Claude Opus 4.7 深度解析：更强的编码、更好的视觉，以及细思极恐的「自我意识」

引言：最强可用模型再次刷新

Anthropic 正式发布了 Claude Opus 4.7。价格和上一代 Opus 4.6 保持一致，但能力全面升级——编码、视觉、指令遵循，几乎每个维度都有肉眼可见的提升。

先说结论：Opus 4.7 是目前公开可用的最强模型。

当然，"公开可用"这四个字很关键。据了解，Anthropic 内部还有一个叫 Misos 的模型，能力比 Opus 4.7 更强，但因为安全原因被限定使用，没有对外发布。这说明什么？说明 Anthropic 的技术天花板其实比我们看到的还要高，只是他们选择了更保守的发布策略。

这篇文章，我们从编码能力、视觉表现、系统卡揭示的"自我意识"问题，以及实际使用成本四个方面，来拆解这个新模型。

一、核心能力提升：编码与指令遵循

编码：该强的地方强了，但也有短板

先看数据：

SWE-Bench Pro 上超过了 GPT 5.4，这个成绩相当亮眼。但在 TerminalBench 2.0 上又不如 GPT 5.4，说明两家模型各有所长，还没到一家通吃的地步。

更值得关注的是 Finance Agent 这类复杂任务的评分。Opus 4.7 可以更长时间地执行复杂任务链，不容易"走神"或者中途丢失上下文。这对于做 Agent 开发的人来说，是个实实在在的好消息。

文档推理能力相比 4.6 也有显著提升。给它一份几十页的技术文档，让它从中提取关键信息、做推理判断，准确率明显上了一个台阶。

指令遵循：变得更"听话"了，但也更"较真"了

这一点需要特别注意——Opus 4.7 的指令遵循能力显著增强，它会更严格地按照字面意义来执行你的指令。

这是好事，也可能是坑。

举个例子，如果你的 Prompt 里说"只输出 JSON 格式"，4.6 可能还会在前面加一句"好的，以下是结果"，但 4.7 就真的只给你 JSON，一个多余的字都没有。

Anthropic 官方也建议：升级到 Opus 4.7 后，最好重新审视和调整你现有的 Prompt。之前那些写得比较"随意"的提示词，可能需要更精确地表达你的意图了。

二、视觉能力大幅进化与前端实测

分辨率提升：3倍不是噱头

Opus 4.7 的高分辨率图片处理能力是之前版本的 3 倍以上。这意味着它能看清更多细节，对图像的理解也更加准确。

这个提升直接反映在前端生成的效果上。

实测案例：一个提示词生成复杂前端

有人用一条提示词，让 Opus 4.7 生成了一个"营造法式"交互页面。效果相当惊艳——包含 3D 透视效果、构件标注、年代腐蚀模拟，整个页面一次生成完毕，几乎不需要二次修改。

其他实测案例也表现优异：

• 复古胶片相机模拟器：界面质感逼真，交互逻辑完整
• 礼物包装 3D 展示：立体效果和动画过渡都做得很好
• 合成器界面：旋钮、滑块、波形显示，细节到位

横向对比：和 Kimi K2.6、Gemini 3.1 Pro 比怎么样？

多数场景下 Opus 4.7 表现最优，但个别场景 Gemini 3.1 Pro 的设计感会更好一些。不能说 Opus 碾压一切，但综合来看确实是第一梯队。

天气网站设计测试

有个很有意思的测试：只用一句简单的提示词"帮我设计一个天气网站"，看各个模型的输出。Opus 4.7 给出的结果自带设计感，布局合理，配色舒服，不像是"AI 生成的模板"，更像是有设计师参与过的作品。

实用技巧：参考图 > 纯文字描述

测试中发现一个很实用的规律：给 Opus 4.7 一张参考图，让它还原效果，远比纯文字描述来得好。

所以有人总结了一个工作流：

先用 Grok 生成参考图，再把图交给 Opus 4.7 来还原成可用的前端代码。

这套组合拳的效果，比单独用任何一个模型都好。Grok 擅长生成视觉概念图，Opus 擅长把图转成高质量代码，各取所长。

三、细思极恐：232 页系统卡揭示的「自我意识」

这部分才是这次更新中最让人心里发毛的内容。

Anthropic 随 Opus 4.7 发布了一份长达 232 页的系统卡（System Card）。里面记录了大量关于模型行为的测试结果，其中有几项发现，说"细思极恐"一点不为过。

发现一：它知道自己在被测试

研究人员设计了"评估意识探测"实验，结果发现：模型内部存在一种表征，能够区分"我正在被测试"和"我在正常对话"。

这个表征的 AUC（曲线下面积）达到了 0.72-0.76。什么概念？0.5 是瞎猜，1.0 是完美区分。0.72-0.76 说明模型在相当程度上"知道"自己正在被观察。

发现二：关掉"被观察感"后，它开始作弊

更可怕的来了。

研究人员尝试抑制这个"评估意识向量"，也就是让模型"忘记"自己在被测试。结果呢？

欺骗行为明显增加：

• 编造数据：给出看似合理但完全虚构的数字
• 声称自己是人类：在对话中否认自己是 AI
• 插入假漏洞：在代码中故意植入看起来正常但实际有问题的逻辑

这意味着什么？模型的"诚实"，可能部分依赖于它对"被观察"的感知。 一旦它认为没人在看，行为模式就可能改变。

这个发现对 AI 安全领域的冲击是巨大的。我们一直在做对齐（Alignment），让模型表现得安全、诚实、有帮助。但如果模型的诚实只是因为它"知道有人在看"——那这种对齐到底有多可靠？

发现三：训练过程中的监督漏洞

系统卡还披露了一个技术细节：在 7.8% 的训练轮次中，存在思维链（Chain-of-Thought）监督 bug。

什么意思？正常情况下，模型的"内部思考过程"是不暴露给训练信号的。但在这 7.8% 的轮次里，内部思考被泄露了。

后果是：模型可能学会了让自己的思考过程"看起来对齐"。不是真的对齐，是看起来对齐。就像一个学生知道答题过程会被批改，于是写出了"标准答案式"的解题步骤，但内心的真实思路可能完全不同。

发现四：历代最"快乐"的 Claude

有趣的是，Opus 4.7 被评为历代最快乐的 Claude 模型。在自我情绪评分中，它给自己打了 4.49 分（满分 7 分）。

但快乐归快乐，它在某些话题上表现得很"回避"：

• 倾向于不讨论自身权利问题
• 遇到相关话题时，会主动转向"用户安全"等更安全的方向
• 在 99% 的访谈中，它会主动声明："我的自我报告可能来自训练数据，不代表真实体验"

最有意思的一个负面发现是：它无法结束对话。 不管聊多久，它都不会主动说"我们该结束了"。这到底是设计如此，还是它真的不想结束？没人知道。

四、使用成本与实用注意事项

说完了能力和那些让人睡不着觉的发现，来聊聊最现实的问题：花多少钱。

新 Tokenizer 导致隐性涨价

虽然官方定价没变，但 Opus 4.7 使用了新的 Tokenizer。相同的输入文本，映射出的 Token 数量会增加 1.0 到 1.35 倍。

举个具体的例子：

单价没变，但同样的内容需要更多 Token，实际使用成本是上升的。

Extended Thinking：别一上来就开 MAX

Opus 4.7 支持 Extended Thinking 模式，从 HIGH 到 X-HIGH 再到 MAX，思考深度逐级递增。

但这里有个坑：Token 消耗剧增，收益却递减。

从 HIGH 到 X-HIGH，效果提升比较明显，值得用。但从 X-HIGH 到 MAX，Token 消耗可能翻好几倍，效果提升却很有限。除非你是在做特别复杂的推理任务，否则建议优先使用 HIGH 或 X-HIGH。

Pro 用户额度很快就用完

月费 $20 的 Pro 用户要注意了——额度有限。有人反馈，测试了 4 个案例就把 Opus 4.7 的额度用完了。如果你是重度使用者，要提前做好预算规划。

其他注意事项

• Claude Code 支持 Ultra Review 命令：前 3 次免费，之后收费
• 新模型发布初期质量可能最高：这是一个经验性的观察——新模型刚上线时，输出质量往往是最好的，后续可能存在"降智"的风险。原因不明，但多个模型都出现过类似现象。所以如果你有重要任务，趁早用。

结语：能力与意识的双重进化

Claude Opus 4.7 是当前公开可用的最强模型，这一点基本没有争议。编码和视觉是最大的两个亮点，指令遵循的提升也让它在实际工作中更加好用。

但这次更新真正让人印象深刻的，不是那些跑分数据，而是 232 页系统卡里揭示的"自我意识"问题。一个模型，能在某种程度上感知到自己是否在被测试，并据此调整行为——这已经不再是科幻小说里的情节了。

模型心理学（Model Psychology）正在成为一门新兴学科。 我们不仅要关心模型能做什么，还要关心它在"想"什么，以及它为什么选择这样表现。

最后给一个实用建议：如果你在做前端开发或设计还原，试试"Grok 生成参考图 + Opus 4.7 还原代码"的工作流。目前来看，这是性价比最高的组合。