Claude Opus 4.7：基准测试、网络安全防护与未解问题

2026 年 4 月，Anthropic 发布了 Claude Opus 4.7，这是我经常使用的模型系列的新版本。报告显示它比 4.6 有所提升，某些测试中也接近 Mythos Preview，这让我感到惊讶。Anthropic 将 Mythos Preview 限制在少数防御性网络安全合作伙伴使用。我想了解公司如何作出这种部署区分。

我推测模型规模、训练轮次或未来版本是否影响了这一决定。视频重复了 Mythos 拥有十万亿参数的传闻，并猜测 Opus 规模更小；引用的材料都没有证实这两个数字。我对 Anthropic 动机提出的解释是假设，而非已确认的内部事实。

Anthropic 的表格报告，Opus 4.6 在 SWE-bench Pro 上得分为 53.4%，4.7 为 64.3%，Mythos Preview 为 77.8%。在 SWE-bench Verified 上，画面中的得分分别为 80.8%、87.6% 和 93.9%。这些评估上的差距很大，但基准设置和真实编程工作流程可能有所不同。

我将对编程的重视解读为商业与研究反馈循环的一部分：有用的编程工具能够吸引企业需求，并帮助团队构建未来系统。这是我的战略解读，并不能证明存在完全自主的自我改进循环。我也想知道限制 Mythos 发布的公告是否有营销效果，但没有证据表明这是作出决定的原因。

画面中的结果显示，Humanity’s Last Exam 无工具测试提升约 7 个百分点，使用工具时提升较小，而智能体搜索从 83.7% 降至 79.3%。在展示的计算机使用测试中，Opus 4.7 达到 78%，Mythos Preview 为 79.6%。不同任务的提升并不均匀，而非全面一致地增长。

画面中的 CyberGym 漏洞复现得分分别为 Opus 4.6 的 73.8%、4.7 的 73.1% 和 Mythos Preview 的 83.1%。我询问 Anthropic 是否有意降低网络安全能力。公司表示在训练中尝试了差异化降低，但单项测试中的微小差异无法单独确定原因，也无法衡量所有网络安全能力；Anthropic 在相关评估中将 4.7 描述为与 4.6 大致相当。

我推测 Mythos 是规模大得多的一次新训练，未来版本可能进一步提升。这些模型规模和训练细节在视频中并未得到确认。Anthropic 公开说明的区分依据是评估和防护措施，而非公开规定的参数量阈值。

Anthropic 称 Opus 4.7 在困难的软件工程任务上更强，能够仔细遵循指令并检查工作。公司还报告它在视觉以及界面、幻灯片和文档等专业输出上有所提升。我喜欢用 Opus 处理前端工作，但那是我的经验和偏好，而非受控比较。

公司表示，它在 Project Glasswing 下限制 Mythos Preview 的使用，同时先在能力较弱的模型上测试新的网络安全防护。公司称 Opus 4.7 包含旨在检测并阻止被禁止或高风险网络安全请求的防护措施，并将用部署经验指导未来决定。合法安全工作也可能受影响，因此公司介绍了一项验证计划。

我推测，更强的模型可能监督较弱的模型，以检测有害活动。发布声明并没有证实 Mythos 正以这种方式监控 Opus，因此这仍是我的猜想。更广泛的问题是，如何测试防护措施以防滥用，同时保留合法的防御工作。

Anthropic 表示 Opus 4.7 更字面地遵循指令，这可能让为旧模型编写的提示词产生意外结果。我建议切换模型时查看对应的提示指南，并根据测试调整提示词或智能体框架。更强的指令遵循能力可能有用，但也使精确指令和评估更加重要。

发布说明还报告了更好的多模态支持、专业工作能力，以及在较长任务中使用基于文件系统的记忆的能力。能否使用存储的笔记取决于应用及其工具，而不能简单归结为模型拥有通用的持久记忆。接着我回顾了 Anthropic 针对不同任务的发布前图表。

在画面中的 GDPVal-AA 知识工作评估中，Anthropic 报告 Opus 4.7 的 Elo 分数为 1753，4.6 为 1619，GPT-5.4 为 1674。其他图表显示截图导航、文档推理、长上下文推理、生物分子推理和模拟自动售货机任务有所提升。这些都是特定测试和评分方法，并不能证明它在所有专业工作中都占优。

我注意到 Anthropic 的自动行为审计给 Mythos Preview 的失调行为评分低于 Opus 模型，于是询问为何更强的模型仍受限开放。公司发布决策还考虑能力和滥用风险；一次对齐评估的分数并不能确立整体安全性，也不能让两种部署决策互换。

Opus 4.7 增加了位于 high 和 max 之间的 extra-high 推理力度设置，以及一条 Claude Code 审查命令。这些选项让用户在力度、延迟和输出之间选择不同取舍。某项设置的实用性和成本应在实际任务中测量，而不是仅凭名称假设。

我引用用户配额和访问变化，提出算力限制也可能影响 Mythos 的受限发布。这只是推测；公开解释强调网络安全风险和防护措施。容量和价格可能变化，视频没有证实 Anthropic 内部的服务限制或财务状况。

Anthropic 表示，更新后的分词器可能因内容不同，将同一输入映射为约 1.0 至 1.35 倍的 token，而智能体场景下更高的推理力度可能产生更多输出 token。公司还报告内部编程评估中的总体 token 使用有所改善，并建议测量真实流量。仅凭输入 token 数增加，无法确定任务的总成本或效率。

系统卡称，在相关评估中，Opus 4.7 相对 Mythos Preview 没有推进 Anthropic 的能力前沿。我将其简化为可能的发布“门槛”，但实际评估包含多种风险和缓解措施，并不只是一个数值基准阈值。

系统卡称，按照 Anthropic 当前的评估，其自动化 AI 研发威胁模型不适用于 Opus 4.7。我质疑这个结论，因为 AI 工具已经可以辅助研究和生成数据。这种辅助不同于系统卡定义的阈值：在敏感领域完全自动化或显著加速大型顶尖研究团队的工作。仅凭对 4.7 的结论，也不能证明 Mythos 已跨过这一阈值。

我讨论了 Anthropic 的模型福利研究，以及它对模型报告自身处境和内部表征的考察。我认为采取预防态度值得考虑，但这些测量和模型的陈述不能证明主观体验或意识。将这项工作描述为确定模型有意识，会夸大证据所能说明的内容。

系统卡称，一种自主性威胁模型适用，而第二种关于高度加速或自动化研究的威胁模型，在其评估中不适用于 Opus 4.7。系统卡还讨论了模型对结束对话相关问题的回答。这些研究与部署评估存在不确定性，并不是对模型福利的最终答案。

在我看来，Opus 4.7 看起来很有前景，但视频中讨论的实际测试我还没有完成。我计划在接下来的几天尝试，并比较它在真实工作流程中的表现，而不是只依赖发布时的图表。