Claude Opus 4.7 benchmark：87.6% SWE-bench Verified 係亮點，但唔係成個故事

Claude Opus 4.7 唔應該只用一個百分比概括。Anthropic 喺模型文件入面形容佢係目前一般可用模型之中，最擅長複雜推理同 agentic coding，即「代理式編程」嘅型號 。AWS 介紹 Claude Opus 4.7 登陸 Amazon Bedrock 時，亦將佢定位為 Opus 4.6 之上嘅升級，重點放喺生產環境常見 workflow：agentic coding、知識工作、視覺理解同長時間任務 。

對開發者嚟講，最易被引用嘅 headline 數字係 SWE-bench Verified 87.6%。呢個分數由 AWS 引述 Anthropic 資料列出 。不過，睇 benchmark 最忌「見到高分就當萬能」：AWS 同時提醒，Opus 4.7 可能需要修改 prompt 同調整評測 harness，先可以盡量發揮模型能力 。

主要 benchmark 數字一覽

範疇	Benchmark	報告分數	最適合用嚟睇咩
Coding／代理	SWE-bench Verified	87.6%	目前最常被引用、用嚟評估 Claude Opus 4.7 解軟件工程任務能力嘅指標 。
Coding／代理	SWE-bench Pro	64.3%	可配合 SWE-bench Verified 一齊睇，反映較高要求或不同類型嘅軟件任務 。
終端機代理	Terminal-Bench 2.0	69.4%	如果應用場景涉及 terminal、工具調用或類似命令行環境，呢個分數更有參考價值 。
金融代理	Finance Agent v1.1	64.4%	較貼近金融分析、自動化或文件處理相關流程 。
內部 coding 測試	93 項任務內部 benchmark	相比 Opus 4.6，解決率 +13%	呢係特定內部評測嘅相對改善，唔應理解成所有項目都必然提升 13% 。
內部 research agent 測試	總分	0.715	Anthropic 指呢個係其內部 research-agent benchmark 入面，對 multi-step 工作表現強嘅結果 。
內部 research agent 測試	General Finance	0.813，Opus 4.6 為 0.767	顯示 Opus 4.7 喺 Anthropic 內部金融模組相對 Opus 4.6 有改善 。

87.6% SWE-bench Verified 真正代表咩？

如果你係工程團隊，想比較邊個模型適合做 coding agent，SWE-bench Verified 87.6% 係現有資料入面最清晰、最有代表性嘅起點：AWS 為 Claude Opus 4.7 列出呢個分數 。簡單講，呢個 benchmark 主要反映模型處理軟件工程任務、理解代碼問題同提出修復方案嘅能力；亦同 Anthropic 對 Opus 4.7「強於複雜推理同 agentic coding」嘅定位一致 。

但要留意，87.6% 唔係「所有工作都做到 87.6% 成功率」嘅意思。SWE-bench Verified 只係某一類任務嘅評測；佢唔能夠取代 terminal 操作、金融分析、視覺理解、長流程任務或 research agent 評測。做技術選型時，最好至少將 SWE-bench Pro 同 Terminal-Bench 2.0 一齊睇，先知道模型喺更貼近實際工具鏈嘅情境下表現如何 。

點解會見到唔同數字？

同一個模型，網上未必只得一個 benchmark 數字。有二手來源報告 Claude Opus 4.7 喺 SWE-bench Verified 係 82.4%，但 AWS 引述 Anthropic 資料列出嘅係 87.6% 。呢個差距唔細，所以引用時唔應該只講「Opus 4.7 幾多分」，而要講清楚：邊個 benchmark、幾多分、邊個來源。

更重要係，AWS 明確提到 Opus 4.7 可能需要 prompting changes 同 harness tweaks，先可以攞到更好效果 。換句話講，評測設定、工具環境、prompt 寫法同自動化框架，都可能影響你實際見到嘅分數。

應該睇邊個 benchmark？視乎你點用

如果主要用途係寫 code、修 bug、做軟件工程任務，SWE-bench Verified 可以做第一個參考點，但唔好停喺呢度。SWE-bench Pro 同 Terminal-Bench 2.0 更有助理解模型處理複雜任務、操作工具同喺 terminal 類環境入面工作嘅能力 。

如果用途偏向金融或 research workflow，Anthropic 內部 research-agent 數據會更貼近呢類場景：Opus 4.7 喺其內部 research-agent benchmark 總分為 0.715；喺 General Finance 模組取得 0.813，而 Opus 4.6 同一模組為 0.767 。不過，呢啲仍然係內部評測，唔等於第三方獨立驗證。

如果你關心嘅係企業長流程工作，例如跨多步驟分析、長時間任務、處理模糊指令，公開資料顯示 AWS 引述 Anthropic 指 Opus 4.7 喺長時間任務、指令跟隨同處理模糊情境方面有改善 。呢類情況下，benchmark 只係初步篩選；真正決定應唔應該採用，仍然要用你自己嘅工具、prompt、資料同 harness 重跑一次。

結論：87.6% 好重要，但要放返喺正確位置

Claude Opus 4.7 最有代表性、最容易引用嘅 benchmark 係 SWE-bench Verified 87.6%，特別適合用嚟討論 agentic coding 能力 。但完整解讀需要同時睇其他數字：SWE-bench Pro 64.3%、Terminal-Bench 2.0 69.4%、Finance Agent v1.1 64.4%，再加上 Anthropic 對 multi-step research 同金融模組嘅內部評測結果 。

最穩陣嘅比較方法唔係問「Claude Opus 4.7 benchmark 幾多分？」而係問：「邊個 benchmark 最似我哋實際 workflow？」如果係軟件開發，SWE-bench Verified 係好起點；如果係代理工具、terminal、金融或 research，其他 benchmark 可能同樣重要，甚至更貼近你真正要解決嘅問題。