昨晚 10 点半，Anthropic 发了一条推文，3 小时 330 万浏览。

Claude Opus 4.7，他们说这是"最能干的 Opus"。

我看完官方博客、跑完三个 benchmark 数据源、做完横纵向对比表之后，想说一句可能不太受欢迎的话：

大部分人根本不需要 Opus 4.7。

不是因为它不好——恰恰相反，它好得很具体。问题出在：你选模型的方式本身就是错的。

01 先看数据，再聊感受

Opus 4.7 的核心提升：

SWE-bench Verified（编程）：80.8% → 87.6%，一个版本涨了 6.8 个百分点。
视觉精度 XBOW：54.5% → 98.5%，接近翻倍。
CursorBench（IDE 内编程）：58% → 70%。
生产环境任务解决量：上一代的 3 倍。
工具调用错误：减少 33%。

这些数字很硬。编程场景下，Opus 4.7 是目前毫无争议的第一。

但我紧接着做了一件事——把它和 GPT-5.4、Gemini 3.1 Pro 放在同一张表里。

结果让我清醒了。

02 没有全能之王

能力维度	第一名	分数	第二名	差距
编程（SWE-bench）	Claude Opus 4.7	87.6%	Gemini 3.1 Pro 80.6%	+7pp
工具调用（MCP-Atlas）	Claude Opus 4.7	77.3%	Gemini 73.9%	+3.4pp
科学推理（GPQA）	GPT-5.4 Pro	94.4%	Opus 4.7 94.2%	仅差0.2%
多语言（MMMLU）	Gemini 3.1 Pro	92.6%	Opus 4.7 91.5%	+1.1pp
搜索（BrowseComp）	GPT-5.4 Pro	89.3%	Opus 4.7 79.3%	+10pp
数学（FrontierMath）	GPT-5.4 Pro	50.0%	—	无对手
上下文长度	Gemini 3.1 Pro	1000万	Llama 4 Scout 1000万	并列

编程 → Claude 碾压。数学 → OpenAI 统治。科学+多模态 → Google 最全面。

三家各有一块绝对领地，没有任何一个模型在所有维度上同时第一。

这就是 2026 年 4 月的真相：AI 模型之间的竞争，已经从"谁更强"变成了"谁在你的场景里更强"。

03 选错模型，等于烧钱

来看一笔账。

假设你是一个日常开发团队，主要用 AI 写代码和 review。你选了 GPT-5.4 Pro，因为"综合最强"。

GPT-5.4 Pro 定价：$30 输入 / $180 输出（每百万 token）。
Claude Sonnet 4.6 定价：$3 输入 / $15 输出。

编程场景下，Sonnet 4.6 的 SWE-bench 是 79.6%，GPT-5.4 是 78.2%。

你花了 10 倍的价格，买到了更低 1.4% 的编程分数。

反过来，如果你是做科研推理的，选了 Opus 4.7（$5/$25），而 Gemini 3.1 Pro（$2/$12）在 GPQA 上还高了 0.1%，你又多花了 2 倍。

这不是"哪个模型好"的问题，是"你的钱花在对的地方了吗"的问题。

04 一张决策表，省你半小时

别看 benchmark 论文了。记住这张表就够：

你的场景	直接选	月成本量级	别选
日常写代码	Claude Sonnet 4.6 ($3/$15)	$50-200	GPT-5.4 Pro（贵10倍，编程更弱）
高难 Agent 自主任务	Claude Opus 4.7 ($5/$25)	$200-800	—
科研推理/博士级问答	Gemini 3.1 Pro ($2/$12)	$30-150	Opus（科学推理不是最强项）
数学竞赛/研究级数学	GPT-5.4 Pro ($30/$180)	$500+	其他所有（数学OpenAI无对手）
预算极度敏感	Kimi K2 Thinking ($0.6/$2.5)	$10-50	任何 $5+ 的模型
处理超长文档	Gemini 3.1 Pro (1000万上下文)	$30-150	Opus（20万上下文，差50倍）
本地部署/数据不出境	GLM-5 或 Llama 4	硬件成本	所有闭源API
极致省钱跑量	Qwen 3.5 9B ($0.10/M)	$5-20	—

核心逻辑：先定场景，再选模型。不是反过来。

05 Opus 4.7 真正值得关注的三件事

抛开 benchmark 数字，Opus 4.7 有三个能力升级是质变级别的：

第一，自我验证。

推文原话：“verifies its own outputs before reporting back”。

这不是简单的 double-check。它会在输出前主动设计一套验证方案，跑完验证才给你结果。遇到数据对不上的情况，它会告诉你"数据不足，我无法确认"，而不是编一个看起来合理的答案。

对于跑长时间 Agent 任务的人，这是从"你要盯着它"到"它自己能负责"的跨越。

第二，视觉分辨率 3 倍提升。

从约 125 万像素到 375 万像素。XBOW 渗透测试的视觉精度从 54.5% 跳到 98.5%。

之前让 Claude 看截图、分析 UI、读文档里的表格，经常瞎猜。现在基本能看清了。这对产品经理、设计师、测试工程师来说是实打实的能力解锁。

第三，Anthropic 手里还有一张没打的牌。

官方博客明确说了：Opus 4.7 不如 Claude Mythos Preview。

Mythos 在 SWE-bench Pro 上跑出了 77.8%，Opus 4.7 是 64.3%——差了 13.5 个百分点。

这意味着 Anthropic 的技术上限远不止于此。Opus 4.7 是正式发布的"稳定版"，Mythos 是还在测试的"核弹"。

06 2026 年选模型的底层逻辑变了

去年这个时候，选模型的决策很简单——选最贵最强的就对了，因为差距太大。

今年不一样了。三个趋势彻底改变了游戏规则：

趋势一：成本崩塌。 去年花 $500/月才能用到的能力，今年 $50 就够了。Qwen 3.5 9B 只要 $0.10/M tokens，一个 9B 参数的小模型在 GPQA 上跑出了 81.7%——超过去年的 120B 大模型。

趋势二：开源逼平闭源。 GLM-5 在 SWE-bench 上 77.8%，Claude Opus 4.6 是 80.8%，差距只有 3 个百分点。"开源落后闭源两年"这句话，2026 年已经被数据证伪了。

趋势三：没有全能冠军。 每家都有自己的绝对领地——Claude 的编程、OpenAI 的数学、Google 的科学推理和长上下文。选模型从"选最强的"变成了"选最匹配的"。

所以我的建议很简单：

别追"最新发布"，追"最匹配场景"。Opus 4.7 发布了，很好。但如果你的核心场景是科研推理，Gemini 3.1 Pro 仍然是更好的选择，而且只要 1/2.5 的价格。

连夜写完这篇的时候，外面天快亮了。推特上还在刷 Opus 4.7 的 benchmark 截图，评论区一片"Claude 永远的神"。

我只想说一句：2026 年了，"神"有好几个。关键是你拜对了庙。

---

*数据来源：Anthropic 官方博客、Build Fast with AI、LM Council（Epoch/Scale 独立测试）、Vellum.ai。