Claude Opus 4.7 评测：编码之王与长文本失忆

Claude Opus 4.7 评测：编码之王与长文本失忆

TL;DR Anthropic 于 4 月 16 日发布 Claude Opus 4.7，编码能力大幅领先（SWE-Bench Pro 64.3%），视觉分辨率提升 3 倍，但 100 万 token 长上下文召回（MRCR）从 78.3% 暴跌至 32.2%。我的判断：这是 Anthropic IPO 冲刺的「技术强心针」，长文本失忆不是 bug，是路线抉择的代价。

同名消歧

本文讨论的 Claude Opus 4.7 是 Anthropic 于 2026 年 4 月 16 日发布的旗舰大语言模型（Large Language Model）。为避免混淆，以下实体不在本文讨论范围：

• Claude.ai：Anthropic 的聊天网页/应用，运行多种模型（含 Opus 4.7、Sonnet 4.6 等）
• Claude Code：Anthropic 的终端 AI 编程助手，默认调用 Opus 4.7 的 xhigh 模式（详见本系列第三篇《Claude Code 必知必会》）
• Claude API：第三方开发者接入接口，支持 Bedrock、Vertex AI、Azure 等多渠道
• Claude Mythos：Anthropic 内部测试的网络安全专用模型，未公开可用

一、产品速览卡片

字段	内容
产品名	Claude Opus 4.7
公司 / 团队	Anthropic（美国旧金山，2017 年成立）
总部 / 国家	美国
前代版本	Claude Opus 4.6（2026 年 2 月发布）
发布日期	2026 年 4 月 16 日 GA；API 默认切换为 4 月 23 日
官网	anthropic.com/claude
一句话定位	Anthropic 2026 年春季旗舰，编码能力最强但长上下文能力显著退化的「偏科生」
上线状态	GA（全面可用）
API 定价（输入 / 输出）	$5.00 /$25.00 per million tokens
上下文窗口	200K tokens（API）；1M tokens（限时预览，无额外收费）

二、为什么是现在：四月模型大战的硝烟

2026 年 4 月，大模型行业经历了有史以来最密集的发布周期。

4 月 13 日，OpenAI CRO Denise Dresser 的一份内部备忘录被泄露给 The Verge。 memo 中不仅披露了下一代模型代号「Spud」（即后来的 GPT-5.5），还公开质疑 Anthropic 的 300 亿美元年营收「虚增 80 亿」。据多家科技媒体报道，这是两家头部公司首次从「暗斗」升级为「点名互撕」。[1]

4 月 16 日，Anthropic 放出 Opus 4.7。

4 月 20 日，Moonshot AI 开源 Kimi K2.6（1T 参数，MIT 协议），在 SWE-Bench Pro 上以 58.6% 逼平尚未发布的 GPT-5.5。

4 月 23 日，OpenAI GPT-5.5「Spud」正式上线，距离前代 GPT-5.4 仅六周。

4 月 24 日，DeepSeek V4 Preview 登场，1.6T 参数、1M 上下文、MIT 协议，输入定价 $0.14/M tokens——是 Opus 4.7 的 1/35。

八天之内，四家头部厂商连发四款旗舰。这不是正常的产品迭代节奏，这是 IPO 前的军备竞赛。

Anthropic 和 OpenAI 均传出 2026 年下半年 IPO 计划。在估值叙事中，每一分的基准测试（Benchmark）领先、每一美元的营收确认，都直接影响数百亿美金的定价。四月模型大战的本质，是两家公司将技术竞争转化为资本话语权的生死时速。

三、核心拆解：Opus 4.7 的技术跃迁与隐性代价

3.1 产品形态

Opus 4.7 沿用了 Anthropic 的三档计算模式，但增加了一个新档位：

模式	适用场景	推理深度
low	简单问答、聊天	最小
medium	常规任务	默认
high	复杂分析、代码审查	加深
xhigh（新增）	Agentic 编码、多步骤工具调用	最深，Claude Code 默认

xhigh 是 Opus 4.7 最具产品意义的更新。它不是简单的「再多想一会儿」，而是 Anthropic 首次为 智能体（Agent） 场景专门调校的推理档位。在 Claude Code 中，xhigh 默认开启，对应本系列第三篇提到的 /ultrareview 后台多阶段代码审查能力。

此外，Opus 4.7 引入了 自适应思考（Adaptive Thinking） ，取代之前的手动「扩展思考（Extended Thinking）」预算。模型根据任务复杂度自行分配推理深度，用户不再需要猜测该选 high 还是 max。

3.2 关键改进：编码、视觉与推理

Opus 4.7 的提升集中在三个维度：编码、视觉、多跳推理。

编码：从领先到断层领先

基准测试	Opus 4.6	Opus 4.7	变化
SWE-Bench Pro	53.4%	64.3%	+10.9
SWE-Bench Verified	80.8%	87.6%	+6.8
CursorBench	58%	70%	+12
OSWorld-Verified（计算机操作）	72.7%	78.0%	+5.3

数据来源：Anthropic 官方公告及第三方评测聚合站 Artificial Analysis。[2]

Cursor CEO Michael Truell 在社交媒体确认，Opus 4.7 在 Cursor 内部 93 任务基准上「将问题解决率提升了 13%」，且解决了 4 个此前 Opus 4.6 和 Sonnet 4.6 均无法完成的任务。[3]

10.9 个百分点的 SWE-Bench Pro 提升是什么概念？从 GPT-4 到 GPT-4.5 的同类提升约为 4-5 个百分点。Opus 4.7 在编码赛道拉开了一个身位。

视觉：从「能看图」到「看得清」

Opus 4.7 将最大图像分辨率从 1.15 MP 提升至 3.75 MP（长边 2,576 像素）。在 XBOW Visual Acuity 测试中，得分从 54.5% 跃升至 98.5% ——这意味着模型对 UI 截图、工程图纸、医学影像等高密度视觉信息的解析能力发生了质变。

对于 Claude Code 用户，这直接体现在「截图生成代码」的准确率上。一张手机拍的低质量设计稿，Opus 4.6 可能漏掉 1/3 的 UI 细节，Opus 4.7 能还原到像素级。

多跳推理：Graphwalks 暴涨 20 个点

Graphwalks（多跳推理基准）从 38.7% 提升至 58.6% （+19.9）。这代表模型在「A 影响 B，B 影响 C，C 与 D 的关系是什么」这类链式推理任务上显著增强。对于需要阅读大量代码库、理解跨文件依赖关系的开发者，这是比 SWE-Bench 更贴近日常体验的提升。

3.3 那个危险的回归：长上下文失忆

Opus 4.7 并非全面升级。它在长上下文召回上遭遇了一次 灾难性退化。

基准测试	Opus 4.6	Opus 4.7	变化
MRCR @ 1M tokens	78.3%	32.2%	−46.1
BrowseComp（网络研究）	83.7%	79.3%	−4.4

MRCR（Multi-needle Retrieval in Complex Reasoning）是衡量模型在超长文本中定位特定信息能力的核心测试。1M token 上下文下，Opus 4.6 能找回近 8 成信息，Opus 4.7 只剩 3 成。

这不是小幅波动。46 个百分点的跌幅，意味着如果你把一个大型代码库（比如 50 万行 Python）丢给 Opus 4.7，它可能在第 20 轮对话后「忘记」你最初的要求。对于依赖 Claude Code 进行大规模重构的开发者，这是一个需要严肃对待的警示信号。

Anthropic 官方未在发布博文中重点提及这一退化。第三方评测机构 Artificial Analysis 的独立测试率先暴露了这一数据。[4]

为什么会发生？

目前业界有两种主要推测：

0. 注意力机制权衡：为提升编码和多跳推理，模型可能调整了注意力头（Attention Head）的分配策略，将更多容量分配给结构化逻辑推理，而非长距离信息保持。
1. 训练数据分布偏移：新版本训练语料可能增加了代码和数学比重，减少了长文档（书籍、论文、法律文本）的占比，导致长文本定位能力弱化。

Anthropic 尚未公开回应具体原因。在官方解释出现前，这属于 未获独立验证的技术推测。

3.4 被忽视的变量：Tokenizer 与隐性成本

Opus 4.7 换用了新版 Tokenizer。据第三方分析，同一文本在新 Tokenizer 下会产生 1.0–1.35 倍 的 token 数量。[5]

这意味着什么？

• 标价未变（$5/$25 per million），但 实际成本可能上涨 0–35%
• 1M token 上下文窗口的「实惠感」被稀释——同样长度的文档，现在占用更多 token
• 对于高频 API 调用场景（如 Claude Code 的 agentic 循环），账单膨胀可能比基准测试数字更直接影响用户决策

Finout 的分析报告指出，这种「标价不变、计量单位膨胀」的策略在 SaaS 行业并不罕见，但在 AI API 领域尚属首次。[5]

四、场景实战：什么时候该用 Opus 4.7？

场景 1：大规模代码重构（推荐指数：⭐⭐⭐⭐⭐）

触发条件：你需要在一个 10 万行以上的代码库中迁移 API、重构模块、或消除技术债。

执行链路：

0. 用 Claude Code 打开项目，Opus 4.7 自动以 xhigh 模式运行
1. 输入 /ultrareview 让模型在后台执行安全、风格、逻辑、测试四阶段审查
2. Opus 4.7 的 Graphwalks 提升使其能追踪跨 5-7 个文件的依赖链
3. 生成补丁（Patch）并应用到本地

可量化价值：据 Cursor 内部基准，Opus 4.7 相比 4.6 解决复杂代码任务的成功率提升 13%。在 93 个高难度任务中，4 个「不可能任务」变为「可解决」。

注意事项：如果重构涉及阅读整个代码库的历史文档（超过 50 万 token），需警惕 MRCR 退化导致的「上下文失忆」。建议将任务拆分为多个子模块，每次聚焦一个包（Package）。

场景 2：UI/设计稿还原（推荐指数：⭐⭐⭐⭐）

触发条件：产品经理丢来一张 Figma 截图或手机照片，要求「做出这个页面」。

执行链路：

0. 将截图直接粘贴到 Claude Code 或 Claude.ai
1. Opus 4.7 的 3.75 MP 视觉分辨率识别按钮圆角、间距、字体层级
2. 生成 React/Vue/Tailwind 代码，包含响应式断点
3. 如需调整，继续多轮对话迭代

可量化价值：XBOW Visual Acuity 从 54.5% → 98.5%，意味着「看错设计稿」的概率从近一半降至接近零。对于前端开发者，这减少了 2-3 轮「返工调像素」的来回。

场景 3：百万 token 文档分析（推荐指数：⭐⭐）

触发条件：法律合同审查、学术论文综述、大型日志分析。

执行链路：

0. 上传 1M token 的 PDF 或日志文件
1. 要求模型提取关键条款、对比多份文件、或定位特定错误

风险提示：MRCR @ 1M 仅 32.2%。在 10 次深度问答后，模型可能无法准确定位文档前半部分的细节。对于高stakes 场景（如合同条款审查），建议：

• 使用 Sonnet 4.6（MRCR 保持 78%+）处理长文档
• 或人工拆分文档，每次输入不超过 20 万 token
• 关键结论必须人工复核原文

五、生态位与对手：四雄并立的模型战场

5.1 横向竞品矩阵（2026 年 4 月旗舰对比）

维度	Claude Opus 4.7	GPT-5.5	Kimi K2.6	DeepSeek V4-Pro
SWE-Bench Pro	64.3%	58.6%	58.6%	~53%
MRCR @ 1M	32.2%	未公开	未公开	未公开
上下文窗口	200K / 1M	1M	256K	1M
输入定价	$5.00/M	$5.00/M	~$0.60/M	$0.14–$1.74/M
输出定价	$25.00/M	$30.00/M	~$2.50/M	$0.28–$3.48/M
协议	闭源 API	闭源 API	MIT 开源	MIT 开源
发布日期	4 月 16 日	4 月 23 日	4 月 20 日	4 月 24 日

数据来源：各厂商官方公告及第三方评测聚合。[2][6][7][8]

5.2 纵向：在 AI 栈中的位置

Opus 4.7 位于 基础模型层（Foundation Model Layer） ，向上支撑：

• 应用层：Claude.ai 聊天、Claude Code 编程助手、第三方 IDE 插件
• Agent 层：本系列首篇讨论的 Mindra 等编排器（Orchestrator）需要强大的基础模型作为「Worker」节点的推理引擎
• 协议层：通过 MCP（Model Context Protocol）向工具层暴露能力

在本系列第三篇《Claude Code 必知必会》中，我们分析了 Claude Code 的四层扩展面（Skills / Hooks / Subagents / Plugins）。Opus 4.7 的 xhigh 模式和自适应思考，本质上是将「模型推理能力」产品化为「Agent 执行能力」的关键支撑。没有 Opus 4.7 的编码跃升，Claude Code 的 /ultrareview 和 Task Budgets 功能将沦为空壳。

5.3 互补与替代

Opus 4.7 的互补组合：

• 长文档处理：搭配 Sonnet 4.6（1M 上下文无额外收费，长文本召回稳定）
• 成本敏感场景：搭配 DeepSeek V4-Flash（$0.14/M 输入，适合批量分类、摘要）
• 视觉验证：搭配 Gemini 3.1 Pro（GPQA Diamond 94.3%，科学推理领先）

Opus 4.7 的替代风险：

• 如果 Kimi K2.6 或 DeepSeek V4 在后续版本中缩小编码差距，MIT 协议 + 低价的组合将对 Anthropic 的 API 收入构成实质性威胁
• OpenAI 的 GPT-5.5 Pro（$30/$180 per million）虽然昂贵，但在 Terminal-Bench 2.0 上以 82.7% 领先，是终端自动化场景的更强选择

六、博主点评：辉煌与隐忧的平衡

✅ 它解决得好的：

0. 编码能力的代际差。64.3% 的 SWE-Bench Pro 不是「略好一点」，是拉开一个身位。对于 AI 编程助手这个 Anthropic 最核心的差异化赛道，Opus 4.7 巩固了护城河。
1. 产品化节奏。xhigh、/ultrareview、自适应思考、Task Budgets——这些不是实验室功能，是第一天就在 Claude Code 里可用的产品特性。Anthropic 证明了它能把模型能力转化为开发者体验。
2. 视觉能力的质变。98.5% 的 XBOW Visual Acuity 让「截图生代码」从玩具变成生产工具。前端开发者的日常工作流将被改写。

⚠️ 它现在还薄弱的：

0. 长上下文失忆是结构性退化，不是波动。46 个百分点的 MRCR 跌幅不可能是训练噪音。Anthropic 选择在发布时淡化这一问题，说明它知道这是代价，但认为编码能力的收益大于长文本的损失。这个判断是否正确，取决于用户场景——对于代码重构是正确选择，对于法律/学术分析是危险选择。
1. Tokenizer 隐性涨价缺乏透明度。标价不变但计量单位膨胀，这种策略在用户发现后可能引发信任危机。Anthropic 应当主动披露 Tokenizer 变化对实际成本的影响。
2. 竞争压力被低估。Kimi K2.6 和 DeepSeek V4 以 MIT 协议 + 1/5 到 1/35 的价格逼近平局性能，开源模型的「足够好用」正在侵蚀闭源模型的定价权。Anthropic 的 $5/$25 定价在 2026 年底可能面临重构压力。

🎯 12 个月内的关键看点：

0. MRCR 能否修复。如果 Opus 4.8（或 5.0）能同时保持编码优势和恢复长文本能力，Anthropic 将确立不可争议的领先地位。反之，如果退化持续，「用 Sonnet 读长文 + Opus 写代码」的双模型策略将成为用户默认 workaround。
1. IPO 窗口的叙事战。Anthropic 需要证明它的技术领先能转化为可持续的定价权，而非被开源模型压缩成「高端小众」。Opus 4.7 的编码优势是论据，Tokenizer 涨价争议和开源压力是反方材料。
2. Agent 层的绑定深度。Opus 4.7 的 xhigh 模式与 Claude Code 的 tight integration 是一个信号：Anthropic 的护城河不在模型本身，而在「模型 + 工具链 + 开发者工作流」的组合。这种绑定越深，开源替代品的迁移成本越高。

七、行动建议（按角色）

• 如果你是开发者：

  • 立即升级 Claude Code 到 Opus 4.7，体验 xhigh 模式下的编码能力提升。对于日常 CRUD 开发，提升可能不明显；对于复杂重构和跨文件调试，13% 的 Cursor 基准提升值得切换。
  • 长文档场景切换回 Sonnet 4.6。如果你用 Claude 读论文、审合同、分析日志，1M 上下文的 Sonnet 4.6 在召回稳定性上仍是更优选择。
  • 监控 Token 消耗。同样的代码库，Opus 4.7 可能产生 1.0–1.35 倍的 token 数。在 Claude Code 的 agentic 循环中，这会被放大。建议先用小规模任务测试账单变化。

• 如果你是 AI PM：

  • 评估模型路由策略。不要「All-in Opus 4.7」。按任务类型分流：编码 → Opus 4.7；长文档 → Sonnet 4.6；批量低成本任务 → DeepSeek V4-Flash；科学推理 → Gemini 3.1 Pro。
  • 关注 MRCR 修复进度。如果你的产品依赖长上下文（如法律 Tech、科研辅助），在 Anthropic 明确修复前，不要向用户承诺「百万 token 精准定位」。
  • 准备多模型 fallback。开源模型（Kimi K2.6、DeepSeek V4）的性能追赶速度超过预期。在 2026 年 Q3 前，建立至少一条开源模型 fallback 链路。

• 如果你是创业者 / 投资人：

  • Anthropic 的估值叙事取决于「编码领先能否持续」。Opus 4.7 的 SWE-Bench Pro 优势是短期护城河，但 10.9 个百分点的领先是否足以支撑 $30B+ 估值，需要看 GPT-5.6 / Gemini 4 的追赶速度。
  • 开源模型的商业化路径值得关注。Kimi K2.6（Moonshot）和 DeepSeek V4 选择了 MIT 协议，但它们的盈利模式（API 服务、企业支持、云厂商分成）可能定义下一代 AI 基础设施的经济模型。
  • IPO 窗口的风险。如果 Anthropic 和 OpenAI 均在 2026 下半年 IPO，四月模型大战只是序幕。投资者需要区分「真实技术壁垒」和「基准测试军备竞赛的噪音」。MRCR 退化这类「藏不住的问题」在路演中会被放大。

八、参考来源

• [1] OpenAI's Revenue Chief Sent a Sunday Memo. By Monday, It Was Attacking Anthropic, Microsoft, and Its Own Revenue Numbers.
• [2] Claude Opus 4.7 Review: Everything New in 2026
• [3] Claude Opus 4.7 Review: The Top AI Coding Model of 2026
• [4] Anthropic: Claude Opus 4.7 Review | Pricing, Benchmarks & Capabilities (2026)
• [5] Claude Opus 4.7 Pricing 2026: The Real Cost Story Behind the "Unchanged" Price Tag
• [6] GPT-5.5 vs Claude Opus 4.7: Full Benchmark Comparison 2026
• [7] Kimi K2.6 Explained: Moonshot AI's Open-Source Model That Ties GPT-5.5 on Coding (April 2026)
• [8] DeepSeek V4—almost on the frontier, a fraction of the price
• [9] Best AI Models: April + May 2026 Leaderboard (GPT-5.5, Claude Opus 4.7, DeepSeek V4)
• [10] DeepSeek V4 Flash 成 OpenClaw 新默认模型（2026.4.24 更新）：成本降 17 倍，Agent 能力全面升级
• [11] Claude Opus 4.7 Model Specs, Costs & Benchmarks (May 2026)
• [12] Kimi K2.6 vs Claude Opus 4.7：2026 最新旗舰模型深度对比
• [13] From GPT-5.5 to DeepSeek V4: How Developers Are Building Smarter AI Agents with Multi-Model Routing in 2026

Update Log

• 2026-05-05：首发。文中 MRCR 退化原因分析（注意力机制权衡 / 训练数据偏移）为业界推测，未获 Anthropic 官方确认。
• 2026-05-05：Tokenizer 成本影响数据（1.0–1.35×）来自第三方分析机构 Finout，非 Anthropic 官方披露。
• 2026-05-05：OpenAI 内部备忘录相关内容综合自多家科技媒体报道，核心事实（Denise Dresser 署名、80 亿美元营收质疑、Spud 代号）待进一步独立验证。