Claude Opus 4.7 แรงแค่ไหน? เก่งเรื่องโค้ดและเอเจนต์ แต่ยังไม่ควรฟันธงว่าอันดับหนึ่งทั้งตลาด

ถ้าถามแบบคนใช้งานจริงว่า Claude Opus 4.7 แรงแค่ไหน คำตอบสั้น ๆ คือ แรงมาก โดยเฉพาะงานเขียนและแก้โค้ด งานที่ให้ AI ทำหน้าที่เป็น agent ใช้เครื่องมือหลายรอบ และงานยาวที่ต้องคุมบริบทจำนวนมาก แต่คำว่า “เก่งสุดในตลาด” ยังควรใช้ด้วยความระมัดระวัง

จุดสำคัญของ Opus 4.7 ไม่ได้อยู่ที่คะแนน benchmark ตัวเดียว แต่อยู่ที่การที่ Anthropic ขยับสาย Opus ไปทางงานยากขึ้นอย่างชัดเจน ทั้ง context window ที่ยาวขึ้น การควบคุมการ reasoning สำหรับงาน agent ความเข้าใจภาพความละเอียดสูง และงานวิศวกรรมซอฟต์แวร์ระดับมืออาชีพ เอกสารของ Anthropic หน้าโปรดักต์ และประกาศบน AWS ต่างวาง Opus 4.7 ไว้ในกลุ่มงาน coding, long-running agents, professional work และงานหลายขั้นตอน

อย่างไรก็ดี ความเก่งไม่ได้เท่ากับการพิสูจน์ว่าเป็นอันดับหนึ่งของทั้งตลาด หลักฐานสาธารณะที่มีในตอนนี้รองรับข้อสรุปที่รัดกุมกว่า คือ Claude Opus 4.7 แข่งขันได้สูงมากในงาน coding และ agentic tasks แต่คะแนนสำคัญจำนวนมากยังมาจาก Anthropic, AWS ที่อ้างข้อมูลการเปิดตัว, การทดสอบภายในของพาร์ตเนอร์ หรือบทวิเคราะห์ benchmark ยังไม่ใช่การจัดอันดับตลาดทั้งหมดแบบเป็นกลาง ทำซ้ำได้ และครอบคลุมทุกโมเดลหลัก

ภาพรวม: โมเดลงานหนัก ไม่ใช่ตัวเลือกถูกสำหรับงานสั้น

Anthropic ระบุว่านักพัฒนาสามารถใช้ claude-opus-4-7 ผ่าน Claude API ได้ ส่วน AWS ก็ประกาศนำ Claude Opus 4.7 เข้า Amazon Bedrock และเรียกมันว่าโมเดล Opus ระดับสูงของ Anthropic สำหรับยกระดับงาน coding, long-running agents และ professional work

ถ้ามองในเชิงการใช้งาน Opus 4.7 จึงไม่ใช่โมเดลเบาสำหรับงานสั้นราคาต่ำ เช่น ตอบข้อความง่าย ๆ หรือจัดหมวดหมู่จำนวนมากแบบต้นทุนต่ำเป็นหลัก หน้าโปรดักต์และเอกสารของ Anthropic วางมันไว้กับงานที่ยากกว่า เช่น วิศวกรรมซอฟต์แวร์มืออาชีพ workflow ของ agent ที่ซับซ้อน งานยาว งานความรู้ และการเข้าใจภาพ

สำหรับผู้อ่านที่ไม่ได้อยู่ในวงการ AI ตลอดเวลา คำว่า context window หมายถึงปริมาณข้อมูลที่โมเดลสามารถรับเข้ามาพิจารณาในหนึ่งงาน ส่วน token คือหน่วยย่อยของข้อความที่ระบบใช้คำนวณความยาวและต้นทุน การมี context ยาวมากช่วยให้ใส่โค้ดหรือเอกสารได้มากขึ้น แต่ไม่ได้แปลว่าทุกคำตอบจะถูกขึ้นโดยอัตโนมัติ

อัปเกรดที่มีผลต่อการใช้งานจริง

เรื่องที่อัปเกรด	ข้อมูลที่เปิดเผย	ความหมายเชิงปฏิบัติ
Context ยาวและเอาต์พุตยาว	รองรับ context window 1M token และเอาต์พุตสูงสุด 128k token	เหมาะขึ้นสำหรับ codebase ขนาดใหญ่ เอกสารยาว งานวิจัยที่ต้องเก็บบริบท และ agent หลายรอบ แต่ context ยาวไม่ได้รับประกันว่าทุกงานจะแม่นขึ้น
การควบคุม reasoning	เอกสารระบุ adaptive thinking และระดับ effort ใหม่ xhigh	เปิดพื้นที่ให้โมเดลใช้ความพยายามมากขึ้นในงาน coding การวางแผน และ reasoning หลายขั้นตอน แต่ทีมควรวัดความหน่วงและต้นทุน token ใหม่
งบประมาณของ agent	เพิ่ม task budgets beta เพื่อควบคุม token budget รวมของ agentic loop	สำคัญสำหรับ agent ที่ทำงานยาว เพราะทีมสามารถกำหนดขอบเขตการใช้ token และควบคุมต้นทุนได้ดีขึ้น
ภาพความละเอียดสูง	Anthropic ระบุว่า Opus 4.7 เป็น Claude รุ่นแรกที่รองรับภาพความละเอียดสูง โดยเพิ่มเพดานภาพเป็น 2576px / 3.75MP จากเดิม 1568px / 1.15MP	มีประโยชน์กับเอกสารแน่น ๆ กราฟ แผนภาพ หน้าจอ UI และงานที่ต้องอ่านรายละเอียดภาพ แต่ภาพความละเอียดสูงก็ใช้ token มากขึ้น
Tokenizer และต้นทุน	Tokenizer ใหม่อาจใช้ token กับข้อความมากกว่าโมเดลก่อนหน้าประมาณ 1x ถึง 1.35x หรือเพิ่มได้สูงสุดราว 35% และการนับ token จะต่างจาก Opus 4.6	ถ้าจะนำขึ้น production ต้องคำนวณต้นทุน โควตา การแบ่ง context และ token budget ใหม่ ไม่ควรดูแต่ความสามารถของโมเดล

Benchmark: สัญญาณด้าน coding และ agent แข็งมาก

บทความเปิดตัวบน Amazon Bedrock ของ AWS และบทวิเคราะห์ของ Vellum อ้างคะแนนทางการของ Claude Opus 4.7 หลายรายการ เช่น SWE-bench Pro 64.3%, SWE-bench Verified 87.6%, Terminal-Bench 2.0 69.4% และ Finance Agent v1.1 64.4%

ในกลุ่มนี้ SWE-bench Verified เป็นชุดทดสอบย่อย 500 ปัญหาจาก GitHub issue จริงที่มีมนุษย์ตรวจสอบ ใช้ประเมินความสามารถของโมเดลในการสร้าง patch เพื่อแก้ปัญหาซอฟต์แวร์จริงใน codebase ภาษา Python

Benchmark	คะแนน Opus 4.7 ที่ถูกอ้างถึง	ควรตีความอย่างไร
SWE-bench Verified	87.6%	เป็นสัญญาณว่าแข็งมากในงานแก้โค้ดจริง แต่ผลยังขึ้นกับ prompt เครื่องมือ และวิธีตั้งค่าการทดสอบ
SWE-bench Pro	64.3%	ชี้ไปที่ความสามารถในงานวิศวกรรมซอฟต์แวร์ที่ยากขึ้น เหมาะใช้เป็นสัญญาณด้าน coding ไม่ใช่การจัดอันดับผลิตภัณฑ์ทั้งหมด
Terminal-Bench 2.0	69.4%	สะท้อนงานที่เกี่ยวกับ terminal และการใช้เครื่องมือ จึงเกี่ยวข้องกับ workflow แบบ agent สูง
Finance Agent v1.1	64.4%	แสดงว่ามีคะแนนเชิงปริมาณในงาน agent เฉพาะทางด้านการเงิน แต่ยังเป็น benchmark เฉพาะชุดหนึ่ง

คะแนนเหล่านี้พอรองรับข้อสรุปว่า Opus 4.7 ทำผลงานโดดเด่นใน benchmark ด้าน coding, agentic และงานวิชาชีพที่ถูกเลือกมาอ้าง แต่ไม่ควรถูกย่อเหลือประโยคเดียวว่าเป็นอันดับหนึ่งทั้งตลาด เพราะอันดับของโมเดลขึ้นกับชุดทดสอบ วิธีเขียน prompt การออกแบบเครื่องมือ เวอร์ชันโมเดล วิธีให้คะแนน และการทำซ้ำโดยบุคคลที่สาม

คะแนนจากบริษัทและพาร์ตเนอร์ควรอ่านอย่างไร

ประกาศของ Anthropic ยังอ้างผลจากพาร์ตเนอร์ เช่น GitHub รายงานว่าใน coding benchmark 93 ข้อ Opus 4.7 มีอัตราแก้งานสำเร็จเพิ่มขึ้น 13% เมื่อเทียบกับ Opus 4.6 อีก benchmark สำหรับ research agent รายงานว่า Opus 4.7 ได้คะแนนรวม 0.715 และโมดูล General Finance เพิ่มจาก 0.767 ใน Opus 4.6 เป็น 0.813

ข้อมูลแบบนี้มีค่า เพราะมักใกล้กับงานจริงมากกว่า benchmark เชิงวิชาการล้วน ๆ แต่ต้องแยกระดับหลักฐานให้ชัด Verdent ชี้ว่าตัวเลขจากพาร์ตเนอร์อย่าง Notion หรือ Rakuten เป็น benchmark ภายในหรือ benchmark เฉพาะองค์กร ไม่ใช่การทดสอบมาตรฐานข้ามโมเดลที่ควบคุมเงื่อนไขเท่ากัน

พูดอีกแบบคือ คะแนนจากพาร์ตเนอร์ช่วยบอกว่า Opus 4.7 น่าทดลองมากใน workflow coding หรือ agent จริง แต่ยังไม่พอจะยืนยันลำพังว่ามันถูกพิสูจน์อย่างเป็นกลางแล้วว่าเป็นอันดับหนึ่งของทุกโมเดล

ทำไมยังไม่ควรพูดว่าเก่งสุดทั้งตลาด

หนึ่ง ต้องนิยามก่อนว่าเก่งสุดในกลุ่มใด DataCamp และ VentureBeat รายงานว่า Anthropic ยังมีบริบทของ Mythos / Mythos Preview ที่เข้าถึงได้จำกัดกว่าและไม่ได้เปิดใช้กว้างแบบ Opus 4.7 ดังนั้นหากนับโมเดลที่ยังไม่เปิดใช้ทั่วไปเข้าไปด้วย Opus 4.7 ก็ไม่ควรถูกเข้าใจว่าเป็นโมเดลที่แข็งที่สุดของ Anthropic ในทุกกรณี

สอง หลักฐานสาธารณะยังไม่ใช่การเทียบทุกโมเดลแบบเป็นกลางครบชุด Benchmark ทางการ เอกสารเปิดตัวบน AWS ความเห็นจากพาร์ตเนอร์ และบทวิเคราะห์จากบุคคลที่สามช่วยยืนยันได้ว่า Opus 4.7 แข็งมาก แต่ยังไม่เท่ากับการที่องค์กรอิสระทดสอบโมเดลหลักทั้งหมดด้วยเงื่อนไขเดียวกันและเผยแพร่ผลที่ทำซ้ำได้

สาม โมเดลที่เก่งที่สุดไม่จำเป็นต้องเหมาะที่สุดกับทุกงาน จุดยืนสาธารณะของ Opus 4.7 อยู่ที่ coding, agent ระยะยาว งานมืออาชีพ งานภาพ และงานหลายขั้นตอน ถ้าความต้องการคือจัดหมวดหมู่จำนวนมากในต้นทุนต่ำ ตอบแชตสั้น ๆ สรุปตามฟอร์แมตตายตัว หรือระบบที่ต้องการ latency ต่ำมาก โมเดลระดับสูงที่สุดอาจไม่ใช่ตัวเลือกที่คุ้มที่สุด

งานแบบไหนควรลอง Opus 4.7 ก่อน

ถ้างานของคุณเกี่ยวกับการแก้ codebase ขนาดใหญ่ การแก้ bug ซับซ้อน การ refactor ข้ามหลายไฟล์ การใช้เครื่องมือต่อเนื่องนาน ๆ research agent การวิเคราะห์เอกสารวิชาชีพ หรือการอ่านกราฟ เอกสารหนาแน่น และภาพหน้าจอ UI ที่ต้องเห็นรายละเอียด Opus 4.7 เป็นหนึ่งในตัวเลือกที่ควรนำมาทดสอบก่อน

แนวทางที่เป็นระบบกว่าคือสร้างชุดทดสอบของตัวเอง กำหนดงาน prompt เครื่องมือ ข้อมูล เกณฑ์ให้คะแนน และขั้นตอน human review ให้คงที่ จากนั้นวัดอัตราสำเร็จ เวลาที่คนต้องแก้เพิ่ม ปริมาณ token ความหน่วง และอัตราความผิดพลาดจากการใช้เครื่องมือ วิธีนี้สำคัญมากกับ agentic workflow เพราะ benchmark ภายในของพาร์ตเนอร์อาจไม่สะท้อน orchestration และสภาพข้อมูลของคุณ

เรื่องต้นทุนก็ต้องคำนวณใหม่ Anthropic ระบุว่า tokenizer ใหม่ของ Opus 4.7 อาจทำให้ข้อความใช้ token เพิ่มได้สูงสุดราว 35% และภาพความละเอียดสูงก็เพิ่มการใช้ token หากจะรัน agent หลายขั้นตอน task budgets beta จึงเป็นฟีเจอร์ที่ควรนำเข้ามาทดสอบเพื่อคุม token budget รวม

สรุปสุดท้าย

จากข้อมูลสาธารณะ Claude Opus 4.7 สมควรถูกเรียกว่าโมเดลที่แข็งมาก มันมี context window 1M token เอาต์พุตสูงสุด 128k token, adaptive thinking, ระดับ effort xhigh, task budgets beta, ความสามารถรับภาพความละเอียดสูง และถูกวางตำแหน่งโดย Anthropic กับ AWS สำหรับงานยากอย่าง coding, agent ระยะยาว และ professional work

แต่ถ้าคำถามคือมันถูกพิสูจน์อย่างอิสระแล้วหรือยังว่าเป็นโมเดลที่เก่งที่สุดของทั้งตลาด คำตอบยังควรเผื่อพื้นที่ไว้มากกว่า ประโยคที่แม่นกว่าคือ Claude Opus 4.7 น่าจะอยู่ในแถวหน้าของโมเดลเชิงพาณิชย์ที่เปิดใช้ได้กว้าง โดยเฉพาะงาน coding, agent และงานยาว แต่หลักฐานสาธารณะที่มีตอนนี้ยังไม่พอสำหรับคำกล่าวอ้างแบบไม่มีเงื่อนไขว่าเป็นอันดับหนึ่งของทุกตลาดและทุกงาน