返回博客

Opus 4.7 不再卖聪明：推理竞赛悄悄结束了

ClaudeOpusAILLM前沿模型观点
推理已饱和，代理才开赛

# Opus 4.7 不再卖聪明：推理竞赛悄悄结束了

4 月 16 日，Anthropic 发布了 Claude Opus 4.7。

很多人把它读成又一次升级：SWE-bench Verified 从 80.8% 跳到 87.6%，SWE-bench Pro 拿下 64.3%，把 GPT-5.4（57.7%）和 Gemini 3.1 Pro（54.2%）甩开一个身位。

我看到的却是另一件事。

Opus 4.7 是第一个公开放弃"更聪明"这个卖点的前沿模型。

它不是 IQ 暴涨的版本。它是行业集体转弯的那一刻。

一、GPQA 三家并列，推理军备竞赛第一次没了赢家

请注意这一组数字：

模型GPQA Diamond
GPT-5.4 Pro94.4%
Gemini 3.1 Pro94.3%
Claude Opus 4.794.2%

差 0.2 个百分点。三家差距全部落在评测噪声范围内。

GPQA Diamond 是什么？是博士级科学推理题集。2023 年 11 月的水平是 39%，2024 年 9 月 o1 模型 77%，2025 年 7 月 92%。从 39 到 94，只用了不到 30 个月。

现在走不动了。Epoch AI 的研究者说得直白：benchmark 在前沿顶端已接近饱和，任何增量都会非常小。

前沿模型撞到了天花板——不是技术的天花板，是这个具体赛道的天花板。

三家同时冲线

过去三年，每一代旗舰都靠"推理跃迁"当头条：o1、o3、Gemini 2.5、Claude 4、Opus 4.5。从 GPT-4 到 Opus 4.7，那根向上的曲线第一次在顶端趋平。

这不是一次发布，这是一场葬礼。

二、Anthropic 和合作伙伴的话术，整齐得像串通过

看 Opus 4.7 的官方话术和合作伙伴引语：

  • Anthropic：模型"被设计来在数小时长的工作流里保持专注"
  • Cognition（Devin）："works coherently for hours，能在难问题上持续推进"
  • Vercel："开始写代码之前会先对系统代码做证明"
  • Intuit："在规划阶段就抓住自己的逻辑漏洞"
  • Factory：任务成功率提升 10-15%，半途卡住的情况更少

你注意到什么没有？没有一句在讲"更聪明"。

全部在讲一件事：毅力、一致性、长时程不走神。

三年前卖 IQ，现在卖 EQ。不，准确说，是卖"注意力耐力"——能不能一边做事一边不忘事，能不能连续 8 小时不崩溃，能不能先自证再动手。

市场话术的整齐反转，是产业信号。旗舰模型们已经私下换了 KPI。

三、Opus 4.7 自己就是专业化的证据

如果 Opus 4.7 是"更强一点的 Claude"，它应该全线领先。实情不是。

  • SWE-bench Verified：87.6%（全场最高）
  • SWE-bench Pro：64.3%（全场最高）
  • CursorBench：70%（一跃领先）
  • OSWorld-Verified：78.0%（领先 GPT-5.4 的 75%）
  • Terminal-Bench 2.0：69.4%（输给 GPT-5.4 的 75.1%）

同一次发布，同一组评测，Opus 4.7 在"改仓库代码"上领先，在"开 shell 跑终端"上落后。

这不是 bug，这是定位。

Anthropic 押注长时程代码 agent这条赛道——多文件、多步、有计划、能自我纠错。代价就是放弃 Terminal-Bench 这种以短指令为核心的评测。

过去我们挑模型是"谁更聪明"。从今天起，挑模型是"谁的专业方向和我对得上"。

通才冠军时代结束了。

还有更硬的证据。Anthropic 在训练 Opus 4.7 时，刻意调低了它的网络安全能力。这在前沿模型发布史上是头一次——不是"我们只能做到这么强"，而是"我们故意让它在这个方向不那么强"。

因为 Anthropic 手里还捏着一个没发布的模型：Mythos Preview。那个模型在过去几周里找出了 OpenBSD 里存活 27 年的远程崩溃漏洞、FFmpeg 里 16 年没人发现的老洞、Linux 内核里能把普通用户权限升到完全控制的漏洞链。它的 API 价格是 $25/$125，是 Opus 4.7 的整整 5 倍。

所以这次发布的真相是：Opus 4.7 不是"最聪明的 Claude"。它是被有意塑形过的——砍掉一块能力（cyber）、加强另一块能力（长时程代码 agent），配上护栏对外推。

这彻底坐实了我的观点：前沿模型不再按"最大 IQ"卖，它们按"定向配置的能力形状"卖。

通才冠军时代结束了

四、价格不变是最诚实的信号

Opus 4.7 定价保持 $5/$25（输入/输出 per million token）。

读起来像利好。其实不是。

两件事叠加：

1. 全行业推理天花板逼近，新版本的"质量增量"不再值得涨价

2. Opus 4.7 换了新 tokenizer，同样文本最多多吃 35% 的 token

等于一次隐形的 35% 涨价，但包装成"价格不变"。

这个信号比 benchmark 更值得读。它说的是：前沿模型的能力，正在从通用底座，流向特定方向的专项。通用能力不再值得多收钱，专项能力才是产品。

你买的不再是"更高分的模型"，你买的是"对你任务更对口的模型"。

五、从 IQ 轴到 Grit 轴：选型框架要换了

我自己交付 AI Agent 产品这几年，有个反直觉的体会：客户问题的天花板，极少是模型不够聪明。

它几乎永远是模型在 40 步之后开始忘了第 3 步说过什么。是代码 agent 改了一个文件之后不记得还有 5 个关联文件。是规划阶段漏了一个边界条件，到执行阶段才崩。

这些都不是 IQ 问题，是 grit 问题——持续性、一致性、自我校验。

看 Opus 4.7 早期客户报告的数据点就很清楚：Notion 说工具调用错误从 Opus 4.6 降到三分之一；Rakuten 在自己的 SWE-Bench 上解决的生产任务是 Opus 4.6 的 3 倍；Imbue 直接让 Opus 4.7 从零自主搭了一个 Rust TTS 引擎——神经网络、SIMD 内核、浏览器 demo 全写完，然后反过来用语音识别器验证输出对不对。

这些数据全部在讲 grit，没有一个在讲 IQ。

同步发布的还有一个小细节值得注意：Claude Code 默认 effort 拉到了一个新档位 xhigh（比原先的 high 更高、比 max 更低）。这意味着"让它思考多久"变成了可调刻度。耐力本身成了明码标价的商品。

Opus 4.7 的真正信号是：整个行业终于承认了这件事。

所以从今天起，模型选型的问题变了。

不要再问 "哪个更聪明"。问这三个：

1. 它在我这条任务链上能跑多长不崩？（长时程一致性）

2. 它错了之后能不能自己发现？（自证能力）

3. 它的专业化方向和我重合吗？（Opus 4.7 擅长代码 agent，GPT-5.4 擅长终端和速度，Gemini 擅长超长上下文和成本）

这是三条独立的轴。没有一个模型在三轴都领先。

从 IQ 轴到 Grit 三轴 选型从"挑冠军"变成了"配方向"。 从挑冠军到配方向

六、为什么这件事比"SWE-bench +7 分"重要得多

SWE-bench 涨 7 分，是产品层事件。

推理军备竞赛结束，是产业层事件。

它意味着：

  • 下一代旗舰不会再靠 "IQ 震撼" 发新闻。新闻点要么是长时程、要么是成本、要么是专项突破
  • 模型间"碾压式差距"时代过去了。差异化取代等级化
  • Agent 产品的真正护城河，从 "用了最聪明的 Claude" 变成 "选对了适配自己任务链的模型 + 工程基础设施稳不稳"

我做 Agent 产品时最贵的 bug，从来不在 benchmark 分数里。它们在 token 膨胀里、在第 7 步的状态丢失里、在 agent 绕开了人的工具调用回路里。

Opus 4.7 把行业的视线从"天花板多高"拉到了"地基多稳"。

这比那几个跑分数字值钱得多。

收尾

Opus 4.7 发布当天，几乎所有人都在刷 SWE-bench Pro 64.3% 领先 GPT-5.4 的图。

我建议你忘了那张图。

真正要存档的是另一张图：GPT-5.4 Pro 94.4、Gemini 3.1 Pro 94.3、Claude Opus 4.7 94.2。

三家平手，推理竞赛悄悄结束。

下一页，开始比谁更有耐心。

参考数据：Anthropic 官方发布与 System Card、Project Glasswing 公告、Epoch AI GPQA 追踪、Vellum AI benchmark 分析、GDPval-AA 榜单（Artificial Analysis）、合作伙伴（Cognition/Vercel/Intuit/Factory/Notion/Rakuten/Imbue/XBOW）发布日数据。