Claude Opus 4.7 深度拆解：视觉能力换代，长任务执行不再掉链子
4 月 16 号，Anthropic 发布了 Claude Opus 4.7。
第一眼看过去，我也只是扫了一眼 benchmark 表格，心想大概又是例行更新。
但真正把官方公告、232 页系统卡，以及十几家合作企业的真实使用反馈全部啃完以后，我发现——这次的升级远不止常规迭代。
不是那种"比上一版强了一点"的改进，而是"某些能力直接跃迁到新层级"。
我自己使用 Claude Code 做日常开发已经超过半年，Opus 4.6 一直是主力工具。看过这次升级的全部数据和一线反馈后，我觉得有必要认真梳理一下。
本文不堆砌数据，只聚焦三个最值得你关注的核心变化，最后再聊聊谁该立刻升级，谁可以缓缓。
第一个关键变化：视觉能力不是"优化"，是"代际跨越"
先说一个让我瞬间清醒的数字。
安全公司 XBOW（专注自主渗透测试）给出了一份视觉敏锐度基准测试的结果：Opus 4.6 得分 54.5%，Opus 4.7 直接跃迁至 98.5%。
XBOW 原话是：“We effectively eliminated our single biggest Opus pain point, and that unlocks its use for a whole class of work where we couldn’t use it before.”
“我们直接消灭了 Opus 最大的痛点，解锁了一整类以前根本没法用的场景。”
你细品这句话——不是"更好用了"，而是"以前压根不能用的场景，现在能用了"。
再看 ScreenSpot-Pro，一套专门测试 Agent 屏幕定位能力的基准。测试方式是给模型一张 VSCode、Photoshop 这类专业软件的高分辨率截图，让它精准定位某个 UI 元素。在高分辨率下，目标元素可能只占整张图的 0.07%。
Opus 4.6 得分 57.7%，Opus 4.7 直接飙到 79.5%。叠加工具调用能力后，跑分进一步提升至 87.6%。
为什么会有这么大的跳跃？因为 Opus 4.7 支持的图像分辨率从原来约 100 万像素，直接拉升到 375 万像素（长边最高 2576px），是此前的三倍还多。
三倍的像素意味着什么？意味着以前 Claude 面对一页密密麻麻的 Excel 截图会糊成模糊色块，现在能逐格看清每个单元格里的数字。以前让它识别一个复杂 UI 原型图，细节基本丢失殆尽，现在能做到像素级精准。
这直接引爆了 Computer Use 的能力上限。 视觉是 AI 操控电脑的眼睛——眼睛换了代，手才有可能执行更精细的操作。
Anthropic 官方也毫不避讳，在 SWE-bench Multimodal（结合截图和代码修复前端 bug）测试中，Opus 4.6 得分 27.1%，Opus 4.7 直接达到 34.5%，一口气涨了 7.4 个百分点。
我的判断是：视觉能力的跨越式提升，是这次升级中最值得关注的单一变化。 这不是锦上添花，而是打开了"AI 能看懂屏幕"之后几乎所有的应用空间。
第二个关键变化：长任务执行从"勉强撑住"变成"真敢放出去"
视觉是眼睛换了代，这一项则是整个执行系统换了代。
先看 GraphWalks，OpenAI 推出的长上下文基准测试。将一张有向图塞满 1M token 的上下文窗口，让模型做图遍历。
简单模式（Parents 1M）：Opus 4.7 从 71.1% 提升到 75.1%，4 个百分点，正常进化。
复杂模式（BFS 1M）：41.2% 直接飞跃到 58.6%，拉开 17.4 个百分点。
17.4 个百分点是什么概念？这意味着在需要多步骤、长链条推理的场景中，Opus 4.7 的稳定性和可靠性与 Opus 4.6 完全不在一个量级。
再看 Vending-Bench 2——模拟经营自动售货机，测试长时间工作流中的决策连贯性。
Opus 4.6 最终余额 8，018 美元，Opus 4.7 做到 10，937 美元。同一台售货机，同一个时间窗口，多赚了 36%。
但真正让我确认"这次不一样"的，是合作企业给出的真实反馈。这些内容比 benchmark 有说服力太多。
Rakuten（乐天）反馈：在生产环境中，Opus 4.7 解决的任务量是 Opus 4.6 的 3 倍。代码质量和测试质量均有双位数提升。
Notion 表示：复杂多步骤工作流整体提升 14%，工具报错降至原来的 1/3，且更省 token。它还通过了 Notion 的"隐性需求测试"——第一个做到的模型。
Devin 指出：Opus 4.7 能连贯工作数小时，遇到难题会继续推进而不是放弃。“Unlocks a class of deep investigation work we couldn’t reliably run before.”
Ramp 说：在 agent 团队协作中，角色保真度、指令遵循、协调能力都明显更强。“Needs much less step-by-step guidance.”
Hex 的反馈则更为精妙：“It correctly reports when data is missing instead of providing plausible-but-incorrect fallbacks.” 翻译过来就是：以前模型在数据不全时，会编造一个表面上合理的答案，现在会坦诚告知"数据不足"。
这一点极为关键。 一个 AI 哪怕能力稍弱，但知道什么时候不该回答，远远胜过那种什么都敢信口开河的模型。
还有一个相当有意思的案例——Opus 4.7 自主从零搭建了一个完整的 Rust 文本转语音引擎，涵盖神经网络模型、SIMD 内核、浏览器演示，然后将自己输出的语音通过语音识别器验证，与 Python 参考实现做一致性比对。
Anthropic 形容这是"数月级别的高级工程工作量，由模型自主完成"。
第三个关键变化：对标 GPT-5.4 和 Gemini 3.1 Pro，身位已经拉开
先说 GDPval-AA，Artificial Analysis 基于 OpenAI GDPval 数据集打造的评估。覆盖 44 种知识工作职业、9 大行业，任务来源于平均拥有 14 年经验的资深从业者。
Opus 4.7 拿到 1753，GPT-5.4 拿到 1674，Gemini 3.1 Pro 拿到 1314。
Opus 4.7 超出 GPT-5.4 79 分，超出 Gemini 3.1 Pro 439 分。
再看 OfficeQA Pro，Databricks 打造的企业级推理基准。语料来自近 100 年的美国财政部公报，8.9 万页 PDF、2600 万个数据点。
Opus 4.7 跑分 80.6%，GPT-5.4 为 51.1%，Gemini 3.1 Pro 为 42.9%。
Opus 4.7 是 GPT-5.4 的 1.6 倍，Gemini 3.1 Pro 的 1.9 倍。
还有一项数据跃升最为炸裂——Structural Biology（生物分子推理）。
Opus 4.6 仅有 30.9%，Opus 4.7 直接跃至 74.0%。一次版本迭代，从三成飙到七成半，2.4 倍。这是所有 benchmark 中跃升幅度最夸张的一项。
当然，公平地说，也有 GPT-5.4 仍然保持领先的领域。Terminal-Bench 2.0 上 GPT-5.4 大约领先 5 个点（不过 Anthropic 补充说明，OpenAI 使用的是自己的定制评测框架，结果不完全可比）。
所以我不说"全面碾压"这种话——确实没有发生。但在开发者最关心的编码、文档推理、长任务执行这几个维度上，Opus 4.7 确实拉开了显著的身位。
但你不可忽略的代价
我非常反感那种只报喜不报忧的写法。所以必须如实谈谈升级的副作用。
代价一：分词器调整，Token 消耗变多
Opus 4.7 换用了新的分词器。同样的输入，Token 数量会增加大约 1.0 到 1.35 倍。高 Effort 下输出 Token 也会随之增加。
对在 Claude 应用内聊天的普通用户而言，这更多体现在额度消耗和响应速度上。但对使用 API 的团队来说，这是实打实需要核算的成本变量。
Anthropic 自己的数据表明，按照内部编码评测来看，各 Effort 级别的性价比是提升的——但你得先调好 Effort 参数。直接无脑迁移不做优化，成本大概率是上涨的。
代价二：指令遵循变强了，但老旧提示词可能翻车
Anthropic 明确表示：以前的模型会"灵活理解"你的指令，可能忽略一些细节，而 Opus 4.7 会逐条严格照做。
听起来是好事对吧？可如果你原先的提示词写得比较粗糙，存在模棱两可的地方，Opus 4.7 可能会理解出一个你完全没预料到的结果。
升级后第一件事：逐个检查你的关键提示词。
代价三：高分辨率图片意味着更多 Token
Opus 4.7 能看更清晰的图，但也会吃掉更多的 Token。如果你不需要像素级细节，传图之前先压缩。这不仅仅是省钱的问题，是费用可能直接翻番的问题。
价格方面
好消息是单价没变：15 美元 / 100 万 input tokens，75 美元 / 100 万 output tokens。与 Opus 4.6 持平。
但坦白讲，这个价格本身就相当昂贵。Token 消耗再增加个 1.35 倍……这笔账你自己算。
同步发布的几个新功能也值得一看
除了 Opus 4.7 本体，Anthropic 还同步推出了几项新功能：
xhigh Effort 级别：介于 high 和 max 之间。Claude Code 中已默认调至 xhigh。对于大多数编码和 Agent 场景，Anthropic 建议从 high 或 xhigh 开始尝试。
Task Budgets（公测）：开发者可以控制 Claude 在长任务中的 Token 消耗上限。简单说就是给 Agent 设定一个"预算"，防止它无节制跑飞。
/ultrareview 命令：Claude Code 中的新命令，专用来做代码审查。读取改动内容，标记 bug 和设计问题。Pro 和 Max 用户有 3 次免费体验。
Auto Mode 扩展至 Max 用户：之前只对 Pro 用户开放的 Auto Mode（Claude 自主做决策，减少打断），现在 Max 用户也可使用。
安全方面，Anthropic 说得很坦率
一周前，Anthropic 公开了 Project Glasswing，专门讨论网络安全风险。Opus 4.7 成为这套新思路下的首个公开部署模型。
官方明确表达了三点：
- Opus 4.7 的网络安全能力弱于 Mythos Preview——训练时专门做了差异化降权处理。
- 上线时纳入了自动检测和拦截高风险网络安全请求的护栏。
- 合规的安全研究人员可以申请加入新的 Cyber Verification Program。
安全评估结论是"整体上较为可靠且值得信任，但距离理想状态仍有提升空间"。
这个措辞极为讲究——他们没有把发布包装成一次毫无代价的全面跃升。我觉得这种坦诚，反而比那些宣称"绝对安全"的说法更令人信服。
我的判断：谁该立即升级，谁可以再等等
建议立即升级的人群
- Claude Code 重度用户：如果你每天都在用 Claude Code 做开发，Opus 4.7 在编码、调试、长任务执行方面的提升是实实在在的。CursorBench 数据 70% vs 58% 的差距并不小。
- 做 Computer Use / Agent 的开发者：视觉能力的跨越式提升，让 AI 操控电脑的可靠性跨上了一个新台阶。
- 处理大量文档、报表、技术图表的人：375 万像素的图像输入加上文档推理能力翻倍，这是最直接的体验飞跃。
- API 用户：记得做好 Effort 参数调优和 Task Budgets 配置。
建议观望一阵子的人群
- 只用 Claude 聊天处理简单任务的普通用户：日常对话体验差异不大。
- 预算敏感的 API 用户：Token 消耗可能增加 1.35 倍，先在测试环境中跑一跑实际成本再做决定。
- 拥有大量存量提示词的生产环境：升级前务必验证关键提示词的兼容性。
最后的话
Opus 4.7 不是终点。Anthropic 还藏着 Mythos Preview 这个实力更强的模型，尚未广泛发布。
但从 Opus 4.7 这次升级中，你能非常清晰地看到 Anthropic 全力押注的方向：长任务执行、视觉理解、工具协同、少监督交付。
这些能力正在被整合成大模型竞争下一阶段的主战场。竞争的焦点已经从"谁答得更好"转向"谁做得更完"。
对普通用户来说，最直接的感受会是：交代清楚以后，它更容易把事情做对了；看图抓得更细了；产出的内容更能直接上手使用了。
大模型从"会聊天"走向"会干活"，这一步又往前迈进了一大截。
而真正能扛起干活任务的模型，从 Opus 4.6，进化成了 Opus 4.7。
参考资料：
- Anthropic 官方公告：https://www.anthropic.com/news/claude-opus-4-7
- Claude Opus 4.7 系统卡（232 页）：https://cdn.sanity.io/files/4zrzovbb/website/037f06850df7fbe871e206dad004c3db5fd50340.pdf
- Claude 官方推文：https://x.com/claudeai/status/2044785261393977612