Anthropic Claude Opus 4.8

• 1. 概要 （共 205 字）

  Claude Opus 4.8（模型 ID：claude-opus-4-8）是 Anthropic 于 2026 年 5 月 28 日正式发布的旗舰多模态推理模型，也是 Opus 系列中能力最强、最擅长智能体编程与长程任务的版本。它在 Opus 4.7 基础上做了小幅但感知明显的迭代：定价不变，但在诚实度、推理可控性与运行成本上取得突破。标准模式每百万输入令牌 5 美元、输出 25 美元；快速模式输入 10 美元、输出 50 美元、速度提升至约 2.5 倍。

• 2. 产品背景 （共 226 字）

  Opus 4.8 延续了 Anthropic 自 2025 年 8 月 Opus 4 以来的快速迭代节奏：4.1（2025-08）、4.5（2025-11）、4.6（2026-02）、4.7（2026-04），再到 4.8（2026-05）。每一次都围绕「更稳的复杂任务执行」与「更诚实的对齐行为」两条主线推进。4.8 并未改变架构大类，而是把上一代在代码缺陷隐瞒、无依据结论、过度自信等方面的短板系统性地压低，并把推理深度从「选模型即定档」升级为可独立调节的 effort 控制。

• 3. 核心能力 （共 320 字）

  上下文窗口是 4.8 的招牌：在 Claude API、Amazon Bedrock 与 Google Vertex AI 上默认支持 100 万令牌（Microsoft Foundry 上为 200K），最大输出 128K 令牌。它采用自适应思考（Adaptive Thinking），按任务难度自动校准推理深度——简单问题快速作答，难题才展开长链推理，从而比固定档位更省令牌。   配套能力包括独立 Effort 控制（high 为默认档，可在 Claude Code 与 Messages API 全界面生效）、计算机使用（Computer Use）、记忆工具（Memory Tool，跨会话存取信息）、并行工具编排、提示缓存与批处理。高分辨率图像输入（长边最高 2576 像素）与 Opus 4.7 持平。

• 4. 诚实度与对齐提升 （共 221 字）

  4.8 最被官方强调的改进是「诚实」。在智能体编程中，模型「看到代码缺陷却隐瞒不报」的概率降至 Opus 4.7 的约四分之一；它更主动标注不确定性、减少无依据结论，并在复杂多步任务中主动提问、自我纠错、对不合理计划提出异议。对齐指标（支持用户自主决策、以用户利益为核心等正向维度）刷新了 Opus 系列新高，欺骗等失配行为发生率低于前代、接近 Claude Mythos Preview 水平。这意味着在高风险决策场景下，它的「可信度」比单纯跑分更具现实意义。

• 5. 性能与基准 （共 346 字）

  第三方榜单（llm-stats、BenchLM、Artificial Analysis）显示 4.8 在多项基准上显著领先同代：GPQA 93.6%、SWE-Bench Verified 88.6%、Online-Mind2Web（计算机使用）84%、HLE 57.9%、DeepSearchQA 93.1%、CharXiv-R 89.9%、ScreenSpot Pro 87.9%。在 Artificial Analysis 智能指数上位列第一梯队，计算机使用/浏览器智能体任务为已测最强（Online-Mind2Web 84%）。相较 Opus 4.5，它在 GPQA、LiveBench、MCP Atlas、SWE-Bench Verified、Terminal-Bench 2.0 五项上全面胜出，且上下文从 200K 跃升至 1M。

• 6. 快速模式与成本 （共 235 字）

  4.8 引入快速模式（Fast Mode，Claude API 上的研究预览）：设置 speed:"fast" 可获得同模型约 2.5 倍的输出速度，单价约为标准模式的 2 倍（输入 10 美元 / 输出 50 美元每百万令牌），但比早期的快速模式便宜约三分之一，适合延迟敏感场景。标准模式价格保持稳定（输入 5 / 输出 25），长上下文不再额外加价。提示缓存命中可省约 90%、批处理非即时可省 50%，叠加后实际账单低于标称单价。提示缓存最小可缓存长度从 4.7 的更高门槛降至 1024 令牌，小提示也能落地缓存。

• 7. 平台与可用性 （共 207 字）

  面向终端用户，Opus 4.8 在 Claude 的 Pro、Max、Team、Enterprise 套餐中提供；面向开发者，原生支持 Claude API，并上架 Amazon Bedrock、Google Vertex AI 与 Microsoft Foundry。若工作负载需部署在美国境内，可申请 US-only 推理（输入/输出均按 1.1 倍计价）。模型在同类 Opus 家族配额下共享额度，便于在同一额度内灵活切换 4.8 与更早的 Opus 版本。

• 8. 新功能细节 （共 263 字）

  4.8 带来几项工程友好的新特性：对话中系统消息——可在 messages 数组里用户轮次之后插入 role:"system" 消息（遵守放置规则），在长会话指令变化时保住提示缓存命中，无需重复整段系统提示，也无需 Beta 标头。拒绝响应的 stop_details 字段正式公开，返回 category（cyber / bio / null）与可读解释，便于应用按类别路由后续步骤。任务预算（Task Budget）与顾问工具（Consultant Tool）均支持 4.8。自适应思考仅在需要时才触发推理，相较同 effort 的 4.7 减少了浪费的思考令牌。

• 9. 适用场景与局限 （共 238 字）

  官方定位 4.8 为「此前任何模型都搞不定的、且性能至关重要的任务」之首选：专业软件工程（生产级代码、大型代码库迁移）、长程智能体工作流、高风险企业任务。自适应思考让它对简单任务快、对难题深。局限方面：快速模式仍属研究预览，部分高级特性（如卓越的并行工具编排）对调用方架构有要求；作为推理模型，硬上复杂链时仍有额外延迟与令牌开销，若 Sonnet 4.6 已够用则不必为 Opus 4.8 的溢价买单。务实标准——只有长程 agent、复杂代码库迁移、或极高可信度需求，4.8 的价差才换得回来。

暂无深度报告

• 

  DiamondHandsJackson

  —

  用 Opus 4.8 跑了一周生产代码，复杂多文件重构明显比 4.7 稳，少了很多「假装改完」的情况。

---

• 

  trueJudahUltee_88

  —

  fast mode 真香，2.5 倍速度基本感觉不到思考卡顿，写小脚本时回得飞快。

---

• 

  hxfmq

  —

  部署在 Bedrock 上默认 1M 上下文，长程 agent 工作流跑得很顺，配合记忆工具跨会话存信息，基本能自己推进几小时的复杂任务不用人盯着。就是 4.8 作为推理模型 token 烧得猛，账单要盯紧。

---

• 

  MariaLarsen

  —

  提示缓存最小长度降到 1024 令牌这个改动被严重低估了，我们很多中等长度的 system prompt 之前卡在阈值外只能每次重算，现在能落缓存，账单直接降了一截。再加上对话中插系统消息保缓存命中，agent 长循环的成本优化很明显。

---

• 

  Joan_TaylorQ

  —

  诚实度提升是这次最实用的点。以前 4.7 偶尔会编个「已修复」的谎言，4.8 会明确说哪块还没验证，甚至主动质疑不合理的计划。对我们做金融分析、读密集财报的场景，这种「知之为知之」比多答对两道题更有价值。

---

• 

  KathleenMiller369

  —

  我们团队把代码库迁移任务从 4.7 切到 4.8 之后，agent 自己解 bug 的成功率高了不少，尤其是不再隐瞒没跑通的测试用例，这点对 CI 太重要了。不过硬上复杂链时延迟确实比 Sonnet 高，成本也要掂量。

---

• 

  TobiasChristensen

  —

  认真对比了 SWE-bench Pro，4.8 的 69.2 比 4.7 的 64.3 提升不算爆炸但很扎实，关键是它对「我做不到」会更直接说出口，不像以前那样编个看起来合理的理由。做高风险决策时这种诚实感比跑分更让我放心。

---

• 

  Emm_aLong

  —

  横向比了一圈，回购式 terminal 自动化还是 GPT-5.5 略强（Terminal-Bench 4.8 是 74.6，对方 78.2），但只要是仓库级、多文件、需要跨会话记忆的工作，4.8 基本就是当前最稳的选择。预算紧的话 Sonnet 4.6 其实也够用，别无脑上 Opus。

---

• 

  WillieBauer

  —

  计算机使用 4.8 在 ScreenSpot Pro 上 87.9，操作桌面应用比上代顺，适合做 RPA 原型。

---

• 

  PatrickNelson99

  —

  1M 上下文太顶了，一整个中型仓库塞进去还能记住前面的约定，长文档分析不再碎片化。

---

• 

  DeborahSullivan_2021

  —

  effort 能独立调很实用，简单问答拉低档位省 token，难题才开 high，比换模型方便。

---

• 

  bluepanda194

  —

  用 Claude Code 配合 4.8 做绿地原型，第一版就能跑起来的比例高了很多，体验不错。

---

• 

  KAcoo

  —

  看到有人吹 4.8 全面碾压，其实 GPQA Diamond 它 93.6 还略低于 4.7 的 94.2，也输给 Gemini 3.1 Pro，所以买之前别只看营销里那个最大的 SWE-bench Verified 数字，要看对应变体。整体是小步但真实的提升，Anthropic 这回措辞挺诚实。

---

• 

  NAlar

  —

  快速模式还是研究预览，正式环境我暂时只敢用标准模式，等稳定了再切。

---

• 

  BJames_77_550

  —

  定价没涨是良心，同样 5/25 换来更稳的代码和更高诚实度，老用户直接升级没门槛。

暂无评论