Claude Opus 4.8 发布——功能、基准测试与价格全解析

2026 年 5 月 28 日，Anthropic 发布了 Claude Opus 4.8——距离前一代 Opus 4.7 还不到两个月，升级节奏明显在加快。但这次的主角，并不是基准测试上几个百分点的提升。Anthropic 的官方公告提到，早期测试者认为该模型 “在执行智能体任务时更可靠、判断更敏锐”，并写道 “Opus 4.8 最突出的改进之一是诚实”。把 “变诚实了”与基准测试的提升相提并论的发布，并不多见。

先说结论：编程稳步增强（SWE-bench Pro 64.3%→69.2%），终端操作大幅提升（Terminal-Bench 2.1 66.1%→74.6%），知识工作的评分也有上升（GDPval-AA 1753→1890）。此外 fast mode 约快 2.5 倍、实际价格只有三分之一，并且一次性带来了三项面向开发者的实用功能：effort 参数、dynamic workflows，以及 Messages API 中的 system 条目。与此同时，它并非处处领先——在终端操作上仍不及 GPT-5.5。本文将基于 Anthropic 的官方公告与 Transparency Hub，把数字、新功能与注意事项逐一拆解。

* 本文数值基于 Anthropic 的官方公告、模型页面、系统卡，以及多家技术媒体的报道（截至 2026 年 5 月 28 日）。随着后续验证的进行，可能会有更新。

1. Opus 4.8 要点：性能、价格与理念

给忙碌的读者，先把要点说清楚。

• 性能：编程（SWE-bench Pro）稳步增强，终端操作（Terminal-Bench 2.1）与知识工作（GDPval-AA）大幅提升。另一方面，Terminal-Bench 2.1 上 GPT-5.5 更高，计算机操作（OSWorld-Verified）几乎没有变化。
• 价格：标准价格与 4.7 持平。最大的经济影响在于 fast mode 约快 2.5 倍、实际价格只有三分之一。
• 理念：先“更诚实”，再“更聪明”。对自己所写代码中的缺陷不加说明就放过的比率约为 4.7 的四分之一，在总结工作时没有向用户指出重要失败的比率为 3.7%。支撑长时间自主工作的 dynamic workflows 与 effort 参数也随之登场。

2. 核心规格与提供形态

先从不变的事实说起：Opus 4.8 的规格，以及你能在哪里用它。

关键在于 “价格和上下文都保持不变，只有实质内容变强了”。如果你正在用 4.7，只需把模型 ID 换成 claude-opus-4-8，就能在不增加成本的情况下获得性能提升（迁移注意事项见第 9 章）。只需留意，仅限美国境内推理会有 1.1 倍的价格乘数。

3. 基准测试正面对比（4.8 vs 4.7）

规格看过了。那么实际能力到底提升了多少？这里把已公开的主要基准测试与 4.7 并列。加粗的是提升幅度最大的项目。

出处：Anthropic 的 Opus 4.8 发布公告中的表格（图片）。Terminal-Bench 2.1 的所有模型均使用 Terminus-2 测试框架，GPT-5.5 在 Codex CLI 下为 83.4%（同一公告的脚注）。关于 OSWorld-Verified，同一公告的脚注称，因评测运行方式调整，Opus 4.7 的成绩已更新为 82.3%，与表中的 82.8% 不一致。

补充一下怎么读这张表。SWE-bench Pro 的 +4.9 个百分点看似不起眼，却很重要：Pro 收集的是更贴近现实、更难的编程任务，这里的提升会直接转化为“实际工作中卡住的时候变少”的体感。不过提升最大的是 Terminal-Bench 2.1 的 +8.5 个百分点与 GDPval-AA 的 +137。

话虽如此，它并非处处领先。Terminal-Bench 2.1 上 GPT-5.5 以 78.2% 更高（Codex CLI 下为 83.4%），计算机操作的 OSWorld-Verified 相比 4.7 只 +0.6 个百分点，几乎持平。详见第 9 章。

4. 价格与 fast mode——便宜了 3 倍的高速版

性能的话题说了不少，但这次真正最戳钱包的，是 fast mode 的价格调整。标准价格与 4.7 完全持平，那就先把两者并列。

这比表面看上去的影响更大。过去“想要速度，但高速版偏贵”的两难，恰好出现在那些用例上——对话式 UI 响应、CI/CD 中的批量代码审查、智能体的多步执行——现在你可以同时兼得速度与价格。再叠加标准价格保持不变，这次的经济结论就是 “同样的预算，却更快、更聪明”。关于完整的价格图景，请参阅Claude Opus / Sonnet / Haiku 价格对比。

5. 新功能①：effort 参数与自适应思考

价格之后，是开发者直接接触到的功能。首先是 effort 参数。这是一个让你 分四个级别明确指定“思考得有多深”的旋钮。

与 effort 相对应的是 自适应思考（adaptive thinking）：模型会 根据任务的复杂度自动调节所用的算力。简单问题反应迅速，难题则自行深入。你用 effort 设定上限与策略，自适应思考来优化实际分配——这种两层设计实现了“不浪费思考 token，只在要紧处深入”。

6. 新功能②：dynamic workflows（研究预览）

这次最有野心的功能就是它。dynamic workflows 是一项可在 Claude Code（CLI、桌面端、VS Code 扩展）中使用的 研究预览功能，是一种把“大活儿”整体交给 Claude 的机制。

具体来说，Claude 会 自己编写编排脚本，并启动数十到数百个并行子智能体来并发攻克问题。它甚至会部署 对抗式验证智能体（adversarial verification agents）来批判性地核查结果，并 迭代直到收敛。它在主对话线程之外进行协调，其 状态可恢复（resumable），能撑住跨越多天的执行。

从定位上看，它是朝着 由模型自身当场设计并运行“多智能体并行编排”的一步——而这种编排你以前需要用 Claude Agent SDK 自行搭建。对于大型重构和横跨多处的调查，它无需人类逐步指挥就能自主推进的范围扩大了。

7. 新功能③：Messages API 中的 system 条目

一个不起眼但对开发者很受用的改动：Messages API 现在可以在 messages 数组中接受 system 条目了。

以前，系统提示（系统指令）只在对话开头放置一次。有了这项改动，你可以在对话进行途中插入系统指令——并且 无需打破提示缓存，也不需要插入一个用户回合。

// 示例：在工作流途中更新「权限、预算、环境」
messages: [
  { role: "system",    content: "你是一个 CI 智能体。禁止任何破坏性操作。" },
  { role: "user",      content: "更新依赖项" },
  { role: "assistant", content: "..." },
  // 在运行途中更新策略（不打破缓存）
  { role: "system",    content: "token 预算不足。使用 effort=low，只保留要点。" },
  { role: "user",      content: "继续" }
]

这在 长时间、多步骤的智能体执行中会带来回报。在执行途中“动态切换策略”——收紧权限、传达 token 预算、更新环境上下文（你当前在哪个分支等）——现在都能在保持缓存效率的同时完成。这是一个与 dynamic workflows 这类长时自主运行很搭的设计。

8. 最大的进化是“诚实”——放过代码缺陷的比率降到约四分之一

这是我最想传达的部分。Opus 4.8 真正的差异化并不在基准测试的数字上——而在于 “对自身工作的诚实”。Anthropic 和测试者反复强调的，是 这个模型会主动标记自己的不确定性，更不容易做出没有依据的主张。

为什么这很重要？让 AI 智能体长时间自主运行的最大风险，是 “把失败报告成成功，然后在那个错误之上继续堆叠工作”。测试还在失败却说“修好了”；把不确定的猜测用笃定的口吻陈述——这类“过度自信”会从根本上侵蚀自动化的可靠性。Opus 4.8 现在能 自行标记其不确定性，从实务角度看，这比基准测试上的几个分点更有价值。就我个人而言，我认为这一点正是本次更新中最值得称道的地方。

9. 注意事项（诚实地写）

前面看了提升之处。但既然这是一篇称赞“诚实”的文章，这里也诚实地——毫不掩饰地写出 4.8 没有进步、需要注意的地方。

尤其是提示注入，要记住“换成 4.8 就更安全”并不成立。根据 Anthropic 的 Transparency Hub，攻击成功率与 4.7 相同，为 0.4%（超过 1.5 万次攻击），在比较的主流模型中最低，但这是去掉产品侧额外防护后的数值。对于读取外部输入（网页、邮件、用户投稿）并自主行动的智能体，基本做法仍是收紧权限的设计，而不是依赖模型本身的抗性。

10. 谁应该现在就升级

那么，你现在就该切换到 claude-opus-4-8 吗？我们按类型来拆解。

由于切换成本本身近乎为零（只需更改模型 ID；标准价格保持不变），稳妥之道是 先在非关键环境中切换到 claude-opus-4-8，并在自己的任务上实测。从 4.7 迁移的具体步骤，可直接沿用 Opus 4.7 迁移指南中的思路。与 GPT-5.5 等的对比，请参阅 GPT-5.5 vs Claude Opus 对比。

总结

Claude Opus 4.8（2026 年 5 月 28 日发布，claude-opus-4-8）是一款在价格与上下文不变的前提下强化了内核的旗舰模型。编程稳步提升（SWE-bench Pro +4.9），终端操作（Terminal-Bench 2.1 +8.5）与知识工作（GDPval-AA +137）大幅提升。fast mode 约快 2.5 倍、实际价格只有三分之一，effort 参数、dynamic workflows、Messages API 的 system 条目等实用功能也一并到位。

但本质不在数字。放过代码缺陷的比率约为四分之一、未告知失败的比率为 3.7%——这次把“诚实”放在“聪明”之前的发布，指向了让 AI 长时间自主运行的时代的正确方向。另一方面，Terminal-Bench 2.1 上仍不及 GPT-5.5，抗注入能力也与 4.7 持平，并非“在所有维度上都领先”。正因如此——颇具讽刺地效仿这款模型的优点——不要过度自信，先用自己的任务实测再做判断，才是最聪明的相处方式。

相关阅读：Claude Opus 4.7 发布解读、Opus 4.7 迁移指南、Opus / Sonnet / Haiku 价格对比、GPT-5.5 vs Claude Opus 对比，以及 什么是 Claude Agent SDK。

FAQ

Q. 从 Opus 4.7 迁移到 4.8 难吗？
A. 几乎什么都不用做。只需把 API 模型 ID 改为 claude-opus-4-8，标准价格与上下文窗口（1M tokens）都不变。默认的 effort=HIGH 与 4.7 默认值的 token 用量几乎相同，只有性能提升，所以无需改设置就能受益。不过，处理外部输入的智能体请注意，抗注入能力并没有比 4.7 更好（见上文）。

Q. fast mode“便宜 3 倍”是什么意思？
A. 意思是 fast mode 的价格（输入 $10 / 输出 $50，每 1M tokens）实际上是上一代模型 fast mode 的三分之一。速度约为标准的 2.5 倍。“想要速度但 fast mode 偏贵”的两难大为缓解，使其在对话式 UI 和批量处理中更易于使用。

Q. dynamic workflows 谁都能用吗？
A. 它处于 研究预览阶段，可从 Claude Code（CLI、桌面端、VS Code 扩展）使用。提供范围是 Max、Team 与 Enterprise 套餐（由管理员启用），以及通过 API、Bedrock、Vertex 和 Foundry。出于安全考虑，首次触发需要明确确认。其行为可能会变化，因此最稳妥的做法是先在非关键工作上试用。

Q. 4.8 在各方面都比 4.7 更好吗？
A. 不是。即便在 Anthropic 自己的表中，Terminal-Bench 2.1 也是 GPT-5.5（78.2%）高于 4.8（74.6%），计算机操作的 OSWorld-Verified 相比 4.7 几乎持平（+0.6），抗提示注入能力也与 4.7 同水平。编程（SWE-bench Pro）、知识工作（GDPval-AA）与诚实性上明显更好，但视用途而定，4.7 或其他模型也可能更合适。

Q. “诚实”提高了，具体有什么好处？
A. 让 AI 智能体自主运行时，最大的风险是“把失败误报为成功，并在其上继续堆叠工作”。4.8 放过自己代码缺陷的比率约为 4.7 的四分之一，没有向用户指出重要失败的比率也降到 3.7%，因此不再“假装能跑”，不确定时会说不确定。在长时间自动化、CI 与代码审查中，可靠性在实务层面得到提升。

相关文章：Claude Fable 5 编程实力。