实测Claude Opus 4.7，好好的模型也开始不说人话了

这就是很大的差距，Claude Opus 4.5 和 4.6，牛逼就牛逼在水桶和全面。

但是这次，Opus 4.7 我实测下来，还是有一些不一样的感觉。

有几个关键更新点，我们一个一个说下。

Anthropic 这次换了新的 tokenizer。

博客原文说，新的 tokenizer 改进了文本处理，trade-off 是同样的输入现在会被切成更多 token，大概是原来的 1.0 到 1.35 倍，具体看内容类型。

意思就是，你把同一段代码、同一份文档、同一个 prompt 丢给 4.7 和 4.6，4.7 要多吃最多 35%的 token。

虽然可能效果确实更好了，但是实打实的，Token 消耗又变得更高了。

API 的定价 $5/$25 确实没涨。

但同样的任务，token 消耗多了 35%，你最后账单可能也要多烧不少了。

他们的意思就是，如果你的任务，每个请求吃更多 token，但因为模型更准、一次过的概率更高、少了来回修改的轮次，所以整体你花的钱没那么多。

逻辑上没毛病，但这个逻辑成立的前提是，你的任务是 4.7 真的擅长的那种高难的复杂任务。

如果你日常跟 Claude 对话的是一些它提升不明显的场景，比如知识管理创作做策划方案数据分析之类的这种，那你可能就是纯纯的确实更烧 token 了。

好惨，牛逼模型的 Token，真的是这个世界越来越值钱的东西。

这个我前面提过，XBOW 的视觉测试，4.6 是 54.5%，4.7 是 98.5%。

先说一下 XBOW 是啥。

这家公司 2024 年成立，干的事儿一句话概括就是让 AI 自己去当白帽黑客，做的是 autonomous penetration testing，自主渗透测试，今年 3 月刚拿了 1.2 亿美金融资，是这个赛道里目前跑最快的一家。

他们测模型的视觉能力是因为 AI 要自己去打渗透，就得看得懂各种乱七八糟的浏览器界面、后台管理系统、开发者工具里的网络请求、错误提示弹窗，这些画面密度极高、细节极多，模型视觉能力差一点，那基本就 GG 了。

4.6 只有 54.5%，也就是一半的图模型看得迷迷糊糊的，但 4.7 直接 98.5%，基本等于全部通过。

成功率从一半直接干到近乎满，这个意义还是挺重要的。

核心其实除了多模态能力的提升，也因为 4.7 支持的图片分辨率提升了。

现在最多可以处理 2576 像素长边的图、大约 3.75 兆像素，是之前 Claude 模型的 3 倍多。

Claude 自己的视觉基准评测提升也很明显。

我以前有的时候偷懒，直接给 Claude Opus 4.6 传一张截图，说 XXX 有问题，或者这个数据它不对，它能大概认出你在干啥，但细节经常看不清。

所以导致经常会有错误，我们自己的 AIHOT 网站就是个典型，字还挺多的，各种卡片兼容的展示样式和逻辑我之前跟 Claude Opus 4.6 改了好久。

有的时候来来回回改不明白，经常把我的文字识别错误。

但今天测了一下，几乎没有识别错误的问题了。

这个对于知识工作者是一个大的 BUFF 加成。

我都能想象到很多场景了，比如做律师的朋友扔一份几十页的合同扫描件给它，它能把里面的日期、条款编号、金额都读对。

比如一个做金融的朋友扔一份年报 PDF 给它，它能把图表里的每根柱子都抓出来。

比如一个做产品的朋友扔一堆竞品截图给它，它能逐个分析界面上的每个组件啥的。

这个升级确实很好，在多模态上发力了。

我之前做一些涉及到用户体验还有美学的，其实说实话，我觉得 Claude Opus 4.6 效果不是很好，属于比上不足比下有余的。

跟 Gemini 相比差距还是很明显，很多视觉效果都做的并不好，还有交互设计这块，也非常的呆，很多时候是不以用户为核心，而是为了完成开发任务为核心。

所以逼的我在 CLAUDE.md 里加了一大段限制。

而这次，可能得益于多模态能力的提升，我用 Claude Opus 4.7，顺手做了一下我之前要做但是还没来得及做的公司招聘网站，效果出奇的好。

因为我们现在很缺人，还在疯狂招人中，所以需要这么一个东西。

我就描述了一下我的需求，这里没有用任何 Skill，Fontend Skill 被我删了。

它就正常列计划，然后开跑了。

第一轮出来基本可用，我又简单微调了两轮，加了 logo 和其他职位的信息，就出来了，一共耗时 20 分钟。

网址在此：https://join.virxact.com/

我觉得在这种微型项目的效果和开发体验是要比 Claude Opus 4.6 好不少，审美更强了，也更听得懂人话，动效效果也更强了，符合我想要的用户体验规则的。

我自己还是相当满意的。

这里帮我们自己打个广告，欢迎大家点进网站来投递简历！

这是让我最失望的一个点。

我平时会用 Claude 做很多很多的知识管理类的需求，不管是辅助创作，还是搜集资料，写报告，做PPT，写方案等等等等。

Claude Opus 4.6 我都觉得在创作上，文字品味是非常好的。

而 GPT-5.4 和国内很多模型，其实是纯粹的编程特化，在人味上极度缺失，典型的如 GPT-5.4。

之前我实在忍不了 GPT-5.4 就是因为垃圾话太多了，网上我找了一个案例。

稳稳接住，根因，按这条切，收口，压实这些破词懂的都懂。

然后这一次 Opus 4.7，在我开发上面的招聘网站的时候，感觉看到了非常不好的倾向。

我对文字还是稍微有点敏感的，当我看到这几句的时候，我的 PTSD 就自动激活了。

再也不会撞，不会爬到 logo 头上，还有莫名其妙的破折号。

我差点应激。

然后立刻去让它同文风续写一下我昨天发的文章，直接心凉了半截。

狗屎，一坨狗屎。

一股子伪人味道，我真的佛了，好好的 Claude，怎么也开始不说人话了。

去社区里面搜了一下。

果然，我不是一个人。

说真的，我心态有点爆炸了。

再说一下新功能吧。

Claude 之前的 effort 档位是 low、medium、high、max 四档。

4.7 这次在 high 和 max 中间加了一档，叫 xhigh，extra high 的缩写。

补上了 high 和 max 之间的跨度。

之前 Max 烧的太狠，但是 high 有时候感觉又有点笨，这次来了个中间值，并且直接预设为默认了。

然后是/ultrareview。

这是 Claude Code 里一个新的命令，专门跑 code review，会把你的代码仔仔细细过一遍，找出所有的 bug 和设计问题。

而且这玩意不便宜，跑一次可能要 5～20 美刀。

Pro 和 Max 用户有 3 次免费的试用额度。

真的贵。

然后是 Cyber Verification Program。

这个可能是最容易被忽略、但我觉得最值得关注的一个点。

Anthropic 开了一个正式的通道，让合法的安全研究、渗透测试、red-teaming 可以申请使用 Claude 的某些原本受限的能力。

申请入口是 claude.com/form/cyber-use-case

这个事的背景是，以前白帽子、安全团队想用 Claude 做漏洞研究、做渗透测试，经常被模型一刀切拒绝。

因为模型识别不了你是恶意还是合法，安全起见全拒。

现在 Anthropic 说，合法从业者你可以来申请，我们走一个特殊流程，通过了给你开通相应能力。

其实 AI 行业越来越走到这一步了，之前 Claude Mythos 太牛逼了不敢给普通人放出来，因为可能真的会出事。

但是你全拒和全开之间，其实需要一个身份核验+分级授权的中间态。

而且这个思路一旦跑通，后面会被大量复用。

比如医疗场景的合规研究、金融场景的模拟攻击演练、生物研究场景的合规用药、甚至军工领域的合法研发，都可以走类似的 Verify 通道。

这是我觉得一个进入产业里，蛮有长期价值的一个设计。

这次 Claude Opus 4.7 差不多就都讲完了。

看到编程能力和视觉能力的提升，我很欣喜。

但是看到一个好好的有文字品味的模型，又一次倒在了不说人话上。

说真的，我现在也有点被稳稳的接住了。

三年，从 GPT-3.5 开始，一路用到现在。

这三年里，我眼睁睁看着这些模型，一个接一个，变得越来越聪明，越来越能打，Benchmark 一个比一个猛，SWE-bench 一个比一个高。

但也是这三年，我眼睁睁看着它们，一个接一个，都不会说人话了。

所有公司卷的都是编程，编程，还是编程。

我不是说编程不重要，我自己也是 Claude Code 的重度用户，我公司内部现在一半的工具都是我用 Claude Code 搓出来的，编程能力对我来说非常非常重要。

但问题是，一个模型，它不应该只是一个编程工具啊。

语言，是人类所有智力活动的底座。一个好的语言模型，应该能写小说，能写诗，能写散文，能陪你聊深夜三点睡不着的那点心事。

但现在的大模型，好像除了会写代码，其他的什么都不会了。

或者说，什么都在退步。

毕竟好像没啥商业价值的东西，没法量化的东西，在 AI 公司眼里可能确实就不是高优先级。

于是它们就被慢慢地、悄悄地、系统性地牺牲掉了。

我真的觉得。

这事还挺悲哀的。