studioglobal
ค้นพบเทรนด์
คำตอบเผยแพร่แล้ว4 แหล่งที่มา

Claude Opus 4.7 เขียนโค้ดเก่งแค่ไหน? SWE-bench, การดีบัก และข้อจำกัดงานรีแฟกเตอร์

Claude Opus 4.7 เปิดตัวแล้ว และนักพัฒนาใช้งานผ่าน Claude API ได้; TNW รายงานคะแนน SWE bench Pro 64.3% และ SWE bench Verified 87.6% ซึ่งหนุนภาพว่าเด่นด้านเขียนโค้ดและแก้ issue จริง แต่ยังไม่มี benchmark อิสระเฉพาะงานรี... หลักฐานที่ชัดที่สุดอยู่ในงาน agentic coding: TNW รายงานว่า CursorBench ขยับจาก 58% ใน Opus 4.6 เ...

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AIเรียกดูเพิ่มเติมจาก Discover
18K0
Claude Opus 4.7 程式碼基準測試與除錯能力的編輯插圖
Claude Opus 4.7 寫程式有多強？SWE-bench 數據、除錯能力與重構限制AI 生成的編輯視覺，呈現 Claude Opus 4.7、coding benchmark 與軟體工程 workflow。
AI พรอมต์

Create a landscape editorial hero image for this Studio Global article: Claude Opus 4.7 寫程式有多強？SWE-bench 數據、除錯能力與重構限制. Article summary: Claude Opus 4.7 已於 2026 年 4 月發布並可透過 claude opus 4 7 API 使用；TNW 報導其 SWE bench Pro 為 64.3%、SWE bench Verified 為 87.6%，足以把它列入頂尖 coding 模型候選，但重構能力仍缺獨立專項 benchmark。[2][3][5]. Topic tags: ai, anthropic, claude, coding, software engineering. Reference image context from search candidates: Reference image 1: visual subject "# Anthropic releases Claude Opus 4.7 with benchmark-leading coding and agentic performance. *In short: Anthropic has released Claude Opus 4.7, its most capable generally available" source context "Claude Opus 4.7 leads on SWE-bench and agentic reasoning, beating GPT-5.4 and Gemini 3.1 Pro" Reference image 2: visual subject "# Claude Opus 4.7: What Changed. Claude Opus 4.7: What Changed for Coding Agents (April 2026). Claude Opus 4.7 went gene

openai.com

ถ้าจะวัดว่า Claude Opus 4.7 “เขียนโค้ดเก่ง” แค่ไหน คำถามไม่ควรหยุดที่ว่าโมเดลสร้างฟังก์ชันสั้น ๆ ได้หรือไม่ แต่ต้องถามแบบทีมวิศวกรซอฟต์แวร์ใช้จริง: เมื่อโยนเข้า repository เดิม มันอ่านบริบทได้ไหม แก้ issue จริงได้หรือเปล่า ใช้เครื่องมือผิดน้อยแค่ไหน และทำงานหลายขั้นตอนโดยไม่หลุดทางได้ดีเพียงใด

Anthropic เปิดตัว Claude Opus 4.7 และระบุว่านักพัฒนาใช้งานโมเดล claude-opus-4-7 ผ่าน Claude API ได้ ขณะที่ CNBC ก็รายงานการเปิดตัวรุ่นนี้เช่นกัน[5][2] ภาพจากข้อมูลสาธารณะค่อนข้างชัด: หลักฐานด้านการเขียนโค้ดและการดีบักถือว่าแข็งแรง แต่สำหรับ “รีแฟกเตอร์โปรเจกต์ใหญ่” ยังต้องระวัง เพราะแหล่งข้อมูลที่ตรวจสอบได้ยังไม่ให้ benchmark อิสระที่แยกวัดคุณภาพ refactoring โดยตรง[3][5]

สรุปสั้น: เก่งกับโค้ดและบั๊ก แต่รีแฟกเตอร์ยังต้องวัดเอง

TNW รายงานว่า Claude Opus 4.7 เป็นโมเดลที่ “ใช้งานทั่วไปได้” ที่เก่งที่สุดของ Anthropic ในเวลานั้น และชี้คะแนนที่ดีขึ้นใน SWE-bench Pro, SWE-bench Verified, CursorBench รวมถึงงาน reasoning แบบ agent หลายขั้นตอน[3] สำหรับคนทำงานจริง นี่แปลได้ว่า Opus 4.7 น่าลองเป็นลำดับต้น ๆ หากโจทย์คือเขียนฟีเจอร์ แก้บั๊ก หรือให้ coding agent ทำงานในโปรเจกต์หลายไฟล์[3]

แต่ถ้าคำถามคือ “มันรีแฟกเตอร์ระบบใหญ่ได้ดีกว่าทุกรุ่นแค่ไหน” คำตอบควรยังไม่ฟันธง แหล่งข้อมูลที่มีพูดถึง software engineering, SWE-bench, agentic workflow และงานยาวหลายขั้นตอนมากกว่า แต่ไม่ได้มี benchmark สาธารณะเฉพาะทางที่แยกวัดคุณภาพการรีแฟกเตอร์ขนาดใหญ่แบบชัดเจน[3][5]

เขียนโค้ด ดีบัก รีแฟกเตอร์: ไม่ใช่ทักษะเดียวกัน

โมเดลที่เขียนโค้ดใหม่ได้ดี ไม่ได้แปลว่าจะซ่อมบั๊กในระบบเดิมได้แม่น และโมเดลที่ซ่อมบั๊กได้ ก็ไม่ได้แปลว่าจะรีแฟกเตอร์ diff ใหญ่ ๆ จน reviewer ยอมรับได้เสมอไป ควรแยกประเมินอย่างน้อย 3 มิติ:

ความสามารถคำถามที่ควรถามจริง ๆหลักฐานสาธารณะตอนนี้
เขียนโค้ดเข้าใจ requirement ไหม สร้างฟีเจอร์ใช้ได้จริงไหม เข้ากับ API และโครงสร้างโปรเจกต์เดิมหรือเปล่าหลักฐานแข็งแรง: TNW รายงานว่า Opus 4.7 ทำคะแนนเหนือ Opus 4.6 ในหลาย benchmark ด้าน coding และ agentic workflow[3]
ดีบัก/แก้บั๊กอ่าน error message, log, trace และ failing test ได้ไหม หา root cause เจอหรือเปล่า และแก้ในขอบเขตที่เหมาะสมไหมหลักฐานค่อนข้างแข็งแรง: SWE-bench Pro ถูกอธิบายว่าใช้วัดการแก้ปัญหาซอฟต์แวร์จริงจาก open-source project และหน้าเปิดตัวของ Anthropic ก็มี feedback ผู้ใช้ช่วงแรกเกี่ยวกับการหา bug และเสนอ fix[3][5]
รีแฟกเตอร์ปรับโครงสร้าง ชื่อ abstraction boundary และ maintainability โดยไม่เปลี่ยนพฤติกรรมได้ไหมหลักฐานยังไม่เด็ดขาด: แหล่งข้อมูลที่ตรวจสอบได้ในที่นี้ยังไม่มี benchmark อิสระที่วัดคุณภาพ refactoring โดยเฉพาะ[3][5]

ตัวเลขที่จับต้องได้: SWE-bench และ CursorBench

ตัวเลข benchmark ที่ TNW รายงานเป็นหลักฐานสาธารณะที่ชัดที่สุดชุดหนึ่งสำหรับประเมินความสามารถด้าน coding ของ Claude Opus 4.7[3]

ตัวชี้วัดClaude Opus 4.7ตัวเลขเปรียบเทียบอ่านอย่างไร
SWE-bench Pro64.3%Opus 4.6: 53.4%; GPT-5.4: 57.7%; Gemini 3.1 Pro: 54.2%SWE-bench Pro ถูกอธิบายว่าใช้วัดการแก้ปัญหาซอฟต์แวร์จริงใน open-source project จึงใกล้เคียงงานแก้ issue มากกว่าโจทย์ algorithm แยกเดี่ยว[3]
SWE-bench Verified87.6%Opus 4.6: 80.8%; Gemini 3.1 Pro: 80.6%ในชุดงาน software engineering แบบ verified ที่ TNW รายงาน Opus 4.7 สูงกว่ารุ่นก่อนและโมเดลเปรียบเทียบหลักที่ถูกกล่าวถึง[3]
CursorBench70%Opus 4.6: 58%ชี้ว่าดีขึ้นใน workflow แบบ coding agent ไม่ใช่แค่ตอบโค้ดครั้งเดียวแล้วจบ[3]
Multi-step agentic reasoningดีขึ้น 14% เมื่อเทียบกับ Opus 4.6ข้อผิดพลาดจากการใช้เครื่องมือเหลือประมาณหนึ่งในสามสำคัญกับงานที่ต้องเรียกใช้เครื่องมือ ทำหลายขั้นตอน และแก้ปัญหาในโปรเจกต์จริง[3]

ใจความสำคัญคือ Opus 4.7 ไม่ได้เด่นแค่ “เขียนโค้ดออกมาได้” แต่ดูแข็งแรงขึ้นในสภาพแวดล้อมที่ใกล้งานวิศวกรรมซอฟต์แวร์จริงกว่าเดิม เช่น การแก้ issue การใช้เครื่องมือ และการทำงานต่อเนื่องหลายขั้นตอน[3] อย่างไรก็ตาม benchmark ไม่ได้เท่ากับผลลัพธ์ในทีมของคุณเสมอไป เพราะ test coverage, สิทธิ์เข้าถึงเครื่องมือ, ขนาดโปรเจกต์, รูปแบบ repo และมาตรฐาน code review มีผลต่อผลลัพธ์มาก

ด้านดีบัก: หลักฐานแน่นกว่างานรีแฟกเตอร์

การดีบักที่ดีไม่ใช่แค่เอา error message ใส่โมเดลแล้วได้ patch ที่ดูน่าเชื่อ แต่คือการชี้ไฟล์ที่ถูกต้อง เข้าใจเส้นทางการทำงานของโค้ด แก้เท่าที่จำเป็น และไม่สร้าง regression ใหม่ งานแบบ SWE-bench Pro ที่อิงปัญหาจริงจาก open-source project จึงมีน้ำหนักมากกว่าโจทย์ coding puzzle ทั่วไปในการสะท้อนความสามารถด้าน bug fix[3]

หน้าเปิดตัวของ Anthropic ยังวาง Opus 4.7 ไว้ในบริบทของ software engineering ขั้นสูงและงานซับซ้อนที่ใช้เวลานาน พร้อมระบุว่านักพัฒนาใช้งานผ่าน Claude API ได้[5] ในเอกสารเดียวกัน Anthropic รวบรวม feedback จากผู้ใช้ช่วงแรก รวมถึง Replit ที่กล่าวถึงการวิเคราะห์ logs และ traces การหา bugs และการเสนอ fixes ที่มีประสิทธิภาพและแม่นยำขึ้น[5]

แต่ต้องแยกประเภทหลักฐานให้ชัด: feedback ผู้ใช้ช่วงแรกที่อยู่บนหน้าเปิดตัวของบริษัทไม่ใช่ blind test อิสระจากบุคคลที่สาม[5] ดังนั้นคำพูดที่รัดกุมกว่าคือ Opus 4.7 มีหลักฐานค่อนข้างแข็งแรงสำหรับงาน “แก้ issue จาก repo จริง” แต่ถ้าทีมของคุณสนใจ live debugging, framework เฉพาะทาง หรือบั๊กข้าม service ใน monorepo ใหญ่ ก็ยังควรทดสอบด้วยชุดงานของตัวเอง[3][5]

รีแฟกเตอร์: น่าลองมาก แต่ยังไม่ควรเรียกว่า “พิสูจน์แล้วว่าเก่งสุด”

การรีแฟกเตอร์ใหญ่ยากกว่าการแก้บั๊กในแง่การวัดผล ต่อให้ test ผ่าน ก็ยังไม่ได้พิสูจน์ว่า abstraction ดีขึ้น coupling ลดลง ชื่อสอดคล้องขึ้น หรือ diff อ่านง่ายพอให้ reviewer ยอมรับ

จากแหล่งข้อมูลที่มี Anthropic และ TNW เน้นเรื่อง coding, SWE-bench, agentic workflow และงานยาวหลายขั้นตอน แต่ไม่ได้ให้ benchmark สาธารณะ อิสระ และเฉพาะทางที่แยกประเมินคุณภาพ refactoring ขนาดใหญ่โดยตรง[3][5]

ดังนั้นมุมมองที่รับผิดชอบคือ Opus 4.7 น่าถูกหยิบมาทดลองก่อนรุ่นอื่นหลายกรณี เพราะความสามารถพื้นฐานด้านแก้ issue จริง การใช้เครื่องมือ และ workflow หลายขั้นตอนดูดีขึ้นชัดเจน[3] แต่สำหรับงานรีแฟกเตอร์ นั่นยังเป็นหลักฐานทางอ้อม ถ้างานหลักของคุณคือปรับโครงสร้างระบบใหญ่ ควรวัดเองว่าโมเดลรักษาพฤติกรรมเดิมได้ไหม test ผ่านหรือเปล่า diff review ง่ายแค่ไหน naming สม่ำเสมอหรือไม่ และโค้ดหลังแก้ดู maintainable จริงไหม

“เก่งสุดที่ใช้งานทั่วไปได้” ไม่ได้แปลว่าเก่งสุดของ Anthropic ทุกระบบ

TNW เรียก Opus 4.7 ว่าเป็นโมเดลที่เก่งที่สุดของ Anthropic ในกลุ่มที่ใช้งานทั่วไปได้ และหน้า Anthropic ระบุว่านักพัฒนาเรียก claude-opus-4-7 ผ่าน Claude API ได้[3][5] แต่คำว่า “ใช้งานทั่วไปได้” ไม่เหมือนกับการบอกว่าเป็นระบบที่เก่งที่สุดในทุกโมเดลภายในหรือโมเดลจำกัดวงของ Anthropic

Alpha Spread รายงานว่า Anthropic ระบุ Opus 4.7 ว่ายัง “broadly less capable” กว่า Claude Mythos Preview และ CNBC ก็หยิบความต่างระหว่าง Opus 4.7 กับ Mythos มาเป็นประเด็นสำคัญของรายงาน[1][2] สรุปคือ หากถามว่า “ในบรรดาโมเดล Anthropic ที่นักพัฒนาทั่วไปใช้งานได้ ควรเริ่มประเมิน Opus 4.7 ไหม” คำตอบจากหลักฐานสาธารณะคือควรอยู่ในลิสต์บน ๆ แต่ถ้าถามว่า “มันคือโมเดลที่เก่งที่สุดของ Anthropic ทั้งหมดหรือไม่” แหล่งข้อมูลตอนนี้ไม่สนับสนุนข้อสรุปนั้น[1][2][3]

ก่อนนำเข้า workflow จริง ควร A/B test แบบนี้

Benchmark สาธารณะช่วยตอบว่า “น่าลองไหม” แต่ตอบแทนคุณไม่ได้ว่า “จะดีที่สุดใน codebase ของเราไหม” ถ้าจะใส่ Opus 4.7 เข้า IDE, internal coding agent หรือ workflow ผ่าน Claude API ควรใช้ snapshot ของ repository เดียวกัน แล้วให้โมเดลต่าง ๆ ทำงานชุดเดียวกัน

งานทดสอบควรมีอย่างน้อย 3 กลุ่ม:

  1. พัฒนาฟีเจอร์: ให้ requirement และสถานะโปรเจกต์เดียวกัน วัดว่าโมเดลสร้าง diff ที่ merge ได้จริงหรือไม่
  2. ดีบัก/แก้บั๊ก: ให้ failing test, error log หรือ issue description แล้ววัดว่าโมเดลหา root cause เจอไหม แก้กว้างเกินไปหรือเปล่า และเสี่ยง regression แค่ไหน
  3. รีแฟกเตอร์: ให้ปรับโครงสร้างโดยห้ามเปลี่ยนพฤติกรรม แล้วให้วิศวกรประเมิน test pass rate, readability, reviewability และ maintainability

เวลาให้คะแนน อย่าดูแค่คำตอบครั้งแรก ควรบันทึกด้วยว่า test ผ่านไหม ต้อง rollback ด้วยมือกี่ครั้ง เรียกใช้ tool ผิดบ่อยแค่ไหน reviewer ยอมรับ diff หรือไม่ และโมเดลอธิบาย trade-off ของการออกแบบได้ดีเพียงใด วิธีนี้จะใกล้เคียงผลลัพธ์จริงมากกว่า demo สั้น ๆ

Verdict

Claude Opus 4.7 มีหลักฐานสาธารณะที่แข็งแรงมากด้านการเขียนโค้ดและการแก้ปัญหาใน repo จริง ตัวเลข SWE-bench Pro, SWE-bench Verified, CursorBench และ multi-step agentic reasoning ที่ TNW รายงาน ล้วนชี้ว่า Opus 4.7 ดีขึ้นจาก Opus 4.6 อย่างมีนัยสำคัญ และแข่งขันได้ดีเมื่อเทียบกับโมเดลหลักที่รายงานไว้[3]

สำหรับการดีบัก พูดได้ว่าหลักฐานค่อนข้างแข็งแรง เพราะ benchmark ตระกูล SWE-bench และ feedback ผู้ใช้ช่วงแรกในหน้า Anthropic ต่างชี้ไปทางความสามารถที่ดีขึ้นในการแก้บั๊กและ workflow ด้านวิศวกรรมซอฟต์แวร์[3][5] แต่สำหรับรีแฟกเตอร์ ควรระมัดระวัง: แหล่งข้อมูลที่ตรวจสอบได้ยังไม่มี benchmark อิสระ เฉพาะทาง และมาตรฐานสำหรับวัดคุณภาพ refactoring หากงานนี้เป็นหัวใจของทีม คุณควรตัดสินใจหลังทดสอบ A/B บน codebase ของตัวเอง ไม่ใช่ดูจาก leaderboard ด้าน coding เพียงอย่างเดียว[3][5]

Studio Global AI

Search, cite, and publish your own answer

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AI

ประเด็นสำคัญ

  • Claude Opus 4.7 เปิดตัวแล้ว และนักพัฒนาใช้งานผ่าน Claude API ได้; TNW รายงานคะแนน SWE bench Pro 64.3% และ SWE bench Verified 87.6% ซึ่งหนุนภาพว่าเด่นด้านเขียนโค้ดและแก้ issue จริง แต่ยังไม่มี benchmark อิสระเฉพาะงานรี...
  • หลักฐานที่ชัดที่สุดอยู่ในงาน agentic coding: TNW รายงานว่า CursorBench ขยับจาก 58% ใน Opus 4.6 เป็น 70% ใน Opus 4.7 ขณะที่ multi step agentic reasoning ดีขึ้น 14% และข้อผิดพลาดจากการใช้เครื่องมือลดเหลือราวหนึ่งในสาม[3]
  • ถ้าจะนำไปใช้ใน IDE, Claude API หรือ agent ภายในทีม อย่าดูแค่ตารางคะแนน ควรทดสอบบน snapshot ของ repository เดียวกัน ทั้งงานพัฒนาฟีเจอร์ แก้บั๊ก และรีแฟกเตอร์

คนยังถาม

คำตอบสั้น ๆ สำหรับ "Claude Opus 4.7 เขียนโค้ดเก่งแค่ไหน? SWE-bench, การดีบัก และข้อจำกัดงานรีแฟกเตอร์" คืออะไร

Claude Opus 4.7 เปิดตัวแล้ว และนักพัฒนาใช้งานผ่าน Claude API ได้; TNW รายงานคะแนน SWE bench Pro 64.3% และ SWE bench Verified 87.6% ซึ่งหนุนภาพว่าเด่นด้านเขียนโค้ดและแก้ issue จริง แต่ยังไม่มี benchmark อิสระเฉพาะงานรี...

ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?

Claude Opus 4.7 เปิดตัวแล้ว และนักพัฒนาใช้งานผ่าน Claude API ได้; TNW รายงานคะแนน SWE bench Pro 64.3% และ SWE bench Verified 87.6% ซึ่งหนุนภาพว่าเด่นด้านเขียนโค้ดและแก้ issue จริง แต่ยังไม่มี benchmark อิสระเฉพาะงานรี... หลักฐานที่ชัดที่สุดอยู่ในงาน agentic coding: TNW รายงานว่า CursorBench ขยับจาก 58% ใน Opus 4.6 เป็น 70% ใน Opus 4.7 ขณะที่ multi step agentic reasoning ดีขึ้น 14% และข้อผิดพลาดจากการใช้เครื่องมือลดเหลือราวหนึ่งในสาม[3]

ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?

ถ้าจะนำไปใช้ใน IDE, Claude API หรือ agent ภายในทีม อย่าดูแค่ตารางคะแนน ควรทดสอบบน snapshot ของ repository เดียวกัน ทั้งงานพัฒนาฟีเจอร์ แก้บั๊ก และรีแฟกเตอร์

ฉันควรสำรวจหัวข้อที่เกี่ยวข้องใดต่อไป

ดำเนินการต่อด้วย "Claude Security รุ่นเบต้า: Anthropic ใช้ AI สแกนช่องโหว่โค้ดองค์กรอย่างไร" เพื่อดูอีกมุมหนึ่งและการอ้างอิงเพิ่มเติม

เปิดหน้าที่เกี่ยวข้อง

ฉันควรเปรียบเทียบสิ่งนี้กับอะไร?

ตรวจสอบคำตอบนี้กับ "Grok 4.3 API ของ xAI: 1M context ราคาต่ำ และเกมรุกสู่แพลตฟอร์มเสียง"

เปิดหน้าที่เกี่ยวข้อง

ทำการวิจัยต่อ

IT Consulting Orange County CA, IT Services, IT Outsourcing - Technijian. # Anthropic Claude Security for Enterprise: What You Need to Know. Anthropic has officially opened Claude

Claude Security รุ่นเบต้า: Anthropic ใช้ AI สแกนช่องโหว่โค้ดองค์กรอย่างไร

Claude Security คืออะไร: AI ของ Anthropic สำหรับสแกนช่องโหว่โค้ดองค์กร

抽象 AI 介面顯示 Grok 4.3 API、1M context、token 價格與語音波形

Grok 4.3 API ของ xAI: 1M context ราคาต่ำ และเกมรุกสู่แพลตฟอร์มเสียง

Grok 4.3 API: 1M context กับราคา $1.25/$2.50 เปลี่ยนการแข่งขันโมเดลและเสียงอย่างไร

小米 Q5、MIX 5 与小米 18 系列传闻的概念手机图

Xiaomi Q5 น่าจะไม่ใช่ MIX 5: เบาะแสล่าสุดชี้ไปที่ Xiaomi 18

Xiaomi Q5 ใช่ MIX 5 ไหม? ข่าวหลุดล่าสุดชี้ไปที่ Xiaomi 18 มากกว่า

Metas KI-Altersprüfung: Neue Regeln für Jugendliche in EU, USA und Brasilien

Meta ใช้ AI ตรวจอายุ: Instagram และ Facebook จะเข้มกับบัญชีเด็กอย่างไร

Meta ใช้ AI ตรวจอายุ: Instagram และ Facebook จะเข้มกับบัญชีเด็กอย่างไร

การสนทนาการวิจัย

คุณ

คำถามวิจัย

搜尋並查核事實：Claude Opus 4.7 在寫程式、除錯、重構程式碼上到底有多強？

Studio Global AI12 แหล่งที่มา

อ้างถึงคำตอบ

簡單說：Claude Opus 4.7 不是傳聞，確實是 Anthropic 在 2026-04-16 正式發布、且已一般可用的模型。[5][2] 就「軟體工程整體能力」來看，它目前可查到的公開證據很強，尤其在最接近真實除錯/修 bug 的 SWE-bench 類基準上屬於第一梯隊；但如果你要問「重構程式碼到底比別家強多少」，公開且獨立、專門拆分 refactoring 的證據還不夠，我只能說證據偏強，但不到能下絕對定論的程度。[3][5]

  • Anthropic 官方明確說，Opus 4.7 相比 Opus 4.6 在「進階軟體工程」上有顯著進步，特別是在最困難的任務上更強，並且更能處理複雜、長時間執行的工作。[5]

  • 如果用公開基準看，最有代表性的證據是 SWE-bench。TNW 引述的數字顯示，Opus 4.7 在 SWE-bench Pro 為 64.3%，高於 Opus 4.6 的 53.4%、GPT-5.4 的 57.7%、Gemini 3.1 Pro 的 54.2%；在 SWE-bench Verified 為 87.6%，也高於 Opus 4.6 的 80.8% 與 Gemini 3.1 Pro 的 80.6%。[3] TNW 同時說明，SWE-bench Pro 是測模型能否解決開源專案真實軟體問題的基準，這使它比一般程式題更接近真實除錯與修復工作。[3]

  • 在代理式寫程式場景，TNW 也寫到 CursorBench 從 Opus 4.6 的 58% 提升到 Opus 4.7 的 70%。[3] 這表示它不只是單輪生成程式碼強，對需要多步驟操作的 coding workflow 也更強。[3]

  • Anthropic 官方還聲稱，Opus 4.7 在複雜多步驟工作流上比 Opus 4.6 提升 14%，而且工具使用錯誤降到約三分之一。[3] 如果這個數字在你的 IDE、CLI agent、CI/CD 流程裡也成立，那對除錯和大型重構會很有感。[3]

  • 但要注意：關於「找 bug、分析 log、提出修復」這類更貼近實務的描述，目前你能查到的很多證據其實來自 Anthropic 官方挑選的早期測試者回饋，不是完全獨立的第三方對照實驗。[5] 例如官方頁面收錄了 Replit 對「分析 logs and traces、finding bugs、proposing fixes」更有效率與精準的評語，也有多家合作方說它更適合長時間、多步驟的工程工作。[5]

  • 關於「重構」本身，我目前沒看到公開、獨立、標準化的 refactoring benchmark 被清楚列出來。[5][3] 所以比較嚴格的說法應該是：它在「修 issue、長流程工程任務、代理式 coding」上的證據很強，因而高度暗示它在重構也很強；但公開證據還不足以把「重構能力」單獨精確量化。[5][3]

  • 另一個重要事實是：Anthropic 與 CNBC 都說 Opus 4.7 雖然是 Anthropic「最強的一般可用模型」，但整體廣泛能力仍不如更高階、受限釋出的 Claude Mythos Preview。[5][2] 所以如果你問的是「Anthropic 目前最強公開可買到的 coding 模型是不是它？」答案偏向是；但如果你問「Anthropic 全部模型裡絕對最強的是不是它？」答案不是。[5][2]

我的查核結論是：如果你的標準是「寫程式 + 修真實 repo 問題 + 長流程 agent coding」，Claude Opus 4.7 可以算目前公開證據非常強、而且接近頂尖的一個選擇。[3][5] 但如果你特別在意「互動式除錯體驗」或「大型專案重構品質」，現有公開證據多半還是官方 benchmark 與合作夥伴案例，獨立驗證仍偏少，所以最準確的判斷是：很強，但對除錯/重構的實務優勢仍需你用自己的 codebase 做 A/B 測試才算定案。[5][3]

如果你要，我下一步可以直接幫你整理一份「Claude Opus 4.7 vs GPT-5.4 vs Gemini 3.1 Pro」的程式能力對照表，或幫你設計一個你自己團隊可跑的除錯/重構 A/B 測試清單。

แหล่งที่มา