Claude Opus 4.7 正式上線，長流程 coding 與 agent 工作再升級

AI News · 2026-04-16

原文連結： Claude Opus 4.7

摘要

• Claude Opus 4.7 正式 GA，主打更強的軟體工程能力、長流程任務穩定度與更高解析度的視覺理解
• Anthropic 強調，這一版能更精準跟隨指令，並且會在回報前先驗證自己的輸出
• 在 93 題 coding benchmark 上，Opus 4.7 比 4.6 提升 13%，還多解了 4 題前代與 Sonnet 4.6 都解不出的題目
• 內部 research-agent benchmark 顯示，它在多步驟工作與長上下文表現也更穩，finance 模組拿到 0.813 分
• Anthropic 同步推出 xhigh effort、task budgets 與 Claude Code 的 /ultrareview，明顯是在把 agent 執行層往 production 推
• 安全面上，Opus 4.7 先加上自動偵測與阻擋高風險 cyber 用途的保護機制

· · ·

Anthropic 的最新模型 Claude Opus 4.7 已經正式可用。相較於 Opus 4.6，這一版在高難度軟體工程任務上明顯更強，尤其是最難的那些題目。早期使用者回報，原本需要密切盯著的艱難 coding 工作，現在可以更放心地交給 Opus 4.7 處理。它在長時間、多步驟任務上更穩定，也更能遵守指令，還會在回報前主動檢查自己的輸出。

視覺能力也有顯著提升，能處理更高解析度的圖片。Anthropic 也提到，這一版在做專業工作時更有品味、也更有創意，輸出的介面、簡報和文件品質更高。雖然它的整體能力仍不及最強的 Claude Mythos Preview，但在多項 benchmark 上都比 Opus 4.6 更好。

上週 Anthropic 才剛發表 Project Glasswing，談的是 AI 模型在資安上的風險與好處。他們當時就表示，Claude Mythos Preview 會先維持有限釋出，並先在能力較低的模型上測試新的 cyber 防護。Opus 4.7 就是第一個採用這套策略的模型：它的 cyber 能力不如 Mythos Preview，而且在訓練過程中，Anthropic 還嘗試刻意削弱這類能力。這次釋出時，它內建了可自動偵測並阻擋高風險或禁止用途的安全防線，而這些真實世界的部署經驗，會反過來幫助他們未來把 Mythos 級模型更廣泛地開放。

如果是合法的資安用途，像漏洞研究、滲透測試與紅隊演練，安全專業人士可以加入 Anthropic 新的 Cyber Verification Program。Opus 4.7 已經可在 Claude 產品、API、Amazon Bedrock、Google Cloud Vertex AI 與 Microsoft Foundry 上使用，價格則維持 Opus 4.6 的水準，每百萬 input tokens 5 美元、每百萬 output tokens 25 美元。

Claude Opus 4.7 的實測回饋

Anthropic 從早期測試者那裡收到了很強的回饋。以金融科技團隊為例，他們表示，Opus 4.7 在規劃階段就能抓出自己的邏輯錯誤，執行速度也更快，對需要在大規模環境下交付可信金融服務的團隊來說，這種速度與精準度可能會很關鍵。

Anthropic 也說，他們在 coding 模型上已經有很高標準，而 Opus 4.7 把這條線再往上推了一截。內部評估顯示，它不只原始能力更強，對真實世界常見的 async 工作流也更穩，像是 automation、CI/CD 與長時間任務。它還會更深入地思考問題，給出更有主張的回應，而不是只是順著使用者講。

在 93 題 coding benchmark 上，Claude Opus 4.7 相較於 Opus 4.6 提升了 13%，而且多解了 4 題前代與 Sonnet 4.6 都解不出的題目。再加上更快的中位延遲與更嚴格的指令遵從，這對複雜、長時間的 coding 工作特別有意義，因為它能減少多步驟任務中的摩擦，讓開發者更專心做事。

根據 Anthropic 的內部 research-agent benchmark，Claude Opus 4.7 在多步驟工作上的效率基準是他們看過最強的。它在六個模組的總分並列第一，拿到 0.715，也展現了他們測過最穩定的長上下文表現。以最大的 General Finance 模組來看，它從 0.767 提升到 0.813；而在過去 Opus 4.6 比較吃力的演繹邏輯上，Opus 4.7 也站得更穩。

整體來說，Opus 4.7 把模型能處理的任務往前推了一大步。Anthropic 顯然把重點放在長時間推理與持續執行上，而效果也反映在整體表現上。當工程師從一對一使用 agent，轉向同時管理多個 agent 時，這種 front-end 級別的能力升級，就會直接開出新工作流。

多模態理解也有明顯進步，從讀化學結構到解讀複雜技術圖表都更強。更高解析度的支援，讓 Solve Intelligence 這類團隊能做更好的生命科學專利工作流程，從撰寫、申請到侵權分析與無效性比對都能受惠。

Opus 4.7 也把長航程自治能力往上拉了一級。以 Devin 為例，它能連續穩定工作數小時，遇到難題也不會輕易放棄，讓過去不容易可靠跑起來的深度研究任務，變得更可行。

對 Replit 來說，這次升級幾乎是直接換上去就好。對他們的日常工作而言，Opus 4.7 在分析 logs、找 bug、提修正建議時，品質一樣好甚至更便宜，也更精準。Anthropic 的產品經理還提到，它在技術討論時會適時反駁，幫忙做出更好的決策，真的像是更好的同事。

更多外部回饋與 benchmark

• CursorBench 上，Opus 4.7 直接衝到 70%，而 Opus 4.6 只有 58%，顯示它在真實 coding 任務的提升不是小修小補。
• 在複雜多步驟工作上，它比 Opus 4.6 提升 14%，而且工具錯誤少了三分之一，這也是為什麼 Notion Agent 會把它視為更像「隊友」的原因。
• Rakuten-SWE-Bench 上，它解出的 production tasks 是 Opus 4.6 的 3 倍，對工程團隊來說這種差距很實際。
• Factory Droids 看到的 task success 提升落在 10% 到 15%，而且驗證步驟的跟進更穩。
• XBOW 的 computer-use benchmark 中，它拿到 98.5%，對比 Opus 4.6 的 54.5%，這直接改變了能不能把它拿去做 autonomous pentest。
• Harvey 的 BigLaw Bench 則看到 90.9% 的高 effort 成績，而且 review table 與文件編修判斷都更穩。
• Databricks 的 OfficeQA Pro 顯示它在 source-based 文書推理上比 4.6 少 21% 錯誤。
• 一些合作夥伴也提到，它在 1 in 18 的 query 上才會卡成 loop，整體 loop resistance 和 error recovery 都更好。

亮點與筆記

• 指令遵從更強，舊模型時代寫的 prompt，到了 Opus 4.7 可能會因為它太認真而得到不同結果，需要重新調整 harness。
• 多模態支援更好，高解析度圖片上限提升到 2,576 像素長邊，也就是約 3.75 megapixels，適合密集螢幕、複雜圖表與 pixel-perfect 參考。
• 在真實工作上更能扛，除了 finance agent 評測表現更好，內部測試也顯示它在分析與建模、簡報、跨任務整合上都更像能上線的工具。
• 記憶能力更好，能更有效利用 file system-based memory，跨多回合、長流程工作保留重要筆記。

安全與對齊

整體來說，Opus 4.7 的安全輪廓和 Opus 4.6 類似。Anthropic 的評估顯示，它在欺騙、諂媚、配合濫用等令人擔心的行為上，比例都很低。部分指標上，像是誠實度與抵抗惡意 prompt injection，Opus 4.7 還比 Opus 4.6 更好；但在其他項目上，例如對受管制物質提供過度詳細的 harm-reduction 建議，它則稍微弱一些。整體對齊評估認為，這個模型「大致上對齊且可信，但行為還不是完美的」。Anthropic 也提醒，Mythos Preview 仍是他們目前對齊表現最好的模型。

其他同步推出的更新

除了 Claude Opus 4.7 本身，Anthropic 也一起推出了幾項更新：

• 更多 effort 控制：Opus 4.7 新增 xhigh（extra high）effort 等級，介於 high 與 max 之間，讓使用者更細緻控制推理深度與延遲的取捨。Claude Code 也把所有方案的預設 effort 提升到 xhigh。
• Claude Platform（API）：新增 task budgets 公測，讓開發者可以控制 Claude 的 token 花費，讓它在長流程工作中知道要怎麼分配資源。
• Claude Code：新的 /ultrareview 指令會開一個專門的 review session，直接讀變更並標出 bug 與設計問題。Pro 與 Max 用戶可以先免費試三次。另一方面，auto mode 也擴大到 Max 用戶，讓 Claude 可以代為做更多決策，減少執行長任務時的打斷。

從 Opus 4.6 升級到 Opus 4.7

Opus 4.7 可以視為 Opus 4.6 的直接升級，但有兩個變化值得特別注意，因為它們會影響 token 用量。第一，Opus 4.7 採用了新的 tokenizer，文本處理方式更好，但同一段輸入可能會對應到更多 tokens，大約是 1.0 到 1.35 倍，視內容而定。第二，Opus 4.7 在較高 effort 等級下會思考更多，尤其是 agentic 設定的後段回合。這會提升硬任務的可靠度，但也意味著輸出 tokens 會變多。

使用者可以用 effort 參數、task budgets，或要求模型更精簡來控制 token 用量。Anthropic 自己的測試顯示，整體效果是正面的，在內部 coding 評測上，不同 effort 等級的 token 使用都更划算；但他們也建議，實際上線前最好先用真實流量測一遍。

註解

1. 這是模型層級的變更，不是 API 參數，所以使用者送給 Claude 的圖片會直接以更高保真度處理。因為更高解析度也會消耗更多 tokens，不需要額外細節的情況下，可以先把圖片縮小再送進模型。

延伸評論：競爭焦點已經從模型本體，往執行層移動

Opus 4.7 這次最值得注意的地方，不只是「又更強了一點」，而是 Anthropic 把重點明確壓在長流程任務、工具使用、記憶、錯誤恢復和安全防護上。這代表真正的戰場已經不是單純的 benchmark 分數，而是誰能把模型包進一個更可控、更可恢復、也更適合 production 的執行框架。

對真的在做 agent 的團隊來說，xhigh effort、task budgets、ultrareview 這些看起來像小更新的東西，反而更可能改變日常工作流。接下來比的，會是誰能把「模型很會想」變成「系統真的跑得完、查得到、管得住」。