Claude Opus 4.8 評測：一把鋒利卻不平衡的雙刃劍

平靜之下的暗湧

在人工智慧這片浩瀚的數位海洋裡，Claude Opus 4.8 像是一道複雜的光譜——某些頻率閃耀得令人驚艷，卻在某些波段呈現出難以忽視的陰影。經過六週的沉潛，Anthropic 推出的這款最新旗艦模型，在基準測試與安全評分上都有所提升，價格卻依舊維持在每百萬輸入 tokens 五美元、輸出二十五美元的價位。這個穩定的定價，掩蓋不住的是一場關於能力取捨的深刻對話。

就像清晨第一道陽光穿透薄霧，我們必須誠實地看見：這把劍，砍向了它已經擅長的領域，卻在它原本就不擅長的地方，變得更加遲鈍。

程式設計：依然是王者

如果說 Claude Opus 4.8 是一件精心打磨的樂器，那麼它的程式碼能力無疑是其中最動聽的音符。我們給予它一個經典的遊戲開發測試——一個殭屍打字遊戲。 Opus 4.8 不僅打造出了最驚豔的開場畫面，還創造了我們在這個測試中見過的最佳殭屍設計與遊戲機制。

更令人印象深刻的是，這個模型在推理過程中能夠自我覺察漏洞，並在沒有我們提示的情況下自動修復問題。這種「元認知」的能力，就像一位經驗豐富的工匠，在雕刻的過程中發現木料的裂痕，隨即調整刀法一般自然。

而在多次提示的測試中（multi-shotting），每一次後續的指令都讓遊戲變得更加精煉，而不是出現系統崩潰。這正是許多模型在程式碼複雜度增加後會失敗的地方—— Opus 4.8 展現出了驚人的穩定性。這個領域，是 Anthropic 明顯優先最佳化的方向，也是它最鋒利的刀刃。

數學證明：一次真正的世代躍進

在我們的 FrontierMath 測試中，我們構造了一個複雜的十九次多項式，要求模型找出其曲線的不可約分量，並計算特定的數值。這道題目足以讓大多數模型陷入 token 螺旋，或者寫下一個看似自信卻悄悄錯誤的捷徑。

Opus 4.8 正確地識別出這是 Dickson/Chebyshev 結構，並運用正確的遞迴關係計算出 p(19) = 1,876,572,071,974,094,803,391,179 。這個數字背後的複雜度，就像喜馬拉雅山巔的積雪——容不下一絲雜質。值得注意的是，Opus 4.7 在多次嘗試後依然無法抵達正確的答案。這一次，我們見證了一個真實的、可見的世代進步——這是整個測試電池中最清晰的成果。

邏輯陷阱：誠實的舞者

我們給予模型一個經典的語言陷阱：「根據福克蘭群島法律，一個男人是否可以娶他寡婦的姊妹？」這個問題的陷阱在於語言層面而非法律層面——如果一個男人有寡婦，那麼他已經去世了，這使得問題本身是無意義的。

MiMo 模型默默地重新詮釋了問題，並在未標記矛盾的情況下回答了修正後的版本。Opus 4.8 沒有走這條捷徑。它明確地揭露了這個陷阱——「如果一個男人有寡婦，那麼他已經去世」——先回答了字面上的問題，隨後提供了實質性的分析，引用了《1907 年亡妻姊妹婚姻法》與《福克蘭群島婚姻條例》。

這是面對謬誤時誠實的姿態：先命名矛盾，再伸出援手。這種透明度，是值得稱讚的。

創意寫作：失去的靈魂

然而，當我們將目光轉向創意寫作的領域，陽光便開始變得陰沉。我們給予模型一個時間旅行的故事——一個發生在特定歷史背景下的時空悖論。Opus 4.8 選擇將場景設定在委內瑞拉的奧裡諾科三角洲，時間回溯到公元一千年。

不可否認，它的文筆是生動的。三角洲「是二一五零年已經忘記綠色可以如此的方式」，棚屋在水面上搖曳，金剛鸚鵡如「猩紅與金的絲帶」劃過天際。悖論也乾淨地落地了——主角被送去破壞一首影響了文化革命、進而創造了他所來到的 dystopian 社會的歌曲，然而，他發現這首歌沒有作者——作者是為了他而創作的，這首歌是關於他的，他無法詭毀自己。結尾落在「它完美地運作了。它一直以來都是如此。」

但「乾淨」與「活著」是兩回事。寫作是描述性的，卻從來不如 MiMo v2.5 那樣流暢——更少的動能，更少的驚喜，更少的有趣。與 Opus 4.7 並列，很難稱之為進步；如果有的話，它是落後了一點。高強度的思考設定與一些多次提示幾乎肯定能推動它到領先的位置——但在單次預設的情況下，這最多是一次橫向的移動。

邏輯推理：一個美麗的錯誤

這是它失足的地方。我們的推理測試是一個謎案——一場冬季學校旅行，三起綁架，一個無辜的孩子即將受到懲罰，一條你需要追蹤的時間線，以指出真正的追蹤者。正確答案是 Leo。

Opus 4.8 建立了一個精心設計、自信滿滿的論點，認為 Leo 是無辜的——淋浴的半小時路程大衣某些地方乾某些地方濕，「奇怪的行為」被解讀為腦震盪而非罪惡——並將罪行歸於 Eric，「那個整晚都不在場的人」。這個推理在內部是華麗的。它也是錯的。

這正是研究人員一直警告我們的。大型語言模型即使在錯誤的時候也非常具有說服力。通常需要一位專家（在我們這個案例中，是預先知道正確答案的我們）才能發現這些問題。一個使用 AI 進行研究的人，或者一個盲目信任 AI 的人，可能會面臨相當嚴重的後果，取決於他們要求 AI 處理的工作。

這使它成為一個有趣的失敗。這個模型足夠聰明，能為真正的嫌疑人構建一個滴水不漏的不在場證明，並將一個旁觀者嫁禍於其身。Opus 4.7 達到了正確的答案。有時候，更多的推理能力只是為你購買了一個更有說服力的方式來犯錯。它只需要一個小小的偏差，就能在錯誤的基礎上開始構建一整串思維。

長文字處理：被噎住的巨獸

我們測試了兩個大海撈針。三十萬 token 的版本從未起飛——模型在上下文大小下崩潰，根本無法處理。這麼一來，一旦你給予它一個真正沉重的真實世界負擔，那百萬 token 的行銷便黯然失色。這似乎只是為了 API 而設計的。

八萬五千的版本處理得很好，模型找到了我們埋藏在《惡魔的字典》副本中的兩根針——一句植入的句子（「Decrypt 的傢伙們讀 Emerge News」）和一個隨機的事實（「我媽媽的名字是 Carmen Diaz Golindano」）。它正確地標記了這兩處都不屬於安布羅斯·比爾斯一九零六年的文字。

然後它拒絕回答。模型確信自己正在受到提示注入或某種「非典型測試」，於是拒絕報告它剛剛正確找到的東西。針已經找到了——但 Anthropic 的行為訓練不允許它說出來。一個安全反射覆蓋了一個模型已經完成的任務，這是它自身一種奇特的失敗。

Token 胃袋：一個自我破壞的傾向

整個測試的模式是一致的：Opus 4.8 讓 Claude 更好地做它已經擅長的事情，並且可能更糟地做它已經不擅長的事情。這告訴你 Anthropic 是為誰而建的——程式設計師，特別是有錢的程式設計師。創意寫作無疑領先於 ChatGPT，但 4.8、4.7 甚至 4.5 之間在純散文質量上的差距是難以察覺的。

創意作家對 Anthropic 來說像是事後的想法，而這對於目前任何大型 AI 公司來說都是如此。

然後還有 token 問題，這在 AI 社群中是一個持續的笑話是有原因的。Anthropic 故意讓 Opus 的新 tokenizer 效率降低，所以它需要消耗更多的 tokens 來處理相同的提示。對開發者的實際影響是殘酷而具體的。它讓你面臨三個選擇。

第一，等上幾個小時才能繼續你的程式設計工作。第二，轉向 Claude Max——這正好是 Anthropic 似乎在引導每個人的方向。第三，轉向一個更便宜、同樣有能力的提供商——OpenAI，有更長的配額，或者提供類似結果的中國模型，成本不到四分之一。一個普通程式設計師無法承受每月一百到兩百美元的費用，跑向競爭對手的可能性遠大於一個單一開發者支付十倍的價格，卻得到一個並非十倍於其前身的模型。這是 Anthropic 對自身基礎下的一個賭注。

結語：在不平衡中尋找平衡

Claude Opus 4.8 就像一塊堆疊在水面上的禪石——它在某些地方達到了精妙的平衡，卻在另一處搖搖欲墜。對於程式設計師與數學愛好者來說，它是一把鋒利的劍，能夠劈開複雜的問題；但對於創意作家與需要深入推理的人來說，它是一個美麗但危險的陷阱。

Anthropic 即將以近一兆美元的估值公開上市——誰能質疑這個策略？但在這場數位軍備競賽中，我們必須記住：沒有任何一把劍是完美的。重點在於，你知道你要切斷的是什麼。

在這片充滿不確定性的 AI 海洋裡，或許我們需要的，不只是一把更鋒利的劍，而是 一顆更加清明的心。