Claude Opus 4.7 vs GPT-5.5 Spud：别急着判输赢，先看证据链

模型之间的胜负很容易被说成一句话，但真正要审计时，问题往往没那么简单。就本文核查的资料看，Anthropic 将 Claude Opus 4.7 列为最新一代 Claude 模型，并称其为面向复杂任务的、能力最强的已普遍开放模型；而本轮可见的 OpenAI 模型专属指南是 GPT-5.4，并不是 GPT-5.5 Spud 。

所以，更诚实的结论不是谁赢，而是：如果你关心 AI 研究工作流的证据溯源，应先看引用和源材料能不能被审计，而不是先看模型名。

先给结论：没有可核验的直接冠军

从这些资料中，无法验证 Claude Opus 4.7 与 GPT-5.5 Spud 在研究证据溯源上的直接对比结果。能够核验的范围更窄：OpenAI 对 Deep Research 的网页引用展示提出了用户可见要求；Anthropic 则说明了 Claude 在提供文档并启用引用时，可做基于文档的引用 。

对采购方、开发者和研究团队来说，这个较窄的结论反而更实用。可审计的研究流程，关键在于能否把重要结论连接到人类可以检查的证据：网页 URL、文件、检索片段、文档段落或其他可保留的材料。

证据溯源，不只是页面上有个链接

评估 AI 研究工作流时，最好把三件事分开看：

• 引用：回答中的具体主张，是否有清晰可见的来源指向。
• 源材料留存：生成答案用到的网页、文件、文档、检索片段是否被保存，事后能否复查。
• 推理或思考产物：例如推理摘要、scratchpad 式草稿内容、thinking blocks 等，它们可能帮助流程设计，但并不等同于事实来源证明。

引用是最显眼的一层，但仅有引用并不够。更严格的检验是：审稿人能不能从某一句关键结论，顺藤摸瓜找到支撑它的那一段原始材料。

OpenAI：网页研究的引用展示写得最明确

在本轮资料里，OpenAI 最清楚的溯源要求出现在 Deep Research 文档中：当向最终用户展示网页结果，或展示来自网页结果的信息时，内联引用应在用户界面中清晰可见且可点击 。这点很关键，因为如果链接藏在元数据里，或和具体结论脱节，溯源能力就会明显变弱。

OpenAI 还提供了引用格式指南，用于说明如何准备可引用材料，并指导模型更有效地格式化引用 。其 Deep Research API 示例也提到，响应包含结构化的最终答案、内联引用、推理步骤摘要和来源信息 。OpenAI 帮助中心则表示，Deep Research 输出包含引用或来源链接，方便用户验证信息 。

这支持一个有限但重要的判断：在网页研究工作流中，OpenAI 这些文档对引用呈现方式说得比较明确。它并不证明每一条引用都一定准确，也不能证明 GPT-5.5 Spud 这个具体模型具备怎样的溯源优势。

Anthropic：文档问答的引用机制写得更细

Anthropic 资料的重点在两处：一是 Claude Opus 4.7 的模型定位，二是基于文档的引用机制。Anthropic 将 Claude Opus 4.7 描述为最新一代 Claude 模型之一，并建议在最复杂任务上优先考虑它，称其为公司最有能力的已普遍开放模型 。

在证据溯源方面，关键资料是 Anthropic 的 citations 文档。该文档说，当用户提供文档并启用 citations 时，Claude 能在回答文档相关问题时给出详细引用，帮助用户追踪和验证信息来源 。它还说明了引用颗粒度：纯文本和 PDF 文档默认会自动按句切分；如果开发者需要更细控制，例如处理项目符号、转录稿或特定检索增强生成片段，则可以使用自定义内容文档 。

Anthropic 的 PDF 支持文档还补充了一个相关细节：在 Converse API 中进行视觉 PDF 分析时，必须启用引用 。此外，Anthropic 的 Files API 允许开发者上传并管理供 Claude API 使用的文件，不必每次请求都重新上传同一内容 。文件管理本身不能证明引用一定准确，但如果和源文件留存、逐条引用结合，就更有利于形成可复查的证据链。

scratchpad 和 thinking blocks 不是来源证明

评估研究溯源时，最容易踩的坑，是把模型的思考痕迹当成证据。它们不是一回事。

OpenAI 的推理最佳实践页面说明，推理模型会在内部进行推理，并建议开发者不要提示模型逐步思考或解释完整思维链 。OpenAI 的推理模型指南关注的是 reasoning effort、reasoning tokens，以及跨轮次保留推理状态等控制项 。

Anthropic 在思考机制方面提供了更多术语。其提示缓存文档称，在 extended thinking 与 prompt caching 一起使用时，thinking blocks 有特殊行为 。extended thinking 文档区分了 Claude 4 及后续模型中的完整 thinking tokens 与摘要输出 。Anthropic 发布说明提到 display 字段可从响应中省略 thinking 内容，Claude Code 文档也说，在 skill 内容中加入 ultrathink 可为该 skill 启用 extended thinking 。

这些能力可能有助于开发者优化复杂工作流。但隐藏的思维链、scratchpad 式草稿，或压缩后的推理摘要，都不能证明某个事实结论来自哪一个 URL、哪份文档或哪个文件。它们最多是辅助上下文，不是源材料审计轨迹。

选型时，按这 5 点检查

如果目标是可审计的 AI 研究流程，不妨先放下模型排行榜，用下面的清单检查整个工作流。

1. 是否有主张级引用。 网页来源信息面向用户展示时，OpenAI Deep Research 文档要求内联引用清晰可见且可点击 。Claude 的文档工作流中，Anthropic 说明在提供文档并启用 citations 时可给出引用 。
2. 源材料是否可检查。 不要只保存最终答案，也要保存支撑答案的网页、文件、文档或检索片段。OpenAI Deep Research API 示例提到来源信息；Anthropic Files API 支持在 Claude API 工作流中复用已上传文件 。
3. 引用颗粒度是否足够细。 好的引用不应只是指向一个笼统来源，而应尽量指向相关证据。Anthropic 说明纯文本和 PDF 默认按句切分，也可用自定义内容文档获得更细控制 。OpenAI 另有关于准备可引用材料和提示模型格式化引用的指导 。
4. 推理与证据是否分离。 推理控制可能改善工作流表现，但 OpenAI 与 Anthropic 的相关文档描述的是 reasoning 或 thinking 机制，不是来源链接的替代品 。
5. 高风险结论是否有人复核。 厂商文档能说明引用功能和展示方式，但不能独立保证每条引用都正确。法律、医疗、金融、科研结论等高影响输出，仍应回到原始材料逐项核对。

底线

本轮资料支持的是一个细分比较，而不是总榜单。OpenAI 在网页研究的用户可见引用要求上证据更明确，因为 Deep Research 文档明说，向用户展示网页来源信息时应有清晰可见、可点击的内联引用 。Anthropic 在 Claude 的文档型引用上证据更具体，因为其文档说明了提供文档并启用 citations 后的引用能力，以及通过按句切分和自定义内容控制颗粒度的方式 。

Claude Opus 4.7 被 Anthropic 文档描述为面向复杂任务的、能力最强的已普遍开放模型；但本文核查到的 OpenAI 模型专属资料是 GPT-5.4，而非 GPT-5.5 Spud 。如果你真正要做可审计的 AI 研究，先比较源材料留存、引用颗粒度和人工验证机制，再比较模型名字。