Claude Opus 4.7 发布【译】

Claude Opus 4.7 发布【译】 Claude Opus 4.7 发布【译】 Modified April 17 文档推理 长上下文推理 生物学 长期一致性 编码 安全与校准 总体来看，Opus 4.7 与 Opus 4.6 的安全画像大致相似：我们的评估显示，它在欺骗、谄媚以及配合滥用等令人担忧的行为上仍保持较低发生率。在某些维度上，例如诚实性以及对恶意“提示注入”攻击的抵抗能力，Opus 4.7 优于 Opus 4.6；而在另一些维度上，例如它在受控物质问题上给出过于详细 harm reduction 建议的倾向，则略弱一些。我们的对齐评估结论认为，该模型“整体上对齐良好且值得信赖，但其行为仍未达到完全理想状态”。需要说明的是，根据我们的评估，Mythos Preview 仍然是我们训练过的对齐程度最好的模型。关于安全评估的完整细节，可参见 Claude Opus 4.7 System Card。 我们自动化行为审计中的总体失配行为分数。在这项评估中，Opus 4.7 相比 Opus 4.6 和 Sonnet 4.6 有小幅提升，但 Mythos Preview 仍然表现出最低的失配行为发生率。 今日同时发布的更新 除了 Claude Opus 4.7 本身，我们还发布了以下更新： • 更多 effort 控制：Opus 4.7 新增了 xhigh（“extra high”）effort level，位于 high 与 max 之间，让用户在处理复杂问题时能够更细粒度地权衡推理深度与延迟。在 Claude Code 中，我们已经将所有方案的默认 effort level 提升到 xhigh。在测试 Opus 4.7 的编码与 agentic 场景时，我们建议从 high 或 xhigh effort 开始。 • 在 Claude Platform（API）中：除了支持更高分辨率图像外，我们还推出了 public beta 阶段的 task budgets，让开发者可以更好地引导 Claude 的 token 消耗，使其能够在更长时间的运行中合理分配工作优先级。 • 在 Claude Code 中：全新的 /ultrareview slash command 会创建一个专门的审查 session，对改动进行通读，并找出细致审查者通常会发现的 bug 和设计问题。我们为 Pro 和 Max 版 Claude Code 用户提供了 3 次免费的 ultrareview 体验。此外，我们还将 auto mode 扩展到了 Max 用户。Auto mode 是一种新的权限选项，Claude 可以代表你做出决策，从而让你以更少打断完成更长任务，同时相比完全跳过所有权限确认，风险也更低。 从 Opus 4.6 迁移到 Opus 4.7 Opus 4.7 是 Opus 4.6 的直接升级版本，但有两项变化值得提前规划，因为它们会影响 token 使用。第一，Opus 4.7 采用了更新后的 tokenizer，改善了模型处理文本的方式。代价是，同样的输入可能会映射成更多 token，具体大约是 1.0–1.35 倍，取决于内容类型。第二，Opus 4.7 在更高 effort level 下会进行更多思考，尤其是在 agentic 场景的后续轮次里。这提升了它处理困难问题时的可靠性，但也意味着它会产生更多输出 token。 用户可以通过多种方式控制 token 使用，例如使用 effort 参数、调整 task budgets，或者通过 prompt 让模型更简洁。在我们的测试中，整体净效果是正向的：在一项内部编码评估中，各个 effort level 下的 token 使用效率都优于此前版本，如下图所示。不过，我们仍建议你在真实流量中实际测量差异。我们还编写了一份 迁移指南，提供更多从 Opus 4.6 升级到 Opus 4.7 的建议。 这是内部 agentic 编码评估中，不同 effort level 下模型在不同 token 使用量上的得分。在这项评估里，模型从单条用户提示出发自主完成工作，结果不一定能代表交互式编码中的 token 消耗情况。关于如何调优 effort level，请参见 迁移指南。 Claude Opus 4.7 System Card effort level /ultrareview slash command auto mode 迁移指南 迁移指南 文档推理 长上下文推理 生物学 长期一致性 编码 安全与校准 总体来看，Opus 4.7 与 Opus 4.6 的安全画像大致相似：我们的评估显示，它在欺骗、谄媚以及配合滥用等令人担忧的行为上仍保持较低发生率。在某些维度上，例如诚实性以及对恶意“提示注入”攻击的抵抗能力，Opus 4.7 优于 Opus 4.6；而在另一些维度上，例如它在受控物质问题上给出过于详细 harm reduction 建议的倾向，则略弱一些。我们的对齐评估结论认为，该模型“整体上对齐良好且值得信赖，但其行为仍未达到完全理想状态”。需要说明的是，根据我们的评估，Mythos Preview 仍然是我们训练过的对齐程度最好的模型。关于安全评估的完整细节，可参见 Claude Opus 4.7 System Card。 Claude Opus 4.7 System Card 我们自动化行为审计中的总体失配行为分数。在这项评估中，Opus 4.7 相比 Opus 4.6 和 Sonnet 4.6 有小幅提升，但 Mythos Preview 仍然表现出最低的失配行为发生率。 今日同时发布的更新 除了 Claude Opus 4.7 本身，我们还发布了以下更新： • 更多 effort 控制：Opus 4.7 新增了 xhigh（“extra high”）effort level，位于 high 与 max 之间，让用户在处理复杂问题时能够更细粒度地权衡推理深度与延迟。在 Claude Code 中，我们已经将所有方案的默认 effort level 提升到 xhigh。在测试 Opus 4.7 的编码与 agentic 场景时，我们建议从 high 或 xhigh effort 开始。 effort level • 在 Claude Platform（API）中：除了支持更高分辨率图像外，我们还推出了 public beta 阶段的 task budgets，让开发者可以更好地引导 Claude 的 token 消耗，使其能够在更长时间的运行中合理分配工作优先级。 • 在 Claude Code 中：全新的 /ultrareview slash command 会创建一个专门的审查 session，对改动进行通读，并找出细致审查者通常会发现的 bug 和设计问题。我们为 Pro 和 Max 版 Claude Code 用户提供了 3 次免费的 ultrareview 体验。此外，我们还将 auto mode 扩展到了 Max 用户。Auto mode 是一种新的权限选项，Claude 可以代表你做出决策，从而让你以更少打断完成更长任务，同时相比完全跳过所有权限确认，风险也更低。 /ultrareview slash command auto mode 从 Opus 4.6 迁移到 Opus 4.7 Opus 4.7 是 Opus 4.6 的直接升级版本，但有两项变化值得提前规划，因为它们会影响 token 使用。第一，Opus 4.7 采用了更新后的 tokenizer，改善了模型处理文本的方式。代价是，同样的输入可能会映射成更多 token，具体大约是 1.0–1.35 倍，取决于内容类型。第二，Opus 4.7 在更高 effort level 下会进行更多思考，尤其是在 agentic 场景的后续轮次里。这提升了它处理困难问题时的可靠性，但也意味着它会产生更多输出 token。 用户可以通过多种方式控制 token 使用，例如使用 effort 参数、调整 task budgets，或者通过 prompt 让模型更简洁。在我们的测试中，整体净效果是正向的：在一项内部编码评估中，各个 effort level 下的 token 使用效率都优于此前版本，如下图所示。不过，我们仍建议你在真实流量中实际测量差异。我们还编写了一份 迁移指南，提供更多从 Opus 4.6 升级到 Opus 4.7 的建议。 迁移指南 这是内部 agentic 编码评估中，不同 effort level 下模型在不同 token 使用量上的得分。在这项评估里，模型从单条用户提示出发自主完成工作，结果不一定能代表交互式编码中的 token 消耗情况。关于如何调优 effort level，请参见 迁移指南。 迁移指南 🔗 原文链接： https://www.anthropic.com/news/claude opus 4 7 我们的最新模型 Claude Opus 4.7 现已正式可用。 在高级软件工程能力上，Opus 4.7 相比 Opus 4.6 有了显著提升，尤其是在最困难的任务上进步更明显。用户反馈称，他们现在可以更放心地把最棘手的编码工作交给 Opus 4.7 处理，这类工作在过去往往仍需要密切监督。Opus 4.7 在处理复杂、长时运行的任务时更加严谨稳定，能够精准遵循指令，并且会在给出结果前主动设计验证步骤来检查自己的输出。 这个模型的视觉能力也有了大幅提升：它能够以更高分辨率查看图像。在执行专业任务时，它的审美和创造性也更出色，能产出质量更高的界面、幻灯片和文档。并且，虽然它的综合能力仍不如我们最强大的模型 Claude Mythos Preview，但在一系列基准测试中，它依然全面优于 Opus 4.6： 上周，我们发布了 Project Glasswing，重点讨论了 AI 模型在网络安全领域带来的风险与收益。我们当时表示，会先将 Claude Mythos Preview 的发布范围控制在有限范围内，并优先在能力较弱的模型上测试新的网络安全防护措施。Opus 4.7 就是第一款这样的模型：它的网络安全能力不如 Mythos Preview 那样先进（事实上，在训练过程中，我们还尝试过定向削弱这部分能力）。我们在发布 Opus 4.7 时同步加入了安全防护，会自动检测并拦截那些表明存在被禁止或高风险网络安全用途的请求。我们从这些防护在真实世界部署中的经验中获得的结论，将帮助我们朝着最终更广泛发布 Mythos 级模型的目标推进。 Project Glasswing 希望将 Opus 4.7 用于合法网络安全用途的安全专业人士，例如漏洞研究、渗透测试和红队演练，欢迎加入我们的新项目 Cyber Verification Program。 Cyber Verification Program 从今天开始，Opus 4.7 已在所有 Claude 产品和我们的 API、Amazon Bedrock、Google Cloud Vertex AI 以及 Microsoft Foundry 上线。定价与 Opus 4.6 保持一致：每百万输入 token 5 美元，每百万输出 token 25 美元。开发者可以通过 Claude API 使用 claude opus 4 7。 Claude API 测试 Claude Opus 4.7 Claude Opus 4.7 获得了早期体验测试者的高度评价： 在早期测试中，我们看到 Claude Opus 4.7 有潜力为开发者带来一次显著飞跃。它会在规划阶段主动发现自己的逻辑错误，并大幅加速执行，这一点远超此前的 Claude 模型。作为一个面向数百万消费者和企业、且具备大规模服务能力的金融科技平台，这种速度与精度的结合可能会带来颠覆性的影响：它可以提升开发效率，更快交付客户每天都依赖的可信金融解决方案。 Anthropic 已经为代码模型设定了行业标准，而 Claude Opus 4.7 又在这个基础上向前推进了一大步，成为当前市场上真正意义上的 SOTA 模型。在我们的内部评测中，它突出的不仅是原始能力，更在于它对真实世界异步工作流的处理能力，例如自动化、CI/CD 和长时运行任务。它也会更深入地思考问题，给出更有主见的判断，而不是一味附和用户。 Claude Opus 4.7 是 Hex 评测过最强的模型。它会在数据缺失时如实说明，而不是给出听起来合理但其实错误的替代答案；它也能避开那些连 Opus 4.6 都会踩中的“矛盾数据陷阱”。它就像一个更聪明、效率更高的 Opus 4.6：低 effort 的 Opus 4.7，大致就相当于中等 effort 的 Opus 4.6。 在我们的 93 项编码基准测试中，Claude Opus 4.7 相比 Opus 4.6 将问题解决率提升了 13%，其中还包括 4 个此前 Opus 4.6 和 Sonnet 4.6 都无法解决的任务。再结合更低的中位延迟和更严格的指令遵循能力，这对复杂、长链路的编码工作流尤其有意义。它显著减少了多步骤任务中的摩擦，让开发者能够保持心流，把注意力集中在构建本身。 基于我们的内部研究代理 benchmark，Claude Opus 4.7 在多步骤任务上的效率基线是我们目前见过最强的。它在六个模块上的总分并列第一，达到 0.715，并且是我们测试过所有模型里长上下文表现最稳定的。在 General Finance 这个最大模块上，它相较 Opus 4.6 有明显提升，得分从 0.767 提高到 0.813，同时还展现出该组里最好的披露意识和数据纪律。在演绎逻辑这一 Opus 4.6 相对薄弱的领域，Opus 4.7 的表现也很稳健。 Claude Opus 4.7 把模型在调查与执行任务上的能力边界继续往前推了一步。Anthropic 显然针对长时运行中的持续推理做了优化，这一点从它的市场领先表现中体现得很明显。随着工程师从与单个 agent 一对一协作，转向并行管理多个 agent，这正是能够解锁全新工作流的前沿能力。 我们看到 Claude Opus 4.7 在多模态理解上的提升非常明显，从读取化学结构图到解读复杂技术图表都更强了。更高的分辨率支持正在帮助 Solve Intelligence 打造生命科学专利工作流中的一流工具，覆盖从撰写、审查到侵权检测和无效性图表分析等多个环节。 Claude Opus 4.7 在 Devin 中把长时自治能力提升到了一个新层级。它可以连贯地工作数小时，在困难问题前不会轻易放弃，并解锁了一类我们此前无法稳定运行的深度调查任务。 对 Replit 来说，升级到 Claude Opus 4.7 几乎没有犹豫。对于用户每天实际在做的工作，我们观察到它能够以更低成本达到同样质量，在分析日志和链路、发现 bug、提出修复方案这类任务上更高效也更精确。就我个人而言，我很喜欢它在技术讨论中会反驳我、推动我做出更好的决策。它真的更像一个靠谱的同事。 在 Harvey 的 BigLaw Bench 上，Claude Opus 4.7 展现出很强的实体准确性，在高 effort 设置下得分达到 90.9%，在审阅表格时的推理校准更好，在处理存在歧义的文档编辑任务时也明显更聪明。它能够正确区分 assignment provision 和 change of control provision，这一直是前沿模型比较容易出错的任务。我们整体评估下来，内容质量始终是它的强项：正确、全面，而且引用充分。 Claude Opus 4.7 是一个非常令人印象深刻的代码模型，尤其体现在它的自治能力和更具创造性的推理上。在 CursorBench 上，Opus 4.7 带来了实打实的能力跃升，通过率达到 70%，而 Opus 4.6 是 58%。 对复杂的多步骤工作流而言，Claude Opus 4.7 的提升非常明确：相较 Opus 4.6，效果提升 14%，使用的 token 更少，工具错误只有原来的三分之一。它是第一个通过我们隐式需求测试的模型，而且在面对工具失败时仍能继续执行，不会像以前那样中断。这种可靠性的跃升，让 Notion Agent 真正开始像一个团队伙伴。 在我们的评测中，核心编排型 agent 在工具调用准确性和规划能力上都实现了两位数增长。随着用户借助 Hebbia 去规划和执行信息检索、幻灯片生成、文档生成等任务，Claude Opus 4.7 显示出提升这些工作流中 agent 决策能力的巨大潜力。 在 Rakuten SWE Bench 上，Claude Opus 4.7 解决的生产任务数量是 Opus 4.6 的 3 倍，Code Quality 和 Test Quality 都实现了两位数增长。这是一次非常有意义的提升，也是我们团队日常工程交付中的一次明确升级。 对 CodeRabbit 的代码审查工作负载而言，Claude Opus 4.7 是我们测过最敏锐的模型。Recall 提升了 10% 以上，在最复杂的 PR 中也能挖出一些最难发现的 bug，而 precision 在覆盖面提升的同时仍然保持稳定。在我们的 harness 上，它还比 GPT 5.4 xhigh 略快一点，我们准备在发布时把它直接用于最重型的审查任务。 对 Genspark 的 Super Agent 来说，Claude Opus 4.7 在三个最重要的生产级指标上表现突出：抗循环能力、一致性，以及优雅的错误恢复能力。抗循环最关键。一个在 18 个查询里就有 1 个会无限循环的模型，会浪费大量算力，也会阻塞用户。更低的方差意味着线上更少意外。而 Opus 4.7 实现了我们测过最高的“单次工具调用质量比”。 对 Warp 而言，Claude Opus 4.7 是一次很有意义的升级。Opus 4.6 已经是开发者场景里最好的模型之一，而这个新模型在此基础上又明显更全面。它通过了此前 Claude 系列没能通过的 Terminal Bench 任务，还解决了一个 Opus 4.6 无法攻克的棘手并发 bug。对我们来说，这就是最明确的信号。 Claude Opus 4.7 是目前世界上构建仪表盘和数据密集型界面最强的模型。它的设计审美好到令人意外，做出的选择是真正让我愿意上线的那种。现在它已经成了我日常默认使用的主力模型。 在 Quantium 的测试中，Claude Opus 4.7 是我们评估过最有能力的模型。通过我们的专有 benchmark 与主流 AI 模型对比后，提升最显著的地方恰恰也是最关键的地方：推理深度、结构化问题建模，以及复杂技术任务。更少的纠错、更快的迭代、更强的输出，足以应对客户带来的最难问题。 Claude Opus 4.7 给人的感觉是真正智能水平上的一次升级。代码质量明显更好了，那些过去容易堆积起来、毫无意义的包装函数和兜底脚手架代码大幅减少，还会在生成过程中自己修正代码。这是我们自 Sonnet 3.7 升级到 Claude 4 系列以来看到过最干净的一次跃迁。 对 XBOW 自动化渗透测试核心依赖的 computer use 场景来说，全新的 Claude Opus 4.7 带来了断层式提升：我们的视觉敏锐度 benchmark 上，它达到 98.5%，而 Opus 4.6 只有 54.5%。过去 Opus 最大的痛点几乎消失了，也因此解锁了一大类此前无法使用它的工作场景。 对 Vercel 而言，Claude Opus 4.7 是一次没有回归问题的稳定升级。它在一次性编码任务上表现惊人，比 Opus 4.6 更正确、更完整，对自身能力边界也明显更诚实。它甚至会在开始写系统代码之前先做 proof，这种行为是我们此前在 Claude 模型中从未见过的。 对 Factory Droids 来说，Claude Opus 4.7 是一次扎实的升级，相比 Opus 4.6，任务成功率提升了 10% 到 15%，工具错误更少，在验证步骤上的执行也更可靠。它能把事情完整做完，而不是做到一半就停下，这正是企业工程团队所需要的。 Claude Opus 4.7 曾自主从零构建出一个完整的 Rust 文本转语音引擎，包括神经网络模型、SIMD kernel 和浏览器 Demo；之后它还将自己的输出再送进语音识别器，验证其是否与 Python 参考实现一致。这相当于数月资深工程师的工作量，而且是完全自主完成的。相较 Opus 4.6，这次进步非常明确，代码库也已公开。 Claude Opus 4.7 通过了此前 Claude 模型都没能通过的 3 个 TBench 任务，还修复了我们之前最佳模型遗漏的问题，其中包括一个 race condition。它在识别真实问题时展现出很强的精度，还会指出其他模型要么放弃、要么无法解决的重要发现。在 Qodo 的真实世界代码审查 benchmark 中，我们观察到它具备第一梯队的 precision。 在 Databricks 的 OfficeQA Pro 上，Claude Opus 4.7 在文档推理方面表现明显更强，处理源信息时的错误率比 Opus 4.6 低了 21%。在我们围绕数据进行的各项 agentic 推理基准测试里，它是目前面向企业文档分析表现最好的 Claude 模型。 对 Ramp 来说，Claude Opus 4.7 在 agent 团队协作工作流中表现突出。我们看到它在角色一致性、指令遵循、协同能力和复杂推理上都更强，尤其是在跨工具、跨代码库以及带调试上下文的工程任务里。相比 Opus 4.6，它几乎不再需要那种一步一步的细粒度引导，这让我们可以更大规模地扩展工程团队内部运行的 agent 工作流。 对 Bolt 的长时运行应用构建任务而言，Claude Opus 4.7 明显优于 Opus 4.6，在最佳场景下可提升 10%，而且没有我们通常在高度 agentic 模型上见到的回退问题。它进一步抬高了用户在单次 session 中能够真正交付成果的上限。 以下是我们在 Opus 4.7 早期测试中的一些亮点与备注： • 指令遵循。Opus 4.7 在遵循指令方面有了显著提升。有意思的是，这意味着为早期模型编写的提示词现在有时反而会产生出乎意料的结果：以前的模型可能会宽松理解指令，或者直接跳过其中一部分，而 Opus 4.7 则会按字面严格执行。因此，用户应当相应地重新调优自己的 prompts 和 harnesses。 • 多模态支持增强。Opus 4.7 在高分辨率图像上的视觉能力更强：它可以接受长边最高 2,576 像素（约 375 万像素）的图像，容量是以往 Claude 模型的三倍以上。这为许多依赖精细视觉细节的多模态场景打开了空间，例如 computer use agent 读取密集截图、从复杂图表中提取数据，以及那些需要像素级精确参照的任务。1 • 真实世界工作。除了在 Finance Agent evaluation 上达到当前最佳成绩（见上表）外，我们的内部测试还显示，Opus 4.7 比 Opus 4.6 更像一个高效的金融分析师，能够产出更严谨的分析与模型、更专业的演示材料，以及跨任务更紧密的一体化协同。Opus 4.7 还在 GDPval AA 上达到当前最佳成绩。这是一个第三方评测，主要衡量在金融、法律等领域具备经济价值的知识工作表现。 GDPval AA • 记忆。Opus 4.7 更擅长使用基于文件系统的记忆机制。它能在跨越多个 session 的长期工作中记住关键笔记，并据此继续推进新任务，从而减少对前置上下文的依赖。 下方图表展示了我们在发布前测试中得到的更多评测结果，覆盖多个不同领域： 办公任务 视觉