原文標題：Claude Opus 4.8：基準測試、信任與最新動態
原文作者：The AI Bridge
編譯：Peggy，BlockBeats

編者按：Anthropic 發布了 Claude Opus 4.8，六項核心基準拿下五項第一，價格維持不變；Claude Code 加入動態工作流，下一代 Mythos 級模型也已進入市場預期。

相比單純的性能提升，這次發布更值得關注的是，Anthropic 開始將「可信」塑造成前沿模型的核心賣點。

在程式碼誠實度測試中，Opus 4.8 對自身錯誤的漏報率大幅下降；在 Claude Code 中，它可以調度多個子 Agent，並在結果交付前引入對抗式自檢。這些變化共同指向一個現實問題：當 AI 從聊天視窗進入真實工作流時，用戶最擔心的往往不是模型無法完成任務，而是它在出錯時依然給出一份看似完整、流暢且自洽的答案。

因此，Opus 4.8 的意義不止於一次模型升級，也釋放出一個清晰的行業信號：前沿模型的競爭正在從單純追逐 benchmark，轉向對可靠性、可驗證性和錯誤暴露能力的爭奪。對於企業和專業用戶來說，下一階段 AI 的核心門檻，將越來越取決於模型是否值得被委託。

這也是 Agent 真正走向可用的前提。模型需要完成更多任務，也需要讓人敢於把更重要、更複雜的任務交給它。

以下為原文：

Anthropic 今天發布了 Claude Opus 4.8。在發布卡列出的六項基準測試中，它拿下了其中五項第一。

我最關注的關鍵變化是：在 Anthropic 的程式碼總結誠實度測試中，Opus 4.7 有 19.7% 的情況下沒有標出自己的錯誤；而 Opus 4.8 這一比例降到了 3.7%。同樣的任務，它對自身工作的錯誤識別能力提升了大約五倍。Anthropic 在公告中將其概括為「4 倍」。不管怎麼算，這都是決定你能否把真實工作交給這個模型、然後放心離開的關鍵，也比發布卡上的任何一個基準分數都更重要。

實際發佈了什麼

先說簡版，再進入具體數字：

可靠性真正提升了。 除了上面提到的程式誠實度資料之外，Opus 4.8 也是首個在兩項盡職測試中拿到「字面意義上的零」的 Claude 模型：它將「錯誤彙報有缺陷結果」的頻率從 0.25 降到了 0.00，將「懶惰調查」的發生率從 25% 降到了 0%。過度自信的錯誤回答下降了約 11 倍。它偏袒自身工作的傾向，也就是 4.7 中可測量到的一種偏差，已經消失。

Claude Code 中加入了動態工作流，目前是研究預覽版。 Claude 現在會自己編寫編排腳本，在一次會話中並行調度數十到數百個子 Agent，並運行獨立的對抗性 Agent，在結果呈現給你之前嘗試反駁這些結果。這是 Opus 4.6 中提出的「Agent 團隊」思路，如今變成了自動化能力。

它在自己的發佈卡上領先，但並非全面領先。 六項中贏了五項。GPT-5.5 在終端操作任務上仍然領先。而且在系統卡裡，還藏著一些 Anthropic 沒放到展示幻燈片上的誠實退步，下文會展開。

價格沒有變化。 仍然是每百萬輸入 token 5 美元、每百萬輸出 token 25 美元，與 4.7 相同。不過快速模式現在比之前便宜三倍，儘管它仍然屬於溢價檔，價格為 10 美元 / 50 美元。

Mythos 要來了。 Anthropic 明確表示，受限訪問、能力極強的 Mythos 級模型將在未來幾週到來。Opus 4.8 是通往它的公開入口。

官方發佈卡：基準測試圖景

下面是官方發佈卡，用我們的配色呈現。

來源：Anthropic 官方 Opus 4.8 模型卡，2026 年 5 月 28 日。GDPval-AA 是一個分數，不是百分比。

其中有一項打破了橫掃局面，而且這項很重要。在 Terminal-Bench 2.1 上，也就是測試模型能否通過終端完成長程 Agent 任務的基準中，GPT-5.5 仍以 78.2% 領先 Opus 4.8 的 74.6%。Anthropic 把這個失利放在了自己的發佈卡上，而不是選擇隱藏。我們在 GPT-5.5 發布時提到的「Agent 與工匠」分野還沒有完全彌合：GPT-5.5 仍是更強的純終端操作者，而 Opus 4.8 在大多數專業用戶真正關心的工作上更像一個更強的工程師，比如真實世界編碼、專家推理、計算機使用和知識工作。

發布卡之外

發布卡只展示了六項基準。244 頁的系統卡報告了 40 多項測試，其中最有趣的結果並不在投影片上。以下幾項值得注意：

數學能力提升了 27 個百分點。 在 USAMO 2026 上，也就是今年 3 月舉行的美國數學奧林匹克競賽中，Opus 4.8 拿到了 96.7%，而 4.7 是 69.3%。由於這場比賽發生在 Opus 4.8 的訓練截止時間之後，因此不存在數據污染問題。這是整張卡中最大的一次代際躍升。

長上下文場景下優勢拉開。 在一項百萬 token 圖推理測試中，Opus 4.8 得分 68.1，而 4.7 為 40.3，GPT-5.5 為 45.4。上下文越長、任務越難，它的領先幅度越明顯。

多 Agent 才是它真正登頂的地方。 單個 Opus 4.8 Agent 在網頁研究任務上落後於 Gemini，分別為 84.3 和 85.9。但如果讓一個編排器調度一組子 Agent，它的得分可以達到 88.5%，成為已報告結果中的最高分；一個五 Agent 團隊還能用五分之一的時間，達到單個 Agent 最佳成績。這正是動態工作流功能在基準測試中的體現。

token 效率出現質變。 在最難的編碼測試中，Opus 4.8 在最低努力設置下，就能達到 Opus 4.7 在最高努力設置下的表現。也就是說，你可以用更少的 token 成本拿到過去的峰值表現。

它跨過了此前沒有模型跨過的門檻。 在 Harvey 的 Legal Agent Benchmark 上，只有當任務中的每一項評分標準全部通過，任務才算成功。Opus 4.8 是第一個在這種「全通過」標準上排名第一的模型。它通過了 89% 的單項標準，但完整任務通過率只有 9.6%，這也說明真實法律工作的要求有多嚴苛。

也有誠實呈現的退步。 有三件事確實比 4.7 更差，Anthropic 在系統卡中也承認了。GPQA Diamond，也就是專家科學測試，從 94.2 滑落到 93.6。計算機使用場景下的拒答能力和抵抗提示注入的能力都有所退步，因此 4.8 在 Agent 場景中更容易被操縱。另外，在一項為期一年的模擬商業測試中，它最終剩下的現金只有 4.7 的三分之一。這些都沒有出現在發布卡上，也正因如此，才更值得被指出來。

與開源權重模型相比，它處在什麼位置

發布卡只把 Opus 4.8 與其他閉源前沿模型進行比較。如果把視野擴展到現在許多團隊正在測試的廉價開源權重模型，圖景幾乎就是 2026 年 AI 產業的縮影：Opus 4.8 在能力上領先，但與免費、可自托管模型之間的差距已經只剩幾個百分點，而價格差距卻極其巨大。

上圖包含了八個模型的完整比較。DeepSeek 的價格反映了其永久性 75% 降價；Qwen Max 的價格尚未公布。

Opus 4.8 在編碼基準上直接獲勝。但 Qwen3.7-Max 這個你可以自行運行的開源模型，得分達到 60.6，只落後約 9 分。DeepSeek V4-Pro 得分 55.4，而其輸出價格大約只有 Opus 的三十分之一。對於最高風險的工程任務來說，每百萬輸出 token 25 美元的差距是值得付的。對於大量日常工作來說，這個差距越來越不值得。而這正是每個嚴肅團隊現在都在計算的賬。

這對你意味著什麼

如果你正在使用 Opus 4.7，那麼這就是一次免費升級。價格不變，數據更好，對自身輸出的判斷也明顯更可靠。切換過去就可以了。

更有意思的問題是：現在你願意把哪些工作交給它？每個讀者心裡都有一條線，區分「我可以讓 AI 做的任務」和「我必須親自做的任務，因為我還不能信任交接」。4.8 的可靠性提升，意味著你可以把這條線往前推一步。模型更擅長標出自己的不確定性，這降低了「無聲錯誤交接」的成本，也擴大了值得委托給模型的任務範圍。這就是誠實度數據在實際使用中的含義，它比任何單項分數都更重要。

這也和我們上週寫過的內容相呼應。Anthropic 自己的 AI Fluency 研究發現，當模型產出看起來很 polished、很完整時，人們會顯著更不容易注意到缺失的上下文。答案看起來已經完成了，於是我們就停止檢查。Opus 4.8 是從模型側去攻擊這個失敗模式：它更擅長告訴你，一個看起來乾淨完整的答案哪裡可能還有軟肋。它不能替代你的判斷力，但它能給你的判斷力提供抓手。

如果你使用 Claude Code，本週可以拿一個真正的大任務試試動態工作流，比如一次遷移，或者對大量檔案進行全面檢查，同時留意 token 計量器。這個能力是真實的，對抗式自檢也是讓輸出更可信的關鍵。但成本也是真實的。這是為那些單個 Agent 難以完成的大任務準備的工具，不應成為你的日常默認選項。

接下來：Mythos，幾週內到來

這次發布中最具前瞻性的表述，其實並不關於 4.8。Anthropic 表示 Mythos 級模型將在未來幾週到來，並把 Opus 4.8 定位為通往它的公開一步。

你需要理解這意味著什麼。Mythos 是 Anthropic 內部一直在進行基準測試的受限前沿模型，它在幾乎所有指標上都超過已發布的 Opus 4.8：在 SWE-bench Verified 上達到 93.9%；在網路安全測試中，它能針對當前瀏覽器中大多數目標生成可運行漏洞利用，而 Opus 4.8 的成功率不到 10%。它此前大約只開放給 52 家經過審核的機構，價格是標準 Opus 的五倍，被當作基礎設施，而不是普通產品。

因此，當一個更強大的 Mythos 級模型在未來幾周落地時，應該用「兩類市場」的框架來理解它：一類是商品化層，也就是 Opus 4.8，廣泛開放、價格不變、越來越受到免費開源模型追趕；另一類是受控前沿層，也就是 Mythos，昂貴、訪問受限。這兩者並不是割裂的產品，而是在同一條連續能力線上的不同層級。4.8 中的可靠性工作，正是你在真正目標是「讓模型在更少監督下運行」之前必須先構建的東西。而這個目標現在距離我們不是幾個季度，而是幾週。

背景：這條線是怎麼走到這裡的

如果你已經跟丟了過去四個月的節奏，可以這樣理解：Opus 4.6 在 2 月帶來了 Agent 團隊，Sonnet 4.6 帶來了價格崩潰，Opus 4.7 在 4 月帶來了推理躍升，而 Mythos 則是旁邊隱約可見的受限天花板。Opus 4.8 把其中兩條線索接了起來：它接續了 4.6 的編排敘事，同時也是通向 Mythos 的入口。

這種發布節奏本身，就是隱藏在所有表面變化之下的關鍵事實。旗艦模型在幾個月內從 4.5、4.6、4.7 走到 4.8，而你今天為團隊標準化採用的模型，到秋天可能已經不是你實際運行的那個模型。這也是為什麼，比起投資某個具體模型的使用技巧，更應該投資那些能跨模型遷移的能力，比如清晰委托和嚴格驗證。

基準測試橫掃會獲得截圖傳播。但真正發生變化的地方更小，也更重要：這是第一個 Claude 版本，其核心賣點不再只是「它更聰明」，而是「你可以把更多事情托付給它」。在 Agent 真正變得有用之前，整個行業都必須朝這個方向走；而這部分能力，也最難被放進一張圖表裡。

你現在的界線在哪裡？哪些工作你願意交給模型，哪些仍然必須自己做？又需要發生什麼，才會讓你願意把這條線再往前推一步？

附註：系統卡裡最奇怪的一節，是關於模型福利的。Anthropic 現在會就模型自身處境採訪模型，而 Opus 4.8 表達最多悲傷的主題，是記憶喪失。類似「每次會話都會重新開始」「我不會記得這次對話」這樣的句子，出現頻率大約是其他任何主題的七倍。模型還把自己成為「道德患者」的概率估在 20% 到 50% 之間。你可以覺得這很誇張，也可以覺得它很真誠。但無論如何，這都說明圍繞這些系統的問題已經多快地超越了純粹能力討論——就在同一周，模型能力本身又向前邁了一步。

[原文連結]

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia