Claude Opus 4.7 基准测试：87.6%该怎么读

如果只问“Claude Opus 4.7 的 benchmark 是多少”，最容易被转发的答案是：SWE-bench Verified 87.6%。但这个数字更像入口，而不是结论。

Anthropic 在模型文档中把 Claude Opus 4.7 定位为其正式可用模型里，最擅长复杂推理和智能体式编码的一款 。AWS 则称，相比 Opus 4.6，它面向生产环境中的智能体编码、知识工作、视觉理解和长时任务有所改进 。

也就是说，Opus 4.7 不是一个适合被单个分数概括的模型。更合理的问题是：你要评估的是写代码、跑终端工具、金融分析，还是多步骤研究流程？

关键结果一览

场景	Benchmark	报告结果	更适合回答的问题
编码与软件任务	SWE-bench Verified	87.6%	目前最受关注的标题数字，用于观察模型解决软件工程任务的能力 。
编码与更复杂软件任务	SWE-bench Pro	64.3%	可与 Verified 搭配看，避免只用一个软件测试集下结论 。
终端与工具型 Agent	Terminal-Bench 2.0	69.4%	适合关注模型在类似终端环境或工具链中完成任务的场景 。
金融 Agent	Finance Agent v1.1	64.4%	更贴近金融分析或金融自动化流程 。
内部编码评测	93 项任务内部 benchmark	相比 Opus 4.6，解决率 +13%	这是特定内部评测的相对提升，不等于所有代码项目都会同步提升 。
内部 research-agent	总分	0.715	Anthropic 称其在内部多步骤研究智能体 benchmark 中表现强劲 。
内部 research-agent	General Finance	0.813，Opus 4.6 为 0.767	显示其在 Anthropic 内部金融模块上较 Opus 4.6 有提升 。

87.6%到底说明什么

对正在比较 coding agent 的开发团队来说，**SWE-bench Verified 87.6%**是最清晰的主指标：AWS 报告 Claude Opus 4.7 在该 benchmark 上达到这一结果 。这也和 Anthropic 对 Opus 4.7 的定位一致：它强调复杂推理和智能体式编码能力 。

但要注意，87.6%不是“这个模型做任何事都有 87.6%成功率”。SWE-bench Verified 评估的是特定类型的软件工程任务；它不能替代终端操作、金融分析、视觉理解、长时任务或研究型 Agent 的评测。

所以，若你的目标是代码修复、仓库任务自动化或软件工程 Agent，SWE-bench Verified 可以作为起点；但如果产品需要调用工具、处理金融材料或完成多步骤研究，就应同时看 SWE-bench Pro、Terminal-Bench 2.0、Finance Agent v1.1 以及 Anthropic 的内部 research-agent 数据 。

为什么同一个模型会出现不同数字

不同来源并不总是给出同一个分数。一个二级来源称 Claude Opus 4.7 在 SWE-bench Verified 上为 82.4%，而 AWS 报告的数字是 87.6% 。这类差异值得认真对待：只复制一个百分比，却不说明来源和评测条件，很容易误导读者。

更稳妥的写法是同时注明三件事：benchmark 名称、具体分数、来源。如果是内部复测，还应记录提示词、工具、评测脚本和 harness 设置。AWS 也提醒，Opus 4.7 可能需要调整 prompting 和 harness，才能更好发挥模型能力 。

按使用场景选择指标

如果主要场景是编程，先看 SWE-bench Verified 没问题，但不要止步于此。SWE-bench Pro 可以补充观察更复杂或不同类型的软件任务；Terminal-Bench 2.0 则更适合评估模型在终端、命令行或工具链环境中的表现 。

如果目标是金融或研究型工作流，Anthropic 的内部 research-agent 数据更贴近这类流程：Opus 4.7 的总分为 0.715，在 General Finance 模块为 0.813，而 Opus 4.6 在该模块为 0.767 。不过，这些仍然是内部评测，应视为参考，而不是独立第三方验证。

如果关注的是企业长流程，公开信息强调的是长时任务、知识工作、视觉理解、模糊任务处理、更细致的问题求解和更准确的指令遵循 。在这种场景下，benchmark 只能帮你缩小候选范围；真正的判断仍应来自你自己的任务、工具、提示词和评测框架。

结论

Claude Opus 4.7 最好引用、也最容易被记住的数字，是 SWE-bench Verified 87.6%，尤其适合讨论智能体式编码能力 。但完整图景还包括 SWE-bench Pro 64.3%、Terminal-Bench 2.0 69.4%、Finance Agent v1.1 64.4%，以及 Anthropic 在内部多步骤研究和金融模块中的结果 。

负责任的比较方式，不是问“哪个 benchmark 最高”，而是先判断哪个 benchmark 最像你的真实工作流。对软件开发来说，SWE-bench Verified 是起点；对终端 Agent、金融分析或 research-agent 来说，补充指标往往同样关键。