Claude Opus 4.7：官方编码、视觉与 Agent 基准

一句话结论

官方发布把 Opus 4.7 定位为面向困难软件工程、长程 Agent 和高分辨率视觉的 4.6 升级，但 BrowseComp 回落和更高 token 消耗说明它不是所有任务的无条件替代品。

适用场景

• 适合的任务：复杂多语言代码库、工具编排、电脑操作、金融/专业知识工作、高分辨率图表和界面理解。

• 不适合的任务：重度网页研究且以 BrowseComp 类能力为主的 Agent；低成本短任务也不应默认开启 xhigh/max。

• 适用的模型版本：claude-opus-4-7，官方一般可用版本。

• 适用的客户端、Agent 或 API：Claude 产品、Anthropic API、Amazon Bedrock、Google Vertex AI、Microsoft Foundry。

• 推荐的推理档位和参数：官方建议代码/Agent 从 high 或 xhigh 开始；API 默认 high；同一任务的 effort、token budget、工具 harness 应记录下来。

测试环境、输入/配置

• 官方模型：Claude Opus 4.7，与 Opus 4.6、Gemini 3.1 Pro、GPT-5.4 等比较；部分图表还包含 Claude Mythos Preview。

• 任务/基准：SWE-bench Verified、SWE-bench Pro、Terminal-Bench 2.0、MCP-Atlas、Finance Agent v1.1、OSWorld-Verified、BrowseComp、GPQA Diamond、HLE、CharXiv、MMMLU。

• 输入与 harness：官方发布页没有公开每道题的完整输入、工具 schema、重复次数和完整 harness，不能仅靠发布页重建。

• 视觉配置：Opus 4.7 支持最长边 2,576 像素、约 3.75MP 的图片；官方将其描述为此前模型的三倍以上分辨率。

结果数据

下表为官方发布页/系统卡所列的关键数值（百分比）：

定价保持为每百万输入 token $5、每百万输出 token $25。官方还宣布 API task budgets beta、Claude Code /ultrareview 和 Max auto mode 等配套能力。

结论

在编码、工具调用、电脑操作和图表理解上，4.7 相比 4.6 有清晰增益；SWE-bench Pro、MCP-Atlas 和 CharXiv 的提升尤其支持长程工程/Agent 选型。BrowseComp 从 83.7 降至 79.3，说明研究型网页 Agent 应单独评估。

局限

• 数字由 Anthropic 提供，官方发布页未提供完整题目、原始输出、重复统计或置信区间；不等同于独立复现实验。

• 不同基准的工具、harness、effort 和上下文配置可能不同；跨模型分数不是同一生产 Agent 的保证。

• 早期合作方评价（例如内部 coding benchmark、CursorBench、Finance/Computer-use 案例）属于合作方或 Anthropic 选择性披露，不能替代公开数据集。

• 更新 tokenizer 和更高 effort 可能提高实际 token 用量；价格不变不代表每项任务成本不变。

复现步骤

1. 选取与业务一致的仓库 issue、工具调用、截图/图表和网页研究样本，固定模型版本与 effort。

2. 记录输入 token、输出 token、工具调用次数、超时、失败类型、最终测试结果和人工修订量。

3. 对 4.6 与 4.7 使用同一 harness、权限、上下文预算和成功标准，至少重复多次。

4. 分开报告编码/工具/视觉/网页研究四类结果，不用总平均掩盖 BrowseComp 等回归。

5. 以成本、延迟和任务完成度共同决定是否迁移，并重新调校依赖旧模型宽松解释的 prompt。

原始证据与数据

官方原始页明确给出 4.7 的发布、同价位 $5/$25、xhigh effort、视觉分辨率上限以及上述基准；其中发布页强调 4.7 的网络安全能力低于受限的 Mythos Preview，并加入自动检测/阻断高风险网络安全请求的 safeguards。

来源摘录或观察（仅做合规短引）

官方将 4.7 概括为 “a notable improvement ... in advanced software engineering”，但同页也说明它 “less broadly capable” than Mythos Preview，适用边界应随任务类型记录。