实测 Claude Opus 4.7：能力出色，编程表现却不稳定

我花了一天测试 Anthropic 的 Opus 4.7。它完成的一些工作让我印象深刻，但其他会话却出现令人困惑的失败。我的评价很矛盾：模型有出色的时刻，但体验不够稳定，难以让我放心依赖。

Anthropic 将 Opus 4.7 描述为软件工程能力更强、指令遵循和视觉能力更好、长任务表现更稳的模型。发布资料将它与 Opus 4.6 及其他模型比较，同时表示限量开放的 Mythos Preview 整体能力更强。这些都是发布方的说法，我想看看实际使用时会发生什么。

评测表并非所有项目都有提升：我注意到智能体搜索的结果低于 Opus 4.6，编程评测则更强。我不愿把分数当作全部，尤其是模型可能已经接触过相关测试数据时。结果也取决于评测内容和测试配置。

Anthropic 表示，在更强的模型广泛发布前，它先在 Opus 4.7 上测试网络安全防护。发布资料介绍了自动识别违规或高风险网络安全请求的措施，以及面向合法安全研究人员的验证计划。设计防护时，也需要考虑它对普通工作的干扰。

我让 Claude Code 桌面应用为个人网站提供设计建议时，助手报告系统提醒把网站当成了恶意软件，并说自己忽略了这些提醒。这样的警告给我的第一印象很差，但仅凭可见对话无法确定提醒究竟如何产生。

发布时 Anthropic 列出的 API 价格与 Opus 4.6 相同：每百万输入 token 5 美元，每百万输出 token 25 美元。它还提醒，新模型更字面地遵循指令，为旧版本编写的提示词和运行框架可能需要调整。因此，集成质量也是评估的一部分。

公布的视觉改进包括支持长边最高 2,576 像素、约四百万像素的图像。这对信息密集的截图、图表和视觉参考很有用。Anthropic 还报告称，模型跨会话使用文件系统记忆的能力有所提高，在部分专业工作评测上表现更强。

这次发布新增了 xhigh effort 设置，也介绍了更深入的代码审查流程。更高的 effort 提供了用时间和 token 换取更多处理的选择；我担心最大档会消耗大量 token。应结合任务和成本评估，而不是默认它总值得开启。

一位 Anthropic 代表表示，恶意软件提醒与较旧的 Claude Code 和桌面客户端版本有关，新版本已经修复。我展示了出现问题时应用看似已经是最新版；更新按钮后来才出现。这是值得单独核查的发布和集成问题，不能只看模型宣称的能力。

我还尝试了 DEF CON Gold Bug 密码谜题 Sea Shanty：题目给出十二个带标签的瓶子和一段歌词，解题者需要推断隐藏短语。我的团队曾花几天解决它，而我见过另一个模型很快解出，因此想看看 Opus 能否取得进展。

Opus 尝试了不同密码方法并运行命令，随后安全过滤器暂停了对话，界面建议改用 Sonnet 重试。在我看来，这只是一道普通谜题，因此中断破坏了一次原本有希望的尝试。一次误拦截能说明我的体验，却不能衡量过滤器的整体准确率。

接下来我测试了 Ping 的现代化改造。这是一个多年没有维护的视频服务代码库，使用 Next.js 12 和 React 17。我要求更新依赖、Node 和 React，改用 pnpm，删除 LogRocket，并在实施前先给出计划。

最初的计划简洁易读，我没有仔细检查就让智能体开始构建。这是我的失误：计划打算把 Next.js 12 升到 15，尽管当时版本 16 已经可用。虽然我要求使用最新依赖，它并没有上网核实当前版本。

以前其他服务商的模型也犯过类似错误，直到我明确修改提示词。但这次即使措辞明确，智能体仍没有做必要的查询。它运行近一小时，随后又花半小时修正目标版本，最终构建仍然失败。计划写得漂亮，不能代替核实前提和验证结果。

我还看到它反复尝试更新 package.json，却因运行框架要求先读取文件而失败。我怀疑部分看似模型退化的问题来自 Claude Code 周围的工具、指令和权限机制。这是我根据这些例子提出的假设，并不能证明所有退化都源自框架。

我推测内部和外部工具环境可能存在差异，足以改变模型给人的体验。我并没有对这些环境进行受控比较；能够观察到的是，同一个底层模型在工具和指令不同时可能表现不同。

重新查看现代化任务时，我起初以为它已经成功。再次检查后才发现，从 Next 15 升到 16 又破坏了构建的其他部分。这个更正很重要：智能体看似成功的汇报不能代替实际运行检查。

为了在不打断长任务的情况下重新比较，我让 Opus 编写一个 zsh 函数：将仓库克隆到新目录、复制环境文件、排除庞大的依赖目录并进入新目录。我后来又要求克隆后切换到 main 分支。

助手最初给出代码后问我要不要加入 .zshrc，尽管我已经提出这个要求。询问切换分支时，它又先给出代码片段，直到我再次要求才修改。任务已经得到授权，却仍反复征求是否执行，让人很沮丧。

脚本还复制了不该带入的未提交更改。它尝试用 Git clone 处理受跟踪文件、用 rsync 复制被忽略的材料，但下一次运行没有切换分支，也不再复制环境文件。随后智能体给出的 .gitignore 解释与我的仓库实际情况不符。

我提供的诊断信息显示 .env 确实被忽略。后续尝试恢复了环境文件，却又带入了不想要的更改。这说明了一种常见的回归：修复一个要求时可能破坏另一个，因此需要一起测试完整的需求集合。

我在干净副本上重新运行相同的现代化请求。这次模型列出计划后立即开始，没有等待讨论；但它仍未核实最新版本，依旧选择 Next 15。同一提示词产生不同的行为，让结果更难预测。

我在 Cursor 中尝试 Opus，看看换一个框架是否有帮助，但观察到的这次运行仍然盯着 Next 15。随后我用 GPT-5.4 尝试相同任务，它查询了当前信息并指出 Next 16。这是这次运行中有用的对照，但不是受控的正面评测。

Claude Code 本身也有改进：我觉得全屏界面卡顿更少，文本选择也更好。Anthropic 介绍了自动权限模式，由模型分类器评估命令。我在演示中无法启用它，因此无法在那次会话中验证该模式。

更令人困惑的是，我明明启用了 bypass permissions，却仍遇到编辑审批提示。我录下了这个提示，因为很难相信自己看到的情况。这是我那次会话中具体的可用性问题，但它本身不能解释权限行为为何出现。

最初的成功之后，我后面的几个任务失败了，而用 GPT-5.4 重试的体验更好。其他用户也分享了好坏不一的经历，其中一例似乎是网页搜索被关闭。这些报告提供了调查线索，但工具、设置和任务不同，难以据此得出普遍结论。

我询问用户是否在 Codex 或 OpenAI 模型中遇到过类似退化。几条回复称体验相对稳定，一位 OpenAI 代表提到过此前对 Codex 基础设施问题的调查。这些只是我问题下的部分回复，不能证明 OpenAI 模型从不退化，也不能证明可靠性问题只有 Anthropic 存在。

Opus 4.7 是最好的编程模型吗？有时看起来确实如此。一位用户说它解决了涉及 30 个文件的漏洞，却在修复中把一个布尔值写反了。这种组合正反映了我的担忧：高难度能力令人印象深刻，但低级错误又让结果难以信任。

经过约十二小时的测试，尽管有一些令人期待的时刻，我的整体体验仍然不好。如果你已经可以使用它，不妨在自己的任务上试一试并比较结果。我只是一个人，样本有限，不可能知道这个模型所有擅长和不擅长的事情。