Claude Opus 4.7 有幾勁？1M context、SWE-bench 87.6%，但未可叫全市場第一

一句講晒：Claude Opus 4.7 係好勁，但唔好將「好勁」直接等同「全市場第一」。公開資料最穩陣嘅講法係：佢好可能屬於而家廣泛可用商用前沿模型嘅第一梯隊，尤其適合 coding、AI agent、長任務同需要細節視覺理解嘅工作；但現有證據未足以支持無條件嘅總冠軍宣稱。

Anthropic 自家文件、產品頁同 AWS 上線文，都將 Opus 4.7 放喺 coding、long-running agents、professional work、多步任務呢類高難度場景。 真正要問嘅唔係單純「佢係咪最勁」，而係「喺你嘅任務、工具鏈同成本限制入面，佢係咪最值得用」。

先講定位：高階工作模型，唔係平價短任務模型

Anthropic 表示，開發者可以透過 Claude API 使用 claude-opus-4-7；AWS 亦宣布 Opus 4.7 已登陸 Amazon Bedrock，並稱它係 Anthropic 面向 coding、long-running agents 同 professional work 嘅高階 Opus 模型。

換句話講，Opus 4.7 唔係為簡單短任務、低成本跑量而設嘅輕量模型。Anthropic 的 Opus 產品頁同開發者文件，明顯將它放喺專業軟件工程、複雜 agent 工作流、長任務、知識工作同視覺理解等較難場景入面理解。

最影響實戰嘅規格升級

升級	公開資料	落地時代表咩
1M context / 128k 輸出	支援 1M token context window，最大輸出 128k tokens。	可以處理更長程式碼庫、長文件、研究脈絡同多輪 agent 狀態；不過 context 大，唔代表每個任務都會自動更準。
推理控制	文件列出 adaptive thinking 同新 xhigh effort 等級。	高難度 coding、規劃同多步推理會有更多發揮空間；但通常亦要重新估算延遲同 token 成本。
Agent 預算	引入 task budgets beta，用嚟控制 agentic loop 嘅整體 token 預算。	對長流程 agents 特別重要，因為團隊可以將成本同執行範圍納入控制。
高解析度視覺	Anthropic 稱 Opus 4.7 係第一個支援高解析度影像嘅 Claude 模型，最高影像解析度升至 2576px / 3.75MP，高於之前的 1568px / 1.15MP。	對密集文件、圖表、UI 截圖同需要細節辨識嘅視覺任務更有利；高解析度圖片亦會增加 token 使用。
Tokenizer 同成本	新 tokenizer 處理文字時，可能比先前模型多用約 1x 至 1.35x tokens，最高約多 35%；token counting 亦會同 Opus 4.6 唔同。	如果要上 production，唔可以只睇能力；要重新計成本、配額、context 切分同 token budget。

跑分：coding 同 agent 訊號的確好強

如果只睇 coding 同 agent 相關評測，Opus 4.7 釋出嘅訊號係相當強。AWS 的 Amazon Bedrock 上線文同 Vellum 的 benchmark 解讀，轉述了 Claude Opus 4.7 的官方成績，包括 SWE-bench Pro 64.3%、SWE-bench Verified 87.6%、Terminal-Bench 2.0 69.4%，以及 Finance Agent v1.1 64.4%。

當中，SWE-bench Verified 係由人工驗證的 500 個真實 GitHub issue 子集，用嚟評估模型為 Python codebases 產生修補程式、解決真實軟件工程問題嘅能力。

Benchmark	Opus 4.7 公開轉述分數	可以點睇
SWE-bench Verified	87.6%	顯示它喺真實軟件修補類任務上非常強，但仍要睇 prompt、工具同評測設定。
SWE-bench Pro	64.3%	指向更高難度軟件工程任務能力；適合當成 coding 能力訊號，而唔係完整產品排名。
Terminal-Bench 2.0	69.4%	反映終端機同工具導向任務能力，與 agentic workflow 關聯較高。
Finance Agent v1.1	64.4%	顯示它喺特定專業領域 agent 任務上有量化成績，但仍然係特定 benchmark。

呢啲分數足以支持一個結論：Opus 4.7 喺官方選用嘅 coding、agentic 同專業任務評測入面表現突出。 但 benchmark 唔應該被簡化成「全市場第一」，因為模型排名好受測試集、prompt 策略、工具設計、模型版本、評分方法同第三方可重現性影響。

合作方數據：貼近實戰，但要識分證據級別

Anthropic 官方公告亦列出合作夥伴評測。例如 GitHub 在 93 題 coding benchmark 上回報，Opus 4.7 相比 Opus 4.6 的任務解決率提升 13%；另一個研究代理 benchmark 則報告 Opus 4.7 總分 0.715，General Finance 模組由 Opus 4.6 的 0.767 升至 0.813。

呢類資料有參考價值，因為它更接近實際工作流。不過證據級別要分清楚。Verdent 對相關資料的解讀提醒，Notion 或 Rakuten 這類合作方數字屬於單一內部或專有 benchmark，唔係受控嘅跨模型標準測試。

所以，合作夥伴成績可以支持「Opus 4.7 喺實務 agent / coding 工作流入面好值得測」，但唔足以單獨支持「它已被中立證明係所有模型第一」。

點解唔可以一口咬定全市場第一？

第一，要先講清楚「廣泛可用」呢條線。 DataCamp 同 VentureBeat 都提到，Anthropic 另有更受限制、未廣泛開放嘅 Mythos / Mythos Preview 脈絡；所以如果將未廣泛釋出嘅模型都計入，Opus 4.7 唔應該被理解為 Anthropic 絕對最強嘅一切模型。

第二，公開證據未係完整中立橫向比較。 官方 benchmark、AWS 上線文、合作夥伴回饋同第三方解讀，都可以證明 Opus 4.7 好強；但它們唔等於獨立機構喺相同條件下，對所有主要模型做出可重現總排名。

第三，模型強弱要睇任務。 Opus 4.7 的公開定位集中喺 coding、長時間 agents、專業工作、視覺同多步任務；如果你要做嘅係低成本大量分類、簡短客服、固定格式摘要，或者極低延遲工作，最強高階模型未必就係最適合嘅模型。

咩情況最值得試 Opus 4.7？

如果你嘅工作包括大型程式碼庫修改、複雜 bug 修復、跨檔案重構、長時間工具使用、研究型 agent、專業文件分析，或者需要睇清密集圖表同 UI 截圖嘅視覺任務，Opus 4.7 係值得優先測試嘅候選模型。

更務實嘅做法，係建立自己嘅評測集：固定任務、prompt、工具、資料、評分標準同人工審查流程，同時記錄成功率、人工修正時間、token 消耗、延遲同工具錯誤率。對 agentic workflow 嚟講尤其重要，因為合作方內部評測未必代表你自己嘅編排方式同資料環境。

成本亦要重新計。Anthropic 已提醒，Opus 4.7 的新 tokenizer 可能令文字 token 使用最多增加約 35%，高解析度圖片亦會增加 token 消耗；如果要跑長流程 agents，task budgets beta 值得納入測試，用嚟控制整體 token 預算。

底線：好強，但「全市場第一」要留手

Claude Opus 4.7 的公開資料，足以支持「非常強」呢個判斷。它有 1M context window、128k 最大輸出、adaptive thinking、xhigh effort、task budgets beta、更高解析度視覺輸入；Anthropic 同 AWS 亦都將它放喺 coding、長流程 agents 同專業工作呢啲高難度場景。

但如果問題係「它是否已被獨立證明為全市場最強」，答案仍然要保留。更準確講法係：Claude Opus 4.7 很可能位於目前廣泛可用商用前沿模型第一梯隊，特別強喺 coding、agent 同長任務；但現有公開證據仍不足以支持無條件嘅全市場第一名宣稱。