Claude Opus 4.7 基準測試：87.6% 的 SWE-bench Verified 該怎麼看

87.6% 到底該怎麼讀？

如果你要比較的是 coding agent 或軟體工程代理，SWE-bench Verified 的 87.6% 確實是目前最容易引用、也最醒目的數字之一 。它與 Anthropic 對 Opus 4.7 的定位相符：這是一個強調複雜推理與代理式編碼的模型 。

但 benchmark 不是萬靈丹。SWE-bench Verified 主要反映特定軟體任務上的解題能力；它不能替代終端機代理、金融代理、長上下文研究、視覺理解或企業知識工作等其他場景的測試。因此，若是技術選型，至少應把 SWE-bench Pro 與 Terminal-Bench 2.0 一起納入，而不是只看單一標題分數 。

為什麼會看到不同的 SWE-bench Verified 數字？

同一個模型在網路上未必只會出現一個分數。舉例來說，有次級來源列出 Claude Opus 4.7 在 SWE-bench Verified 的成績為 82.4%，而 AWS 報告的是 87.6% 。這種差異提醒我們：引用 benchmark 時，不能只複製百分比，還要說清楚來源與設定。

較穩妥的寫法是同時標明三件事：benchmark 名稱、分數、資料來源。AWS 也提醒，Opus 4.7 作為 Opus 4.6 的升級，可能需要調整提示詞與評測 harness 才能充分發揮 。換句話說，測試設定本身可能影響你看到的結果。

不同團隊該看哪一組 benchmark？

如果你關心程式開發，SWE-bench Verified 可以當作起點，但不該是終點。SWE-bench Pro 與 Terminal-Bench 2.0 能補上更接近「模型需要與工具、環境或命令流程互動」的面向 。

如果你關心金融或研究型工作，Anthropic 的內部 research-agent benchmark 會更貼近這類多步驟流程：Claude Opus 4.7 的總分為 0.715，在 General Finance 模組得 0.813，高於 Opus 4.6 的 0.767 。不過，這些仍是內部評測；在採購或導入前，最好用自己的資料、任務與驗收標準再跑一次。

如果你關心企業長流程，AWS 引述 Anthropic 的說法指出，Opus 4.7 改善了長時間任務、知識工作、視覺理解與在模糊情境下解題、遵循指令的能力 。這類場景通常比單題 benchmark 更複雜，實測時應重現你的提示詞、工具串接與評測 harness。

結論：把 87.6% 當作起點，不是結論

Claude Opus 4.7 最醒目的 benchmark 是 SWE-bench Verified 87.6%，尤其對代理式編碼與軟體任務評估很有參考價值 。但更完整的解讀是：它同時有 SWE-bench Pro 64.3%、Terminal-Bench 2.0 69.4% 與 Finance Agent v1.1 64.4% 等補充分數，而 Anthropic 也公布了多步驟研究與金融模組的內部評測結果 。

所以，負責任的比較方式不是問「Claude Opus 4.7 的 benchmark 是多少」，而是先問「我的工作流程最像哪一個 benchmark」。做軟體代理，就從 SWE-bench Verified 開始；做終端機、金融、研究或企業長流程，則要看對應的補充分數，並用自己的 harness 驗證。