Claude Opus 4.7 基准成绩：哪些数字最值得参考

这张表有意采用保守口径：只纳入当前公开材料中明确出现的数值。对于采购、迁移或生产环境选型，它更像是“第一轮筛选”，而不是最终结论。

最稳的锚点：SWE-bench Verified 87.6%

在当前资料中，Claude Opus 4.7 的 SWE-bench Verified 87.6% 是支撑最充分的 benchmark 数字。一个迁移与基准介绍页面以及 LLM-Stats 都明确给出了同一数值。

LLM-Stats 还把这项成绩描述为相比 Opus 4.6 提高 6.8 个百分点。 ALM Corp 也把 Opus 4.7 放在更强的复杂编码与智能体式（agentic）工作流表现这一语境下介绍。

对做软件工程的团队来说，这意味着：SWE-bench Verified 可以作为外部比较的起点。真正决定是否采用的，仍然是模型在你自己的代码库、测试框架、依赖环境和验收标准下表现如何。

GPQA 94.2%：信号很强，但要看来源宽度

GPQA 94.2% 这个数值在 LLM-Stats 中被明确列出。 Anthropic 的官方发布页当然是重要的一手材料；不过在本文可用的摘要信息里，能直接看到的是开发者可以通过 Claude API 使用 claude-opus-4-7，而不是一张可完整引用的基准成绩表。

因此，GPQA 更适合作为辅助判断信号，而不是单独拍板的依据。如果团队把 GPQA 当作采购或迁移门槛，最好再回到一手材料核对，或者用自己的任务集复测。

SWE-bench Multilingual 80.5%：对多语言场景有参考价值

如果你关心多语言代码库或跨语言技术栈，SWE-bench Multilingual 80.5% 值得留意。一个公开来源提到，Claude Opus 4.7 在该项上升至 80.5%，并把它与 Opus 4.6 的 77.8% 作对比。

但这里也要留个心眼：这个数值在当前材料中的覆盖面不如 SWE-bench Verified。它可以作为多语言开发环境的线索，但不应替代对真实项目的回归测试、构建测试和代码审查流程测试。

不要只盯排行榜：落地时这些因素同样关键

Claude Opus 4.7 并不只是一次分数更新。VentureBeat 将这次发布描述为 Anthropic 迄今公开发布的最强大大型语言模型。 ALM Corp 则把它定位为面向高难度编码、长时间智能体任务、文档密集推理、高分辨率视觉理解和专业工作流的通用可用 Opus 模型。

对实际选型来说，下面这些产品特性可能和 benchmark 分数一样重要：

• 上下文窗口： LLM-Stats 提到 Claude Opus 4.7 支持 100 万 token 上下文窗口。
• 视觉能力： LLM-Stats 提到其视觉处理支持 3.3 倍更高分辨率。
• Effort Level： LLM-Stats 和 ALM Corp 都提到新的 xhigh effort level。
• 分词器： ALM Corp 提到更新后的 tokenizer 可能让相同输入产生更多 token。

这些变化会影响模型的真实使用体验：长上下文可能扩大可处理材料范围，视觉能力影响图像和文档类任务，effort 设置可能改变回答质量与耗时，而分词器变化则可能改变团队对 token 用量和预算的估算。尤其是迁移旧项目时，tokenizer 变化不应等上线后才发现。

团队该怎么用这些数字

如果主要做代码任务： 先看 SWE-bench Verified。87.6% 是这组资料中最有支撑的公开数字。

如果做智能体式工作流： 不要只看 SWE-bench，还要评估模型在复杂工具调用、长时间任务和 xhigh effort 设置下的表现。

如果看通用高难度推理： GPQA 94.2% 是重要信号，但在本文可用材料中，它的来源覆盖不如 SWE-bench Verified 宽。

如果有多语言代码库： SWE-bench Multilingual 80.5% 有参考价值，不过因为来源较少，最好用自己的语言栈和代码风格再测一轮。

如果准备生产迁移： 别只跑接近 benchmark 的题目。还要测上下文长度、工具使用、视觉输入、token 消耗、延迟和失败恢复。公开分数能帮你缩小范围，真正的上线决策仍然要靠真实工作流验证。

结论

一句话概括：Claude Opus 4.7 目前公开材料中最值得记录的三个基准数值是 SWE-bench Verified 87.6%、GPQA 94.2% 和 SWE-bench Multilingual 80.5%。其中，SWE-bench Verified 是最稳的参考点，因为它被多个来源明确提到。

GPQA 和 SWE-bench Multilingual 都有价值，但在这组资料中的支撑宽度较弱。对严肃的模型选型来说，公开 benchmark 适合做起点，不适合当终点。