当地时间4 月 16 日，Anthropic 正式发布新一代旗舰模型 Claude Opus 4.7。该公司将其定位为"迄今能力最强的通用可用模型"，标志着人工智能行业竞争焦点的决定性转变——从追求对话流畅性转向考核自主任务执行能力。
与两个月前发布的 Opus 4.6 相比，新版本专为Agentic工作流设计，即需要 AI 在较长时间内独立运行、仅需少量人类干预的复杂任务。此次更新优先提升高分辨率视觉感知、复杂多步软件工程链稳定性，以及长上下文检索能力，而非单纯追求推理深度（官方博客地址：https://www.anthropic.com/news/claude-opus-4-7）。
值得注意的是，Anthropic 在发布 Opus 4.7 的同时坦诚表示，这并非其最强模型——能力更强的 Claude Mythos Preview 仍处于受限测试阶段。
视觉智能突破与长上下文瓶颈攻克
在企业级应用场景的基准测试中，Opus 4.7 与主要竞争对手的性能差距进一步拉大。在 OfficeQA Pro 评测中——该评测由 Databricks 开发，要求模型解析近 9 万页美国财政部历史文件（涵盖近 100 年公报、2600 万个数字）——Opus 4.7 取得 80.6% 的得分。这一结果几乎是谷歌 Gemini 3.1 Pro（42.9%）的两倍，并大幅领先于 GPT-5.4（51.1%）。数据显示，Anthropic 已在长上下文检索的关键瓶颈上取得突破。
在 BFS 1M 测试中——该测试由 OpenAI 设计，将一张有向图用边列表塞满 100 万 token 上下文，要求模型进行图遍历——Opus 4.7 从 Opus 4.6 的 41.2% 提升至 58.6%，提升幅度达 17.4 个百分点。这项指标被视为衡量 AI 智能体（Agent）跑多步骤长任务的硬性指标。在 Vending-Bench 2 模拟经营测试中，Opus 4.7 最终实现 10,937 美元余额，较 Opus 4.6 的 8,018 美元提升 36%，展现出长时间工作流中的决策连贯性优势。
视觉智能是此版本进步最为显著的方面。
Opus 4.7 现在支持最长边达 2,576 像素的图像输入，分辨率约 375 万像素，较前代提升超过三倍。这使得模型能够"看到"屏幕上占比低至 0.07% 的 UI 元素。在 ScreenSpot-Pro 基准测试中——该基准评估 AI 在 VSCode、Photoshop、AutoCAD 等专业软件中定位特定按钮或数据点的能力——Opus 4.7 在高分辨率模式下配合工具调用功能达到 87.6% 的成功率，而 Opus 4.6 在低分辨率下仅为 57.7%。
这种精确度不再是单纯的学术探索，而是"电脑使用"（Computer Use）能力的前提。Anthropic 将图像分辨率大幅提升的本质目的，是让 AI 能够看懂软件界面、密集表格、终端输出、设计稿细节和代码截图。
未来 AI 办公、AI 测试、AI 安全、AI 前端开发等任务，都将从纯文本任务转向屏幕任务。在 SWE-bench Multimodal 测试中——该测试要求模型结合 UI 截图和代码一起修复前端 JavaScript bug——Opus 4.7 从 Opus 4.6 的 27.1% 提升至 34.5%，提升 7.4 个百分点。这表明视觉能力的升级直接服务于编程场景的实际需求。
Anthropic 在官方公告中特别强调，Opus 4.7 在指令遵循能力上出现显著提升。过往模型可能会宽松地"糊弄"指令或完全跳过部分指示，但 Opus 4.7 会严格按字面意思执行指令。
这一变化带来双重影响：一方面，它减少了提示词"玄学"，使写需求、定格式、列限制条件变得更加可靠；另一方面，用户可能需要重写旧的、更偏对话式的提示词以避免意外输出。许多用户的提示词是在旧模型"会自动补全真实意图"的习惯上调优出来的，而新模型的刚性可能导致这些旧提示词失效。
在高级软件工程领域，这种严谨性转化为显著提升。在 SWE-bench Verified 测试中，Opus 4.7 得分为 87.6%，Opus 4.6 为 80.8%；在更难的 SWE-bench Pro 测试中，Opus 4.7 为 64.3%，Opus 4.6 为 53.4%。这意味着用户可以将过去需要密切监督的高难度编码工作交给 Opus 4.7 处理，它会在汇报结果前主动验证自身输出。
Opus 4.7 在使用基于文件系统的记忆方面表现更为出色。它能在长时间、多会话的工作中记住重要笔记，并将其用于开展新的任务，因此新任务需要更少的前置上下文。一个能跨会话记住项目约束、用户偏好、架构决策和上次失败原因的 Agent，才可能从"聪明临时工"变成"稳定同事"。这一特性在官方公告中并不显眼，但可能是长期使用中最关键的更新。
伴随 Opus 4.7 发布，Anthropic 还更新了 Claude Code，新增 auto mode 和/ultrareview 功能。auto mode 不是模型自动选型，而是权限选项。它允许 Claude 替用户做一些权限决策，让长任务少被打断，但风险低于完全跳过权限确认。
这个设计针对的是 Agent 产品的核心矛盾：问太多，Agent 像实习生；不问，风险又太大。auto mode 的本质，就是在"别烦我"和"别乱来"之间找平衡。/ultrareview 是一个专门的代码审查会话，可读取变更并指出 bug 和设计问题。
这标志着 AI 编程正式进入第二阶段：让 AI 自己审查 AI 自己生成的代码。生成代码只是开发流程的一部分，审查、测试、重构、文档同样重要。如果 AI 只能做第一步，它永远只是辅助工具；如果它能参与整个流程，它才可能真正改变软件开发的方式。
专业领域的经济价值正加速释放
在 Structural Biology（结构生物学）基准测试中，Opus 4.7 的推理得分从 Opus 4.6 的 30.9% 跃升至 74.0%，一次版本迭代实现 2.4 倍增长。这是所有基准测试中跃升最夸张的一项。这种分子推理能力的突破表明，该模型正在从通用辅助迈向专业科学研究领域。对于更广泛的劳动力市场而言，模型改进后的指令遵循能力意味着在短时间内它更不容易产生"幻觉"或遗漏步骤。
在金融分析领域，Opus 4.7 同样取得领先地位。在 Finance Agent v11 测试中，Opus 4.7 得分为 64.4%，Opus 4.6 为 60.1%。在 GDPval-AA 评估中——该评估由 Artificial Analysis 基于 OpenAI GDPval 数据集开发，覆盖 44 种知识工作职业、9 大 GDP 核心行业，任务来自资深职业人士（平均 14 年经验）的真实交付物——Opus 4.7 获得 1753 分的 Elo 评分，高于 Opus 4.6（1619 分）、GPT-5.4（1674 分）和 Gemini 3.1 Pro（1314 分）。
Anthropic 介绍称，Opus 4.7 在金融分析任务上能够生成更严谨的分析与建模、更专业的报告展示，并在各项任务间实现更紧密的整合。
在发布 Opus 4.7 的同时，Anthropic 推出了一份系统说明书并更新了 Cyber Verification Program（网络安全验证计划）。该项目本质上是对能力进行分级：普通用户拿到的是有护栏的 Opus，经过验证的安全专家才能申请更宽的网络安全用途权限。值得注意的是，Anthropic 有意限制了 Opus 4.7 的高级网络安全能力，使其低于 Mythos Preview 模型中的水平，以防止在进攻性操作中的滥用。官方甚至表示，他们在训练过程中实验性地削弱了这个模型的网络安全能力。
Opus 4.7 被明确定位为"第一款用来测试新网络安全护栏的公开模型"。Anthropic 表示，他们会从 Opus 4.7 的真实部署中学习，为未来 Mythos 级别模型的广泛发布做准备。这种谨慎的部署策略凸显了硅谷日益增长的紧张关系：在争相打造能够替代人类工作者的模型的同时，也要确保同一模型无法摧毁数字基础设施。当模型能力达到某个临界点后，竞争逻辑从"我比你强"开始转向"会不会出事"。
特朗普政府最近强调美国在 AI 安全方面需要发挥领导作用，Anthropic 的发布策略正是对这一政策导向的呼应。公司选择先把最强的模型锁起来，用稍弱但足够好的模型来测试安全机制。这不是技术上做不到，而是主动选择不做。这种"克制"本身成了产品差异化的一部分。至少在发布策略上，Anthropic 给出了一种新思路：有时候"不做什么"比"能做什么"更重要。
Token 消耗激增背后的成本逻辑
效率也意味着实实在在的成本。
Opus 4.7 使用了修订后的分词器（tokenizer），使得相同输入量下的 token 消耗大约增加了 10% 到 35%。虽然 Anthropic 在定价上与 Opus 4.5 和 Opus 4.6 保持一致（输入每百万 token 5 美元，输出每百万 token 25美元），但 token 密度的增加意味着高强度任务将更快消耗 API 积分。
这种隐性成本上涨是模型增加"思考"时间的代价。尤其在使用新的 Xhigh Effort 模式时——该模式位于标准处理与最大推理深度之间——模型会进行更多内部推理，从而提高可靠性，但也会产生更多输出 token。Anthropic 在迁移指南中提醒用户，Opus 4.7 的 token 使用可能增加，但在实际编程评估中，整体效率反而提升了。
这说明他们优化的不是单次调用的成本，而是完成任务的总成本。一个 Agent 如果第一次就把事情做对，即使单次调用贵一点，总成本也比反复试错要低。这是一种更成熟的产品思路。早期 AI 产品追求的是"便宜"和"快"，现在开始追求"靠谱"。
Anthropic 新增的 x-high effort 和 task budgets（任务预算）功能，说明高端模型的使用方式正在走当年云计算的那套逻辑。用户买的不是一次回答，而是在给一个会思考、会试错、会验证的任务过程付费。
过去模型计费主要看输入输出长度，现在还要看思考的等级、任务预算、Agent 跑了几轮、工具失败后有没有继续推理。这种计费模式的演变，反映出 Agent 产品从"能干什么"到"能不能用"的巨大飞跃。
综合来看，Opus 4.7 不是最强的模型，Anthropic 也没有把它包装成最强的模型。它是在能力、安全、成本之间的一个平衡点。至于这个平衡点是否真的平衡，需要等待市场来验证。
可以确定的是，随着 Opus 4.7 的发布，AI 行业竞争的核心指标已经改变。大模型竞争的焦点，正在从答得像不像，转到做得完不完。只会写一段漂亮答案，已经不够了。能不能把一份长文档改干净，能不能把一套资料串起来做成可交付物，能不能持续几十分钟甚至更久不跑偏，这才会决定它在日常工作里能不能真的替人扛起一片天。
这个策略能否成功，取决于市场是否认可"谨慎"这个概念如果用户只在乎"能不能做到"，那 Anthropic 的做法会显得保守但如果企业客户开始重视"会不会出事"，那这种分级发布、主动削弱某些能力的做法，反而可能成为竞争优势作者 | 硅谷Tech_news，编辑 | 秦聪慧）
倍悦网提示：文章来自网络，不代表本站观点。
