Matthew Berman 直播测试 Claude Opus 4.8 与动态工作流

在这场 2026 年 5 月的直播中，我要看 Claude Opus 4.8 的发布内容，讨论另一款模型可能发布的传闻，并和观众一起测试编程任务。直播中有关 GPT-5.6 的传闻没有得到证实，不能视为其已经发布。

Anthropic 给了我提前访问的机会，但开播前我只试了约十分钟。因此我先阅读公告，把自己的初步印象当作暂时判断。

我更关心完成一项任务的总成本，而不只是单个 token 的价格。我希望模型能用更少的 token 写出更好的代码、做出更好的判断，但仅凭公告无法确定我的实际任务成本。

Anthropic 称，新模型的判断力更敏锐，进度报告更诚实，能比前代更长时间地独立工作。公司还说标准价格不变；这些都是发布时的公司说法和定价条件。

我喜欢响应速度快的模型，并讨论 Anthropic 所称速度约为 2.5 倍的快速模式。实际吞吐量和成本取决于产品与工作负载；我对 Claude 风格的偏好则是主观感受。

公告介绍了名为动态工作流的研究预览：Claude Code 可以规划任务、分派并行子智能体并验证结果。我想知道这种方式会消耗多少 token，以及它是否真的能改善复杂任务。

我查看公布的编程基准成绩。公司表格报告 Opus 4.8 在 SWE-bench Pro 上得到 69.2%，并列出其他模型的成绩；差异适用于所报告的测试设置，不能直接推广到所有软件项目。

我把这张表与另一项编程基准比较，注意到不同评测的排名可能相反。基准测试是有用证据，但测试任务、模型设置、运行框架和采样方式可能与日常开发不同。

在 Terminal-Bench 2.1 的展示表格中，报告结果把 GPT-5.5 排在前面。我说有些开发者在实际编程中更喜欢它，而我在许多任务上仍然更喜欢 Opus。

我查看报告中的 Humanity’s Last Exam、计算机使用、GDPval-AA 和金融分析基准成绩。这些是尺度不同的独立任务，所报告的进步不能合并成一个衡量智能的通用指标。

我猜测，如果工作价值足够高，金融用户或许愿意接受更高的 token 成本。但实际经济性仍取决于准确率、验证方式和具体工作流。

Anthropic 表示，动态工作流可以调动几十到几百个智能体处理迁移、查找缺陷或验证等任务。我猜测这项功能为何在此时推出，但公司的算力安排并不能证明我的解释。

我比较了可以快速切换模型的个人用户，以及面临合同、集成和变更管理成本的组织。视频中关于公司收入和盈利能力的说法属于转述或猜测，并非独立证实的数据。

我读到动态工作流可能消耗多得多的 token，因此应该先在范围明确的任务上试用。这里提到的产品访问条件和设置均来自直播当时的公告。

公告称，用户可以提出工作流请求，或使用名为 ultra code 的工作力度设置。我认为，即便许多子任务并行执行，主协调者的规划与分工仍然重要。

公告把工作流描述为规划、分配子任务、检查结果以及进行对抗式尝试的过程。我指出，编排是模型外的一套系统，不一定是基础模型本身单独展示出的能力。

我想知道为什么没有直接展示新工作流模式与单次运行的基准比较。没有受控对照，就无法仅凭公告量化这种编排带来的提升。

一位观众提到可能存在 Mythos 类模型。起初我找不到来源，因此把它视为未经证实的信息；后来找到公司声明，便将其作为未来计划讨论，而不是说它已向大众发布。

我开始用观众建议做非正式测试：3D 足球游戏、魔方模拟和一个洗车问题。这些都是规模小、没有严格控制的例子，不能全面比较不同模型。

对于“我要去洗车；洗车店在 50 英尺外；应该走路还是开车”的问题，模型两次回答走路。我原本想表达的是要洗车，所以期待它回答开车；观众指出，题目的措辞存在歧义。

当我明确问如果走路怎么把车洗了，模型便改口说开车。我认为最初的回答没有推断出我的意图；这段对话也说明，把任务说清楚会改变答案。

足球原型一开始似乎坏了，因为电脑不断得分。等我弄懂控制方式后，我能把球踢出去，觉得它更可用了，不过视觉效果和行为还不够完善。

魔方任务仍在缓慢生成，我转而使用 Claude Code。由于担心用完额度，我在部分测试中选择了较低的工作力度。

一位观众建议做能剪切、重新构图和添加标题的视频编辑器。智能体追问应用形式、重新构图的含义，以及需要真正导出还是只做原型；我选择做一个可工作的原型。

回到模型公告，我读到快速模式相对于此前的产品降价。公告列出的当时标准输入和输出价格分别是每百万 token 5 美元和 25 美元，快速模式分别是 10 美元和 50 美元。

Anthropic 表示，一类能力更强的 Mythos 模型正在有限的网络安全用户群中测试，并计划在建立安全措施后扩大可用范围。这是公司在直播时所说的计划，不能证明之后已经发布，也不能证明模型表现。

视频编辑器智能体提出用单个 HTML 文件实现预览、时间线、剪切、重新构图和标题。我同意这个原型方案，同时发起另一项太空侵略者游戏请求。

我在 Claude Code 中再次测试洗车问题。一个回答开头短暂地说“走路”，随后却解释车必须开进洗车店，最终给出“开车”。我既注意到了开头的矛盾，也注意到它最终作了修正。

另一条回答推理说洗车时车必须在场，因此应该把车开过这 50 英尺。这个小实验既暴露了原问题的歧义，也显示同一回答内部可能出现不一致。

视频编辑器原型成功加载视频并显示时间线。我尝试剪切和重新构图控件，但并非所有交互都符合预期，因此能够加载文件并不等于证明整个编辑流程已经完成。

魔方模拟最终复原，并出现彩纸效果。我喜欢它能展示过程，不过速度控件和呈现方式仍需调整；这是快速视觉测试，不能证明生成的每一步都正确。

我试用生成的太空侵略者游戏，很喜欢熟悉的外观，但开始按钮起初没有响应。切换回来重试后我能玩了；屏幕最终可用，并不意味着之前的交互问题不存在。

另一位观众建议做登月游戏。我发起一个单独的生成任务，在模型工作时回到编辑器和其他原型，交替查看多个尚未完成的任务。

我查看太空侵略者的生成结果，考虑控制和敌人的行为是否合适。这只是非正式测试：看到游戏并成功操作是有用的第一步，但不是完整的质量评估。

为了做一个更实质的测试，我请 Claude 保留 Forward Future 现有品牌颜色并重新设计网站。我想看看公告中的动态工作流能否协调处理真实代码仓库，而不只凭公告判断。

第一次启用动态工作流的过程令人困惑。我查看产品说明和设置，包括自动模式，试着弄清自己使用的界面是否支持该功能。

切换到命令行后又出现身份验证问题：工具提示 API 凭据无效。我先排查会话再尝试改版，因此这段延迟反映的是配置摩擦，不能说明最终设计的质量。

命令行配置正常后，我请求重新设计首页，并明确要求使用动态工作流。我打算把生成结果和现有网站比较；这是我的演示及其配置过程，不是要求观众执行的指令。

直播期间，我读到 Anthropic 宣布以 9650 亿美元投后估值完成 650 亿美元 H 轮融资。我也讨论了公告中关于年化收入和此前承诺资金的数字；这些是发布当日的公司说法，不代表公司现在的财务状况。

我猜测人工智能投资的规模以及基础设施资金会流向哪里。这些看法是我对公司公告和行业的解读，并不能证明每一美元都会流向某个供应商。

我回到登月原型。垂直速度读数在变化，但我觉得画面中的运动难以判断，最后还是坠毁了；这个尝试展示了生成模拟与直观易用的游戏之间仍有距离。

改版工作流开始用多个智能体梳理现有网站，随后探索设计方案并评估，然后才进入实现。这与公告所描述的分工方式相符。

我观察协调过程，想知道分拆工作是否值得额外花费时间和额度。并行智能体可以提供更多视角，但直播中没有进行受控的单智能体对照。

工作流从构思转向选择并实现一个方向。运行期间我回答观众问题并讨论其他工具；屏幕上的过程展示了系统如何编排任务，但不是其可靠性的基准测试。

验证阶段使用四个智能体检查工作。工作流发现问题后返回修复，这展示了实现与检查之间的循环，而不是一次不间断的生成。

修复后，工作流再次进入验证，这次使用八个智能体。我觉得这种迭代很有意思，同时也承认额外检查会花时间并消耗额度。

运行约 29 分钟后完成，报告使用了 18 个智能体。我的账户显示约消耗了五小时额度的 15% 和每周额度的 3%；这些数字只对应我的账户和这次运行。

我打开生成的本地网站，与原版比较。流程确实生成了可运行的预览，但也改动了一些文案和品牌内容，因此我检查实际页面，而不是把运行成功直接等同于改版成功。

我的感受是新设计的圆角太多，留白也太多。我更喜欢旧版首屏的布局，不过有些观众喜欢新版的部分设计；这是主观的设计判断。

工作约半小时后，我对可见变化似乎不多、某些区域没有改动感到失望。观众投票最终有 196 人参与，52% 选择旧版，48% 选择新版；这反映的是这群观众的偏好，不能代表普遍的设计质量。

最后我感谢观众提供提示和问题。这场直播提供了观察 Opus 4.8 与动态工作流的初步机会，但这些小规模、未经控制的测试无法确定它们在其他任务上的表现。