Claude Opus 4.7 benchmark 點睇：SWE-bench、GPQA 同來源可信度

呢張表刻意採取保守做法：只收錄目前公開資料中明確出現的數字。對企業採購、模型遷移或者生產系統選型而言，佢唔應該取代內部測試。

點解 SWE-bench Verified 最值得優先睇

SWE-bench Verified 的 87.6%，係目前關於 Claude Opus 4.7 最有來源支撐的 benchmark 數字。無論係遷移／benchmark 文章，定係 LLM-Stats，都提到同一個 87.6% 分數。

LLM-Stats 亦將 87.6% 解讀為較 Opus 4.6 高 6.8 個百分點。 ALM Corp 亦形容 Opus 4.7 在困難 coding 同 agentic workflows 上有更強表現。

對做 software engineering workload 的團隊嚟講，SWE-bench Verified 可以作為公開比較的起點。它有用，但唔好將它當成終點：真實情況要睇模型能否處理你哋自己的 codebase、測試框架、CI/CD、工具調用、code review 標準同安全要求。

GPQA：分數亮眼，但要多一層核實

GPQA 的 94.2% 在 LLM-Stats 裡面有清楚列出。 同時，Anthropic 官方頁面作為一手來源當然重要；但在目前可見摘要中，較明確可確認的是開發者可以透過 Claude API 使用 claude-opus-4-7，未見完整 benchmark 表可在這裡直接引用。

所以，GPQA 可以視為 Claude Opus 4.7 的重要補充訊號，但可信度權重應該低過 SWE-bench Verified。若果 GPQA 會影響採購、遷移或者模型路線決定，最好再對照官方完整材料，或者用自己題庫和工作流重新測試。

SWE-bench Multilingual：對多語言 codebase 有參考價值

如果團隊維護多語言 codebase，或者工程環境唔只用英文，SWE-bench Multilingual 80.5% 會幾值得留意。有來源提到 Claude Opus 4.7 在 SWE-bench Multilingual 升至 80.5%，並對比 Opus 4.6 的 77.8%。

但限制亦要講清楚：呢個數字在現有來源中冇 SWE-bench Verified 咁廣泛出現。所以它可以作為初步參考，特別係國際化 codebase、混合語言 stack、或者非英文開發環境；但仍然唔應該取代實測。

Benchmark 以外，實際使用仲要睇咩？

Claude Opus 4.7 唔只係一堆分數。VentureBeat 形容它是 Anthropic 當時公開發布的最強大型語言模型。 ALM Corp 則將 Opus 4.7 描述為已一般可用的 Opus 模型，面向高要求的 coding、agent、文件同 vision 工作流。

對實際選型嚟講，以下產品特性可能同 benchmark 一樣重要：

• Context window： LLM-Stats 提到 Claude Opus 4.7 有 1 million tokens context window。
• Vision： LLM-Stats 提到其 vision 處理支援 3.3 倍更高解像度。
• Effort level： LLM-Stats 同 ALM Corp 都提到新增 xhigh effort level。
• Tokenizer： ALM Corp 指出更新後的 tokenizer 可能令同一段 input 產生更多 token。

呢幾點會直接影響成本、延遲同結果質素。尤其 tokenizer 改動，遷移前一定要試清楚，因為它可能改變你原本對 token 用量、budget 同 max token 設定的估算。

團隊應該點樣用呢啲數字？

如果主要做 coding： 可以用 SWE-bench Verified 做公開比較基準。87.6% 是目前資料中最有支撐的分數。

如果做 agent workflows： 除咗 benchmark，亦要睇模型對困難 coding、長時間 agent 任務，以及 xhigh effort level 的支援。

如果重視 general reasoning： GPQA 94.2% 有參考價值，但現有資料中未有 SWE-bench Verified 咁多來源互相確認。

如果有多語言 codebase： SWE-bench Multilingual 80.5% 可以作為提示，但因為來源較薄，最好配合內部測試。

如果準備上 production： 唔好只跑接近 benchmark 的題目。應該一併測試長 context、工具調用、vision case、token 消耗、延遲、錯誤處理同回歸測試。Context window、vision、effort level 同 tokenizer 變動，都可能明顯影響實際使用體驗。

總結

最保守而可引用的講法是：Claude Opus 4.7 目前公開資料中出現的主要 benchmark 包括 SWE-bench Verified 87.6%、GPQA 94.2%、SWE-bench Multilingual 80.5%。

當中，SWE-bench Verified 87.6% 是最強參考點，因為有多個來源提到同一分數。 GPQA 同 SWE-bench Multilingual 都係有用訊號，但來源支撐相對較少。對真正要落地的團隊而言，公開 benchmark 最好用嚟做初步篩選；最後決定，仍然要靠自己 workflow 的實測結果。