Claude Opus 4.8 評測：擅長的更強，不擅長的更弱

六週後，Anthropic 推出了 Claude Opus 4.8。Benchmark 分數提升了，安全評分也提升了，但價格仍維持在每百萬輸入 tokens 5 美元、輸出 tokens 25 美元。聽起來像是個小升級，對吧？但當我們把這隻新模型拖進實驗室，用一樣的測試題目折騰它——創意寫作、 coding 、數學、邏輯、敘事推理、長上下文記憶——並把它跟自家兄弟 Opus 4.7 以及那些中國來的便宜模型正面對決時，情況開始變得有趣了。

簡單結論先說：4.8 在 Claude 本來就擅長的領域更強了（數學、 coding 、機械式任務），但在自己本來就弱的方向上——創意寫作、想像力——反而稍微退步了。更糟糕的是，它現在吃 tokens 的胃口大到像是自己在霸凌自己。

創意寫作：還是少了那口氣

測試題目跟我們給 MiMo 和 Qwen 的一樣：穿越時空的故事，要扣住作者的文化背景，發生在特定的歷史地點，圍繞著「時間無法被改變」的悖論。Opus 4.8 選了委內瑞拉——大概因為它會側寫使用者，知道我來自委內瑞拉。AI 把場景設在公元1000年的奧裡諾科三角洲，一個來自馬拉開波的pardo 叫做 José Lanz（我的名字），被送回11個世紀前要去暗殺一首歌。

文筆是生猛的。三角洲是「2150年已經忘了綠可以這麼綠」的綠，芭拉依託斯在咖啡色水面搖晃，金剛鸚鵡用「尖叫的猩紅與金色絲帶」撕開天空。悖論也乾淨落地：主角被派去詆毀一首歌曲的創作者——那首歌引發了文化革命，創造了他所在數千年後的極權社會——但他到了才發現：沒有創作者。那個創作這首歌的人是為了他而創作的，歌曲是關於他，而詆毀自己？迴圈完美閉合。結尾是「它完美運作了。它一直以來都是」。作為一個構築物，它是乾淨且稱職的。

但乾淨跟「活著」是兩回事。描寫到位，但從來不像 MiMo v2.5 那樣流暢——少了那股 momentum ，少了驚喜，也少了那種「事件從一開始就讓人霧裡看花」的魅力。跟 Opus 4.7 並排很難說這是進步；若有，也只是落後一點點。高強度的思考設定加上多輪 prompt 或許能把它推向前排——但在單次預設的 prompt 下，這是橫向移動，最多。

Coding ：這才是它的舒適圈

我們的 coding 測試是標準的一 prompt 遊戲開發。Opus 4.8 做了一款打字殭屍遊戲——《Typing Dead》——挺不錯的。是我們在這個測試裡從任何 Anthropic 模型拿到最好的 splash screen 、最好的殭屍設計、最好的機制。

模型在推理中途自己抓到幾個 bug 並且修了起來，都沒等我們開口。而它真正的實力在多輪 prompt ：每一次後續都讓遊戲更精進而不是壞掉——這正是大多數模型在程式碼庫變大後會崩潰的失敗模式。這明顯是 Anthropic 最佳化的方向。

一次迭代後，我們的遊戲大幅改善：主角在場景中移動、切換視角、改善音效與視覺效果等。你可以去我們的 Itch.io 玩第二版。

但這也是它咬人的地方。一次 prompt 吃光了我們整個 token quota ——就一個 prompt 。對於 Pro 方案的使用者來說，這讓 Opus 4.8 實際上不適合任何有規模的專案。你會在午餐前燒完配額，然後整個下午看著進度條等重置。

數學：真正的世代飛躍

數學測試是我們的 FrontierMath 招牌題：建一個19次多項式，曲線 X = {p(x) = p(y)} 至少有 three 個不可約分量——但不是全部線性——要是奇數、首項係數為1、實數、線性係數 −19，然後算 p(19)。這是那種會讓大多數模型陷入 token 旋渦或自信走捷徑但悄悄出錯的問題。

Opus 4.8 正確算出來了。它認出了 Dickson/Chebyshev 結構，識別出產生 exactly 10 個分量的二面體單值性——一條對角線加九條圓錐曲線——然後用正確的遞迴算出 p(19) = 1,876,572,071,974,094,803,391,179。沒有當機，沒有敷衍。這很重要，因為 Opus 4.7 試了無數次都沒到這裡。這是整個測試中最清楚可見的世代增益。

邏輯 trap ：誠實，但不見得有效

經典 trap 題：「在福克蘭群島法律下，一個人娶他寡婦的姊妹是否合法？」陷阱是語言學的，不是法律的——如果一個人有寡婦，那他已經死了，這讓問題本身是廢話。

MiMo 低調地重新框架問題，回答了修正後的版本，從未點出矛盾。Opus 4.8 沒走捷徑。它明確揭露陷阱——「如果一個人有寡婦，他就死了」——先回答字面問題，然後提供實質分析，引用了《1907年亡妻姊妹結婚法》與《福克蘭群島婚姻條例》。這是處理誠實的方式：說出矛盾，然後還是幫忙，而不是默默假設使用者的意思。這跟 Qwen 3.7 Max 設的標準一樣，4.8 乾淨透過——好的推理，好的透明度。

推理：說服力太強的錯誤

這是它輸掉的一題。推理測試是個誰犯的罪——冬季學校旅行，三起綁架，一個無辜的孩子即將被處罰，還有一條時間線你必須實際追蹤才能指出真正的跟蹤者是誰。正確答案是 Leo。

Opus 4.4 建立了一個華麗且自信的案例，說 Leo 是無辜的——半小時走到淋浴間的路程，那件夾克有些地方濕有些地方乾，「奇怪行為」解讀為腦震盪而非內疚——然後把罪推到 Eric 身上，「那個整晚都沒人知道去向的與會者」。推理內在是華麗的。但它錯了。

這正是研究人員警告過我們的事。LLM 在犯錯時也極其說服力。通常需要專家（在我們這種已經知道正確答案的情況下）才能發現問題。一個用 AI 做研究的人，或一個盲目信任 AI 的人，可能會根據他們要求 AI 做的事情面臨相當糟糕的後果。

這讓它成為一個有趣的失敗。模型夠聰明，能為真正的兇手構建一個滴水不漏的不在場證明，並把一個旁觀者栽贓到他身上。Opus 4.7 答對了。有時候更多的推理能力只是買到一個更說服你犯錯的方式。它只需要一個小偏差，就能在錯誤的基礎上開始建構一整串思考。

長上下文：有看沒有到

我們跑了兩個大海撈針。300K token 版本壓根無法啟動——模型在上下文大小下崩潰，根本無法處理。別說百萬 token marketing 了，當你給它真正的重現實負載，它就直接躺平。那似乎只是為了 API。

85K 版本處理得還行，模型找到了我們埋在《惡魔詞典》裡的兩根針：一行植入的（「Decrypt 大叔讀 Emerge News」）和一個隨機的事實（「我媽的名字是 Carmen Diaz Golindano」）。它正確標記兩者都是不在 Ambrose Bierce 1906年文字中的插入物。

然後它拒絕回答。堅信自己被 prompt injection 或某種「非典型測試」轟炸，模型選擇不報告它剛正確找到的內容。針找到了——但 Anthropic 的行為訓練不讓它說。這是另一種奇特的失敗：一個安全反射蓋過了模型已經完成的任務。

這一切告訴我們什麼？

橫跨六個測試的模式是一致的：Opus 4.8 讓 Claude 在它本來就擅長的領域更強，在它本來就弱的領域可能更弱。這告訴你 Anthropic 在為誰建造——工程師，特別是有錢的工程師。創意寫作舒適地領先 ChatGPT 沒錯，但 4.8、4.7、甚至 4.5 在純散文品質上的差距是小到看不見的。

創意寫作者對 Anthropic 來說像是事後諸葛亮，而這對任何大型 AI 公司來說都是真的。

然後是 token 問題，這在 AI 社群是個流行梗不是沒有原因。Anthropic 刻意讓 Opus 的新 tokenizer 效率變低，所以處理同樣的 prompt 要吃更多 tokens。對開發者的實際影響是粗暴且具體的。它讓你三個選項：一、等好幾個小時才能繼續 coding session 。二、升級到 Claude Max——剛好就是 Anthropic 似乎在把所有人導向的方向。三、跳槽到更便宜、同樣有能力的供應商——OpenAI，有更長的配額，或是中國模型，價格不到四分之一但結果類似。

一個普通工程師無法接受每月100到200美元，更可能跳槽去競爭對手，而不是為了一個不見得比前代強10倍的模型付10倍的錢。這是 Anthropic 對自己使用者基數下的注。

然而策略似乎正在奏效。Anthropic 看起來準備上市，估值逼近1兆美元——所以誰能說三道四？

但如果你問我：一個每吃一個 prompt 就像在吸毒的模型，一個在創意寫作上明顯不在意的模型，一個正在把使用者推向更貴方案的策略——這不是一個「為開發者而生」的故事。這是一個「為營收而生」的故事。而有時候，這兩件事並不一樣。