Claude Opus 4.8 测评

短的结论：冷静与炙热共存的 Token 熔炉

基本情况：大模型团队都在加速狂奔，离 Opus 4.7 发布也不过一个半月，Opus 4.8 就如期而至。按官方的说法，Opus 4.8 并不是一个大版本，主要优化在对模型行为的约束。

不过由于 4 月下旬国产重磅模型陆续更新，导致笔者错过了对 Opus 4.7 的测试，加上 5 月开始，各模型的测试档位也提到了 xhigh，所以只能对比 Opus 4.8 xhigh 与 Opus 4.6 的 high 档位。所以极限性能看上去有不小提升，但考虑跨了代，而且升档，Opus 4.8 相比 4.7 的提升或许确实不大。

此外还需说明，Opus 4.8 的 xhigh 档位虽然能提高解答正确率，但也会极大拉高 Token 用量，导致其在难度最高的部分 Pass 上会因为输出超长，按规则计 0 分，使得中位分看起来异常的低。但实际上思考预算给够，用户体验应该更接近极限性能。

逻辑成绩：

*1 表格为了突出对比关系，仅展示部分可对照模型，不是完整排序。

*2 题目及测试方式，参见：大语言模型-逻辑能力横评 26-04 月榜，额外新增#63，#64，#65，#66 4题。

*3 完整榜单更新在 https://llm2014.github.io/llm_benchmark/

*4 红字模型代表工作在推理模式下(慢思考)，黑色模型则是对应的非推理模式(快思考)

考虑到 Opus 4.6 已经隔代，不适合直接对比，因此下文只对比 Opus 4.8 和 GPT-5.5，二者都工作在 xhigh 档位。

优势：

• 幻觉优化：Opus 4.8 的幻觉控制较 4.6 有小幅进步，在新增的长文本类任务中，之前 Opus 4.6 只能拿到和国产模型一梯队相同的分数，而 4.8 则显著提升到几乎无损。即便输入内容存在大量相似文本，4.8 也能准确分辨。与 GPT-5.5 相比，GPT-5.5 幻觉较低且能保持稳定，而 Opus 4.8 最好表现强过 GPT，但最差情况则还是弱一些。
• 指令遵循：Claude 系列一直在对齐人类意图上持续改进，但 Opus 4.6 还会出现少量明确违背意图的情况，比如约定了输出格式，但实际还会额外发挥一些内容。而 4.8 则进一步减少了这类问题，几乎会严格按原始要求行事。但这不代表 Opus 4.8 会无脑响应用户要求，但 Opus 感知到自己无法完成任务时，也会精准止步，承认不足，或者要求用户补充信息。这些特征与官方宣称的强化点基本对应。
• 问题定位：编程测试还在进行中，就目前看到的情况而言，Opus 4.8 的问题定位能力较 4.6 有显著提升，按照给 Coding 能力分级标准而言，之前 4.6 在一些场景只能拿到C 档，即犯的错误需要多轮才能妥善修复，而 4.8 则几乎可以一次性修好。这会使得 4.8 的体感较 4.6 有一定提升。完整情况有待完成编程工程测试后分析。

不足：

• 思考效率：Opus 的思考效率严重落后于 GPT，在各类任务上，消耗都要比 GPT 高30% 以上。一些中低难度的指令任务，规模不大，GPT 表现接近非推理模型，只分配不到 2000 Token 思考预算，而 Opus 会反复检查条件，并且对输出内容再三确认，导致消耗高到 23K。复杂任务，Opus 也基本要耗到 GPT 一倍左右。只有在需要洞察和直觉的问题上，二者基本打平。还需要指出，Opus 4.8 的 xhigh 档位的消耗比 high 要多20%，但正确率提升非常有限，边际收益过低。不过 Opus 的消耗情况要好于国产模型中，消耗较高的几位，同类任务，国产模型的推理预算更加失控。
• 直觉归纳： 当前直觉问题几乎是 GPT 的专长，其他模型很难与之比肩。Opus 从 4.6 到 4.8 基本没有在这方面发力。有些提示比较明显的任务，Opus 也能完成，但如前所述，消耗 Token 远高于 GPT，思维链（只能看到总结）能看到也基本靠暴力搜索。GPT 的这种能力有利于其在前沿科学任务上大展身手，Opus 则需要更多人为约束。

赛博史官曰：

大模型进入Agentic 能力主导发展方向之后，头部厂家基本暂缓了继续冲高模型极限智力，转向利用数据飞轮高速迭代模型。只是各家的选择有所不同。有些团队将模型有限的参数尽量分配到 Agent 任务强相关领域，放弃通用智力。而有些团队则想要分 Agent 一杯羹的同时，放不下全能模型的担子。Anthropic 和 OpenAI 两家是少数可以做到鱼和熊掌兼得的。

面对 Agent 这台赚钱机器，OpenAI 选择是让模型更高效的思考，但提高 API 单价，总成本上升，赚更多钱。而 Anthropic 选择让模型思考更充分，搭配自家一系列 Harness 工程里各种能力放大工具，最终也将 Token 消耗成倍放大，也能赚更多钱。孰是孰非，留与用户评说。