deep anthropic opus47.md

2026-04-17 · 深度解读 · 编辑：Lighthouse

原文：anthropic.com/news/claude-opus-4-7

速查卡

文章背景

为什么这次发布值得单独解读

Anthropic 在 2026-04-16 正式放出 Claude Opus 4.7 的通用可用版本。这不是一次小的 point release：官方原文用了”notable improvement on Opus 4.6 in advanced software engineering, with particular gains on the most difficult tasks”来定位这次更新，并明确指出用户”可以把以前需要近距离监督的最硬核编码工作交给 Opus 4.7”。

和上一代 Opus 4.6 相比，这次的信号有三个：

1. 目标客户非常明确地对齐编码 Agent 与长时序自动化。博客正文用来铺陈的不是 ChatGPT-like 对话体验，而是 Devin、Cursor、Notion Agent、Replit、Warp、Bolt、Factory、Genspark、Hebbia、CodeRabbit、Qodo、XBOW 等 Agent 平台伙伴的引用。
2. 与 Mythos Preview 的关系被正面承认。Opus 4.7 不是 Anthropic 手里”最强”的模型，但却是”Mythos Preview 的前沿安全试点”——这意味着 Anthropic 开始形成清晰的”Mythos 顶点 + Opus 旗舰 + Sonnet / Haiku 下沉”的产品矩阵。
3. 价格不变，但 token 结构变了。新 tokenizer 会让同一段输入产生 1.0–1.35× 的 token 数；更高 effort 会产生更多输出 token。这是一条需要所有调用方都警惕的成本曲线。

时间线位置

这次发布处在一个高密度发布窗口，解读这些事件的关系很重要：

• 2026-04-16：Anthropic 发布 Claude Opus 4.7（本文）。
• 同日 Anthropic 也宣布 Project Glasswing（关于 AI 模型在网络安全领域的风险与收益），并说明会先在 Opus 4.7 这类”能力较弱”的模型上测试新的 cyber safeguards；这直接关联到 Opus 4.7 的安全剖面设计。
• 2026-04-17：OpenAI 同步放出 Codex 的重大扩展（后台计算机使用、90+ 插件、跨天/跨周自动化）。
• 同期 Google Chrome 上线 AI Mode。

三家厂商几乎在同一周都把”长时序、跨应用的 Agent”作为发布主线。Opus 4.7 是 Anthropic 在这个主线上的正面回应——不是靠新能力，而是靠把长时程任务做得更稳、更准、更少回头。

与 Mythos Preview 的关系

原文明确定位：

although it is less broadly capable than our most powerful model, Claude Mythos Preview, it shows better results than Opus 4.6 across a range of benchmarks

这条措辞有三层含义：

• Mythos Preview 是 Anthropic 当前手里最强的模型。
• Opus 4.7 在训练中主动差分削弱了 cyber 能力（“we experimented with efforts to differentially reduce these capabilities”），这是为了让它能先于 Mythos 开放。
• Mythos Preview 也是 Anthropic 评估中”对齐最好”的模型（“Mythos Preview remains the best-aligned model we’ve trained”），但它目前仅限量发布。

换句话说：Opus 4.7 是 Anthropic 把 Mythos 能力 / 对齐工艺”平民化”的第一步，但更稳健的 cyber 行为被主动保留在 Mythos 这一层。

完整内容还原

一、发布要点：可用性与价格

原文确认：

• 价格与 Opus 4.6 相同：$5 per million input tokens，$25 per million output tokens。
• 可用渠道：所有 Claude 产品、Claude API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundry。
• API 模型名：claude-opus-4-7。

这种”价格不变、能力上升”的做法与 Opus 家族一贯的定价节奏一致，但需要和后面 tokenizer 与 effort 行为的变化一起看——真正的”单位任务成本”并没有保持不变。

二、合作伙伴反馈：28 条引用里的信号

官方正文收录了 28 位来自早期测试的合作伙伴引用（“01 / 28”）。这些引用密度很高，筛出几个最具信息量的核心数据点：

几个重复出现的定性信号：

1. 少 tool error、少中途放弃：Notion、Factory、Genspark 都提到 tool 调用失败时不再”cold stop”，能继续推进。
2. 更少”胡编补白”：Hex 说模型能正确报告”数据缺失”而不是给看似合理的错答；Vercel（Joe Haddad）说模型”对自己的极限更诚实”，甚至”在动工前先做 systems code 上的证明”。
3. 更有主见：Replit 的 Michele Catasta 直接说”它会在技术讨论中对我推回去”——这是”不再一味讨好用户”的行为变化；同样地，Augment（Igor Ostrovsky）说模型”带来更有主张的视角，不再只是附和用户”。

这些定性描述和 Anthropic 在”Instruction following”一节的自述互相呼应：Opus 4.7 的行为更”硬”了。

三、指令遵循：老 prompt 可能反而翻车

Anthropic 明确提醒：

Opus 4.7 is substantially better at following instructions. Interestingly, this means that prompts written for earlier models can sometimes now produce unexpected results: where previous models interpreted instructions loosely or skipped parts entirely, Opus 4.7 takes the instructions literally. Users should re-tune their prompts and harnesses accordingly.

对现有 harness 的影响：

• 以前依赖模型”默默忽略”某些不合理指令的 prompt，现在可能被字面执行。
• 以前靠”反复叠加要求”压住模型行为的 prompt，可能出现过度执行、绕远路。
• 需要重新审视”默认行为假设”——尤其是围绕格式、语言、工具调用顺序的那部分。

四、多模态：2,576 像素长边，~3.75 MP

原文：

it can accept images up to 2,576 pixels on the long edge (~3.75 megapixels), more than three times as many as prior Claude models.

这是一个模型层面的提升，而不是 API 参数——你发给模型的图像会直接被更高保真度地处理。直接影响的场景：

• Computer-use Agent 读取密集截屏（呼应 XBOW 的 98.5% 视觉精度）。
• 复杂图表、技术示意图的数据抽取。
• 对像素级参考有要求的工作（法律文书、专利附图、医学影像标注）。

脚注特别指出：因为高分辨率图像会消耗更多 token，不需要额外精度的用户可以先 downsample 再发送。视觉精度是以 token 为代价的。

五、真实世界工作：金融、法律、GDPval-AA

原文强调 Opus 4.7 在 Finance Agent 评估上达到 state-of-the-art 水平，并且在 GDPval-AA（第三方评估，覆盖金融、法律等经济价值较高的知识工作）上也是 state-of-the-art。配合 Harvey 90.9%、Databricks 减错 21%，Opus 4.7 的”法金文档”定位相当明确。

六、记忆：文件系统记忆变强

原文：

Opus 4.7 is better at using file system-based memory. It remembers important notes across long, multi-session work, and uses them to move on to new tasks that, as a result, need less up-front context.

这条短短一句，但意义不小——它说明 Anthropic 把”记忆”作为基于外部文件系统的工具能力来设计，而不是内置隐式上下文。这对 Agent 框架的意义是：你自己写的 memory store（如 Claude Code 的文件备忘、Cursor 的项目记忆）现在被模型更有效地使用了。

七、安全与对齐

Opus 4.7 的安全剖面整体与 Opus 4.6 相似：

• 在 honesty、对抗 prompt injection 等方面有所提升。
• 在”给出过度详细的受控物质减害建议”这类维度上略变弱。
• 整体结论：“largely well-aligned and trustworthy, though not fully ideal in its behavior”。
• Mythos Preview 仍是 Anthropic 评估中对齐最好的模型。

Cyber 方面：

• Opus 4.7 是第一款带有”自动检测并拦截被禁止或高风险网络安全请求”safeguards 的模型。
• 训练中差分削弱了 cyber 能力。
• 正规安全研究、渗透测试、红队用途的专业人士被引导加入 Anthropic 新设立的 Cyber Verification Program。

八、同步上线的工具更新

原文在”Also launching today”一节列出三块：

1. 更细的 effort 控制——新增 xhigh 档位，介于 high 和 max 之间。Claude Code 所有计划的默认 effort 已被提高到 xhigh；官方建议编码 / agentic 场景从 high 或 xhigh 起步。
2. Claude Platform（API）：高分辨率图像支持；task budgets 进入公开 beta——允许开发者引导 Claude 在长时运行中的 token 开销分配。
3. Claude Code：
   • 新的 /ultrareview 斜杠命令，启动专门的审阅会话，把 changes 扫一遍并标记 bug 与设计问题。Pro / Max 用户各送 3 次 ultrareview 试用。
   • auto 模式扩展到 Max 用户——新的权限选项，由 Claude 代为决策，用于更长任务与更少打断，相比”跳过所有权限”风险更低。

九、从 Opus 4.6 升到 4.7 的迁移要点

两件事会影响 token 用量：

1. Tokenizer 升级：同样的输入，映射到的 token 数量约为 Opus 4.6 的 1.0–1.35×，具体取决于内容类型。
2. 更高 effort 下思考更多：尤其是 agentic 设置下的后续轮次，输出 token 会变多——这换取的是硬问题上的可靠性。

Anthropic 给出的控制手段：

• 调 effort 参数。
• 调整 task budgets。
• 直接在 prompt 里要求更简洁。

Anthropic 自己的结论是”净效应是 favorable 的”——在内部编码评估中，各档 effort 下的 token usage 都有改善。但官方诚实地加了一句：“we recommend measuring the difference on real traffic”。官方另外提供了迁移指南。

十、基准注释里容易被忽略的细节

原文脚注揭示几件对 benchmark 解读有重要意义的事：

• GPT-5.4 与 Gemini 3.1 Pro 的对比使用了”API 上可获得的最佳模型版本”。
• MCP-Atlas 的 Opus 4.6 分数已根据 Scale AI 修订的评分方法重新校准。
• SWE-bench Verified / Pro / Multilingual：Anthropic 有 memorization 筛查，剔除疑似记忆样本后，Opus 4.7 对 4.6 的领先仍然保持。
• Terminal-Bench 2.0：使用 Terminus-2 harness、关闭 thinking；每任务 1× 保证 / 3× 上限资源，5 次平均。
• CyberGym：Opus 4.6 分数从原始 66.6 上调为 73.8（harness 参数更新以更好地引出 cyber 能力）。
• SWE-bench Multimodal：Anthropic 使用内部实现，Opus 4.7 与 4.6 的分数不能与公开 leaderboard 直接对比。

核心技术洞察

洞察一：长时序稳定性成为差异化主战场

Opus 4.7 的卖点不是”单步更强”，而是”跨多小时、多工具、多失败的长时序中不掉链子”：

• Devin：连续工作数小时。
• Notion Agent：tool errors 跌到 1/3，能穿越工具失败继续执行。
• Genspark：loop 发生率下降，“quality-per-tool-call”创新高。
• Factory：跑完验证步骤而不是半途而废。

这些定性指标在常规 benchmark 表格里不容易体现，但它们是真实工业场景的瓶颈。Anthropic 在博客中自述”optimized for sustained reasoning over long runs”（Exa 的 Jeff Wang 引用）——这是把模型训练目标从”单 turn 智能”转向”多 turn 执行一致性”。

洞察二：Tokenizer 升级是”隐形涨价”，但配套了 effort 与 budget 控制

表面看价格未变，但 tokenizer 映射膨胀 1.0–1.35× 意味着同样一段输入，真实账单上升 0–35%。同时高 effort 档位会让输出 token 进一步上升。官方给出的对冲：

• xhigh 档位让你在 high 和 max 之间选一个更合身的点，而不是被迫一跳到顶。
• task budgets beta 让你在 Agent 长流程中压住总预算。
• 在 prompt 中直接要求简洁。

对理性的成本优化者，这是从”买模型质量”走向”买单位任务质量”的一次迁移——你必须在真实流量上重新测成本。

洞察三：视觉能力飞跃来自分辨率上限解锁

图像长边从过去的 ~800 px 级别跳到 2,576 px，像素数从 ~0.6 MP 级别跳到 ~3.75 MP（官方措辞”more than three times as many as prior Claude models”）。配合 XBOW 的 98.5% 视觉精度，这条升级解锁了：

• 读密集截屏的 Agent（computer-use）。
• 化学结构、专利图、技术示意图（Solve Intelligence 引用）。
• 法律 / 科学领域里”像素即信息”的工作流。

但要注意：高分辨率图像 = 更多视觉 token。脚注里 Anthropic 明确建议”不需要额外精度时先 downsample”。

洞察四：安全设计走向”分层差分削弱”

Anthropic 在 Opus 4.7 的训练中主动差分削弱 cyber 能力，并给 Opus 4.7 增加了”检测并拦截高风险 cyber 请求”的 safeguards。这是一种与 Mythos 并行的产品策略：

• Mythos Preview：能力最强、对齐最好，但限量发布。
• Opus 4.7：能力次一级、cyber 被差分削弱、带自动拦截 safeguards——成为”前线安全试验田”。
• Cyber Verification Program：把正规 pen-test / red-team 用户显式白名单化。

这和 2025 年只是靠”更好的 RLHF”相比，是产品维度上更工程化的安全分层。

洞察五：指令遵循严格化是一次”隐式破坏性变更”

“Opus 4.7 takes the instructions literally”听起来是好消息，但对已经上生产的 prompt 工程来说意味着：

• 旧 prompt 中靠”模型自动放宽”运作的部分会失效。
• 你之前在 harness 里”防守式叠加要求”的写法可能被字面执行，导致意外副作用。
• 需要回归性测试整个 prompt / tool schema 工作流，这点和 tokenizer 膨胀一起构成本次升级最大的”隐藏成本”。

实践指南

你现在应该做什么

1. 小规模流量灰度

Anthropic 官方建议”在真实流量上测量差异”。在把 Opus 4.6 的主流量切到 4.7 之前：

• 选一组代表性任务（长 prompt + 长输出、工具调用密集、视觉密集），各跑 50–200 例。
• 同时测 token 使用量、延迟、成功率。
• 重点关注：tokenizer 膨胀对 input 成本的具体影响（1.0–1.35× 之间不同内容类型不一样）。

2. Effort 档位选择

官方建议：“编码 / agentic 场景从 high 或 xhigh 起步”；Claude Code 默认已经是 xhigh。实操策略：

• 对”最硬、失败代价高”的任务，直接 xhigh 或 max。
• 对”中等难度、吞吐敏感”的任务，试试 xhigh vs high——Hex 的反馈是 low-effort Opus 4.7 ≈ medium-effort Opus 4.6，意味着你可能可以降档省成本。
• 使用 task budgets（公开 beta）在长流程中压预算上限，避免模型”思考过度”。

3. 重新审视你的 prompt

既然 Opus 4.7 更字面执行：

• 删掉 prompt 里那些”兜底地追加”的指令，避免它们被叠加执行。
• 检查系统 prompt 中有没有自相矛盾的条款（旧模型会忽略，4.7 会挑一条严格执行）。
• 在多语言场景里确认语言约束没被字面过执行（比如”用中文”会不会让英语代码注释也被翻译）。

4. 图像工作流

• 如果你原来手动 downsample 过的图像现在需要更高保真度，直接发原图。
• 如果你不需要额外精度，显式在客户端 downsample，否则 token 成本会悄悄上升。
• 高分辨率图像尤其适合：computer-use Agent 看截屏、解析复杂图表、生命科学 / 法律图表。

5. Claude Code 用户特别注意

• 默认 effort 已升到 xhigh。如果你的工作流偏”短、多轮、低成本”，考虑手动降到 high。
• 试 /ultrareview——Pro / Max 各送 3 次。把它用在 PR 规模的 change 上效果最明显（对应 CodeRabbit 引用”recall +10%“、Qodo 引用”抓到其他模型漏掉的 race condition”）。
• Max 用户可以开 auto 模式——适合长任务，“比跳过所有 permission 风险更低”。

6. 成本监控要加两个指标

• 每任务平均 input tokens 变化率（tokenizer 膨胀反映在这里）。
• 每任务平均 output tokens 变化率（effort 档位提升反映在这里）。

这两个会直接构成你真实账单的环比变化，必须单独监控。

你现在不应该做的事

• 不要默认所有老 prompt 都能直接迁过来。尤其是跑了半年以上的自动化流程，先灰度。
• 不要盲目上 max effort。输出 token 会显著上升，但在很多任务上 xhigh 就已经是最佳性价比。
• 不要把 cyber 用例直接切过去——Opus 4.7 有自动拦截 safeguards，正规 security 研究走 Cyber Verification Program，否则会踩 block。

横向对比

vs Opus 4.6（直系前代）

vs Mythos Preview（家族内上位模型）

战略含义：Mythos Preview 是”实验室里最好的一瓶酒”，Opus 4.7 是”第一批进货到超市的量产款”。

vs GPT-5.4 / Gemini 3.1 Pro

原文脚注明确：“For GPT-5.4 and Gemini 3.1 Pro, we compared against the best reported model version available via API in the charts and table.” 公开正文里可引用的直接对比只有两个定性点：

• CodeRabbit：Opus 4.7 “比 GPT-5.4 xhigh 更快一点”。
• Warp 等多家伙伴都将 Opus 4.7 描述为”market-leading”或”state-of-the-art”编码模型（未直接对比绝对数值）。

换言之：Anthropic 不靠”我们赢了 GPT”做头条，核心对比锚点始终是 Opus 4.6，这也是本次升级对当前 Opus 用户最负责任的做法。

vs Sonnet 4.6（同门下位模型）

正文只提到 93 题编码基准上”含 4 题 Opus 4.6 与 Sonnet 4.6 都解不出”。没有给出更多直接 Sonnet 4.6 对比。可以推断 Opus 4.7 是在”最难的任务”上进一步拉开了 Opus 与 Sonnet 的质量分层。

批判性分析

① 价格没变，但”单位任务成本”几乎一定上升

Anthropic 以”价格不变”作为叙事锚点，但真实成本由三条路径上升：

1. tokenizer 膨胀：同一输入多 0–35% token。
2. effort 更深：尤其后续 turn 的 output 变多。
3. 视觉高分辨率：图像 token 随像素上升。

官方给的救赎方案是”task budgets + effort 参数 + prompt 简洁化”——这些都要求用户侧重新投入 prompt / harness 工程。对企业客户尤其是”按月发票敏感”的组织，这次升级不是”无痛”的。

② “Users should re-tune their prompts” 是一次隐式破坏性变更

更严格的指令遵循往往被包装成绝对的好消息，但它实际上打破了老 prompt 里**“模型会帮我兜着”**的惯性。这意味着：

• 生产环境中大量 prompt 需要回归测试。
• 某些依赖”模糊字面”的 prompt 会触发意外行为。
• Vercel 提到”模型开始在动工前证明 systems code”——这既是能力，也是延迟和 token 开销增加的来源。

这些是有代价的”更好”。Anthropic 诚实地写了这一段，但用户需要正视它。

③ 合作伙伴引用的选择性偏差

28 条引用全部来自 early-access 合作伙伴——他们由 Anthropic 选择，且几乎全部在博客里用于正面宣传。这意味着：

• 我们几乎看不到”没升级”或”反而退步”的场景被公开披露。
• Replit 的”same quality at lower cost”、Hex 的”low-effort 4.7 ≈ medium-effort 4.6” 是最值得信的定量信号，因为它们直接指向相同任务、更低 effort，而不是定性赞美。
• 评估”非理想对齐行为”的细节（比如”overly detailed harm-reduction advice on controlled substances”这类弱化）在合作伙伴引用里完全看不到——要读 System Card 才能拼出全貌。

④ 视觉能力的提升是”解锁”还是”改善”需要更严格验证

XBOW 的 98.5% vs 54.5% 是一个极其戏剧性的跳跃。它背后可能有两种不同含义：

• 能力层面的突破：更深的视觉推理。
• 输入层面的解锁：仅仅因为现在能看到 3.75 MP 的图像，原先因为分辨率受限失败的任务现在自然通过。

官方没有把两者拆开。这意味着在你自己的视觉任务上，得先评估你的图像是否真的被分辨率卡过——如果之前从未卡过，Opus 4.7 的视觉收益可能远不如 XBOW 那样夸张。

⑤ Cyber safeguards 的”误拦截”尚未有数据

Opus 4.7 是 Anthropic 第一个带”自动拦截高风险 cyber 请求”safeguards 的模型。正文没有给出 false positive 率。对正规安全研究（vulnerability research、pen-test、red-team）用户，唯一的正路是加入 Cyber Verification Program——这意味着：

• 默认模型对一部分合法 security 任务会出现”保守拒答”。
• 拿不到 CVP 的独立研究者和小团队可能被迫回退到更弱模型。
• 这是一次”安全能力差分”的产品化尝试，长期效果需要观察。

⑥ Mythos Preview 的缺席与 Opus 4.7 的”顶点错觉”

Opus 4.7 在本文里几乎被描述为”当前最强工程模型”，但它不是 Anthropic 手里最强的模型。一旦 Mythos 全面发布，Opus 4.7 的”顶端地位”会立即重排。这提醒使用者：

• 现在基于 Opus 4.7 做的架构决策，要为 Mythos GA 留升级余地。
• 不要把”Opus 4.7 = 天花板”写进合同或者架构设计。

⑦ 长时序任务的”感性”与”定量”之间的鸿沟

很多合作伙伴对 Opus 4.7 的最强赞美都是定性的：“工作数小时”、“不放弃”、“graceful error recovery”、“真像一个队友”。这些体验正是长时序 Agent 的核心价值，但也最难被标准化基准捕捉。目前：

• 93 题编码基准、CursorBench、Terminal-Bench 2.0 是结构化但短时的。
• 内部研究 Agent 基准 提到了”长上下文表现最一致”，但 Anthropic 未公开题目。
• GDPval-AA 是第三方的，但覆盖范围未必匹配你所在行业。

这让长时序能力的”可迁移性”判断几乎只能靠自己跑灰度——这正是官方建议”measuring the difference on real traffic”的根源。

写在最后

Opus 4.7 是一次典型的”理性升级”：

• 对已经重度使用 Opus 4.6 的团队：几乎必升。编码、长时序 Agent、视觉、企业文档四个维度的提升都足够清晰，价格不变；只需做好 tokenizer 与 effort 行为变化的成本监控、prompt 的字面执行回归测试。
• 对还在观望 Claude 的团队：这是一个清晰的入口信号——Anthropic 正在把”长时序、严格遵循、工具失败可自愈”作为它的差异化主线，和 OpenAI 的”计算机使用 + 插件生态”、Google 的”Chrome AI Mode + 多模态统一”分别代表三条主流派。
• 对 Anthropic 本身：Opus 4.7 是把 Mythos 的能力 / 对齐工艺安全地”下放”到通用客户群的第一步。接下来的观察点是 Mythos Preview 何时从 preview 走向 GA、Cyber Verification Program 的规模化执行、以及 xhigh / task budgets 这两个新旋钮在真实大客户使用中的反馈。

价格没变，能力变了，token 结构也变了——这次升级的真相藏在你在自己的真实流量上测出的那条曲线里。