如果只看目前可公開查到的資料，Claude Opus 4.7 的基準測試可以先抓住三個數字：SWE-bench Verified 87.6%、GPQA 94.2%、SWE-bench Multilingual 80.5%。但這三個數字的「可信度」並不完全一樣；最值得先當作參考錨點的是 SWE-bench Verified，因為同一分數在多個來源中都被明確提到。^[4][5]

先看結論：三個分數，不同把握度

基準測試	Claude Opus 4.7 公開數字	來源解讀
SWE-bench Verified	87.6%	這批資料中最穩的 coding 評測錨點；同一數字被多個來源提到。[4][5]
GPQA	94.2%	LLM-Stats 明確列出此數字；但在目前可見的 Anthropic 官方摘錄中，沒有看到可直接引用的完整 benchmark 表格。[5][7]
SWE-bench Multilingual	80.5%	另有來源提到此數字，並對照 Opus 4.6 的 77.8%；但來源覆蓋較薄，應保守看待。[9]

這張表採取的是保守讀法：只放入目前來源中明確出現的數字。若要用於採購、產品遷移或正式模型選型，仍應以自己的程式碼庫、工具鏈與驗收標準做實測。

為什麼 SWE-bench Verified 是最穩的參考點

Claude Opus 4.7 在 SWE-bench Verified 的 87.6%，是這批公開資料中最有支撐的基準測試數字。Rabinarayan Patra 的遷移與 benchmark 文章，以及 LLM-Stats，都列出同樣的 87.6%。^[4][5]

LLM-Stats 也把這個分數解讀為相較 Opus 4.6 提升 6.8 個百分點。^[5] ALM Corp 則描述 Opus 4.7 在困難 coding 與 agentic 工作流程上有更強表現。^[6]

對軟體工程團隊來說，SWE-bench Verified 可以作為第一個公開比較點。不過，它不應該是最後答案。真正關鍵的是：模型在你的 repository、CI/CD 流程、內部框架、測試規範與 code review 標準下，能不能穩定交付可接受的結果。

GPQA：分數很亮眼，但需要多一層確認

GPQA 的 94.2% 在 LLM-Stats 中被清楚列出。^[5] Anthropic 官方發布頁本身當然是重要的一手來源；不過，依目前可見摘錄，該頁主要能確認開發者可透過 Claude API 使用 claude-opus-4-7，而不是提供一張可直接引用的完整 benchmark 數字表。^[7]

因此，GPQA 在這裡可以視為有價值的補充訊號，尤其是用來觀察一般推理能力時；但若要把 94.2% 當成採購或遷移的核心依據，最好再對照官方完整資料或自行評測。^[5][7]

SWE-bench Multilingual：對多語系程式碼庫有參考價值

對跨國團隊、混合語言 stack，或非全英文開發環境來說，SWE-bench Multilingual 80.5% 這個數字特別值得留意。有來源指出，Claude Opus 4.7 在這項評測上達到 80.5%，高於 Opus 4.6 的 77.8%。^[9]

但限制也要說清楚：這個數字在目前資料中沒有像 SWE-bench Verified 那樣被多個來源反覆確認。它可以當作初步線索，不能取代針對自家多語系程式碼、文件與測試案例的實際驗證。

跑分之外，更會影響落地的幾件事

Claude Opus 4.7 並不是只靠 benchmark 分數被定位。VentureBeat 形容這次發布的是 Anthropic 當時公開釋出中最強大的大型語言模型。^[1] ALM Corp 也把 Opus 4.7 描述為一個面向進階 coding、長時間 agentic 任務、文件密集推理、高解析度視覺理解與專業工作流程的通用 Opus 模型。^[6]

在實際選型時，以下產品特性可能和單一分數一樣重要，甚至更重要：

• 脈絡視窗： LLM-Stats 提到 Claude Opus 4.7 具備 100 萬 token 脈絡視窗。^[5]
• 視覺能力： LLM-Stats 提到其視覺處理解析度提高 3.3 倍。^[5]
• Effort level： LLM-Stats 與 ALM Corp 都提到新的 xhigh effort level。^[5][6]
• Tokenizer： ALM Corp 指出 Opus 4.7 使用更新後的 tokenizer，同樣輸入可能產生更高 token 數。^[6]

這些因素會直接影響成本、延遲與輸出品質。特別是 tokenizer 變動，若沒有在遷移前測過，可能會讓原本的 token 預算與成本估算失準。^[6]

團隊該怎麼使用這些數字

如果重點是 coding： 先看 SWE-bench Verified。87.6% 是目前來源中最穩、最容易用來做公開比較的數字。^[4][5]

如果重點是 agent 工作流程： 除了 SWE-bench，還要把 Opus 4.7 對困難 coding、agentic 任務的產品定位，以及新的 xhigh effort level 放進測試設計。^[5][6]

如果重點是一般推理： GPQA 94.2% 很有參考價值，但在這批資料裡，它的交叉確認程度低於 SWE-bench Verified。^[5][7]

如果重點是多語系程式碼庫： SWE-bench Multilingual 80.5% 是有用的提示，但因來源較少，應再用自己的多語系任務驗證。^[9]

如果準備上線或遷移： 不要只測接近 benchmark 的題目。也要測長脈絡、工具使用、視覺輸入、token 消耗、延遲與錯誤恢復。脈絡視窗、視覺處理、xhigh effort 與 tokenizer 變動，都可能改變實際使用體驗。^[5][6]

總結

最精簡、也相對穩健的讀法是：Claude Opus 4.7 目前公開可見的核心數字包括 SWE-bench Verified 87.6%、GPQA 94.2%、SWE-bench Multilingual 80.5%。^[4][5][9] 其中 SWE-bench Verified 是最可靠的錨點，因為它被多個來源一致提到。^[4][5]

GPQA 與 SWE-bench Multilingual 則是重要補充，但在目前來源中沒有同等程度的交叉確認。對真正的模型決策來說，公開 benchmark 適合拿來縮小候選名單；最後仍要回到自己的真實工作流程、資料型態與成本限制來驗證。