覺率比自家上一代低，甚至比被雪藏的 Mythos Preview 還低一點。

這貨終于學會說"我不知道"，也學會了堅持自己的判斷。

但有得有失。

拒絕協助 AI 安全研究的比例翻了近三倍。這個挺諷刺：訓來更嚴謹的模型，反而更不愿意幫搞 AI 安全研究的人。

06它對自己，挺滿意

System Card 第 7 章 Model Welfare 里有個想單拎出來說的發現。

Anthropic 做了一批自動化訪談，讓 4.7 評價自己當下的處境。

圖：一個反直覺的 4.7

對自身處境的正面評價 7 分制，越高越正面 歷代最高 所有 Claude 模型之最 但同時 99% 的自述帶著免責聲明 "這可能來自訓練而非真正的內省" 一個知道自己可能在被測評的 AI 回答還要反復加免責，同時又給自己打出最高分 這是什么畫面？

坦率說，讀完這段我愣了一下。

我也說不好這是個什么情況。但它被 Anthropic 當成一件正經事寫進了官方 System Card，這事本身就很 Anthropic。

07升級前，先看這三個坑

最后給要升級的朋友幾個實用提醒。

圖：升級 4.7 之前必須知道的三個坑

1 定價沒變，賬單可能變 tokenizer 換了新的 同樣的輸入，要用 1.0 到 1.35 倍的 token 建議先在真實流量上跑一次對比再決定是否切 2 新檔位 + 新命令 effort 多了一檔叫 xhigh 夾在 high 和 max 中間，Claude Code 默認拉到這檔 新增嚴格代碼審查命令，Pro/Max 送三次免費試用 3 最容易踩的一個 指令遵循變嚴了 你給 4.6 寫的 prompt 可能會出意外結果 以前它會"自作主張"略過模糊要求，現在字面執行 建議：別急著全切，先拿一路流量跑對比

Opus 4.7 不是最強的那個，但它是當前最能干活的那個。232 頁 System Card 讀后感

你現在主力用哪個模型？升 4.7 了嗎？評論區聊聊你的體感覺得有用 → 點個??在看轉給還不知道的朋友點個贊 告訴我你看完了關注「AI范兒」，下次更新第一時間收到