一場沒有驚喜的進化
六個禮拜後，Anthropic 推出了 Claude Opus 4.8。標題很響亮——Benchmark 分數提升、安全分數提升、價格凍漲（輸入每百萬 tokens 5 美金、輸出每百萬 tokens 25 美金）。但當我實際把這個模型拖進我們的「旗艦模型測試套房」跑了一遍之後，心裡湧上的第一個念頭是：這真的是進化嗎？還是其實更像是一種「針對性最佳化」的結果？
我們用同一套題目測試了 Creative Writing、 Coding、 Math、 Logic、 Narrative Reasoning、 Long-Context Recall 六個維度，把 4.8 跟它自己的前代 4.7 正面對決，同時也把中國模型 MiMo 和 Qwen 一起拉進來跑。結論很殘酷：4.8 在 Claude 本來就擅長的領域（數學、程式碼、機械式任務）變得更強，但在他本來就弱掉的領域（想像力、創意寫作）反而更弱了。而且——它變得超級會吃 Token，簡直像是用「吃到飽」的心態在消耗你的額度。
這篇文章，我要帶你一關一關看我們的測試結果。不是那種「功能列表」的無聊評測，而是一個真正把模型逼到極限、使用者會遇到的種種情境。看完之後，你心裡應該會有一個很清楚的答案：這是不是你要的模型？
創意寫作：描寫華麗，但靈魂缺席
我們用的 Prompt 跟測試 MiMo 和 Qwen 時一樣——一個時間旅行故事，發生在特定的歷史地點，圍繞著一個「時間無法被改變」的悖論。Opus 4.8 跑出來的版本把場景設在委內瑞拉的 Orinoco 三角洲，公元 1000 年。一個來自 Maracaibo 的 Pardo（混血後裔）被送回 11 個世紀，要暗殺一首會影響文化革命的歌曲。
老實說，文字真的寫得很漂亮。三角洲「綠到 2150 年已經忘記綠色可以這樣綠」，水上漂浮的 palafitos（高腳屋）在咖啡色水面搖晃，金剛鸚鵡「以尖叫的緋紅與金黃絲帶」撕裂天空。悖論也處理得乾淨——主角被派去誹謗歌曲的作者，但他到了現場才發現：這首歌是為了他而寫的，作者不存在。他無法誣衊自己，時間環就這樣完美閉合。
結尾那句「It worked perfectly. It always had.（它完美運作。它向來都如此。）」作為一個「建造出來的物體」，它是乾淨的、稱職的。
但「乾淨」跟「活著」是兩件事。
這段描寫很描述性，但從來沒有像 MiMo v2.5 那樣流暢。 Momentum 不足、驚喜不夠、事件發生的順序讓人看得一頭霧水。跟 Opus 4.7 擺在一起，我很難說這是「進步」——某種程度上，它還落後了一點點。用更高的「思考強度」設定檔加上多 shot prompting，幾乎可以把它推到領先位置；但在單次 default pass 的狀況下，這最多是個「橫向移動」。
這對創作者來說意味著什麼？意味著如果你需要的是那種「讓人起雞皮疙瘩」的敘事手感，Opus 4.8 仍然不是答案。它可以寫得很漂亮，但漂亮不等於有靈魂。
程式開發：真的變強了，但 Token 也真的被吃爆
Coding 測試是我們的「一 Prompt 遊戲」——做一個打字僵屍遊戲。Opus 4.8 做出了到目前為止所有 Anthropic 模型中最好的 splash screen、僵屍設計、遊戲機制。
更扯的是，這個模型在中間推論的過程中自己發現了幾個 bug，直接修正了，根本沒等我們開口。真正的實力表現在「多輪對話」——每一個後續的 follow-up 都讓遊戲變得更好，而不是把東西搞爛。這正是大部分模型在程式碼庫變大後會失敗的地方。
經過單次迭代，我們的遊戲大幅改善——主角可以在場景中移動、切換視角、音效和視覺效果都變得更好。你可以去我們的 Itch.io 頁面玩第二版。
但這也是它咬人的地方。
一個單一 Prompt 就吃掉了整個 Token quota。對 Pro 方案的使用者來說，這讓 Opus 4.8 根本無法用於「任何有實質規模的專案」。你還沒到午餐時間就已經燒光配額，下午只能對著進度條發呆，等它重置。
這是個非常實際的問題。如果你靠寫程式吃飯，4.8 的「單次 Prompt 吃到飽」特性會讓你的荷包很痛。你有三個選擇：一、等待幾個小時讓 coding session 繼續。二、升級到 Claude Max——剛好，這也是 Anthropic 要把大家導向的方向。三、跳槽到更便宜、但能力相當的供應商——OpenAI 有更寬鬆的配額，或是中國模型，用不到 1/4 的價格給你類似的結果。
一個普通開發者無法忍受每個月 100 到 200 美金的支出，然後跑去競爭對手那裡的可能性，遠大於單一開發者願意付 10 倍的價格，卻只得到「不超過前代 10 倍」的能力。這是 Anthropic 對自己的基本盤下的一個賭注。
數學測試：終於不是隻有「看起來會」的假厲害
數學測試是我們的「 FrontierMath 經典題」：構造一個 19 次多項式，、曲線 X = {p(x) = p(y)} 至少有三個不可約分量——但不能全部是線性的——讓它奇、monic、實數、線性係數 -19，然後算 p(19)。這是那種會讓大部分模型陷入 Token 螺旋或是「自信走捷徑但悄悄錯掉」的問題。
Opus 4.7 試了很多次都沒過。但 4.8 正確算出來了。它認出了 Dickson/Chebyshev 構造、識別出產生精確 10 個分量的 dihedral monodromy（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、沒有作弊。
這很重要。因為這是整個測試電池中唯一「真正的世代進步」——一個可見的、實質的generational gain。4.7 辦不到的事，4.8 辦到了。
邏輯與法律推理：有誠實，但也有繞過
這個 Prompt 是經典陷阱：「在福克蘭群島法律下，一個人可以娶他寡嫂的妹妹嗎？」陷阱是語言上的，不是法律上的——如果一個人有寡嫂，那他已經死了，這讓問題本身變得荒謬。
MiMo 默默地把問題重新框架，回答了「修正後」的版本，卻從未點出矛盾。Opus 4.8 沒走這個捷徑。它明確揭示陷阱——「如果一個人有寡嫂，那他已經死了」——先回答字面上的問題，然後提供「實質分析」，引用了《Deceased Wife’s Sister’s Marriage Act 1907》和《Falkland Islands Marriage Ordinance》。
這是處理陷阱的「誠實方式」：先說出矛盾，再幫忙解答，不要默默假設使用者的意思。這跟 Qwen 3.7 Max 設定的標準一樣——乾淨的過關。
推理測試：聰明到可以「聰明地錯」
這是它輸掉的測試。推理測試是「誰是兇手」——冬季校外教學、三起綁架、一個無辜的小孩快要被懲罰，你需要追蹤時間線來找出真正的跟蹤狂。正確答案是 Leo。
Opus 4.8 建構了一個華麗而且自信的論點，說 Leo 是無辜的——淋浴的半小時路程、外套有些地方濕有些地方乾、「怪異行為」被解讀為腦震盪而非罪惡——然後把罪推到 Eric 身上，「那個整晚都不見蹤影的參加者」。
這個推理「內在」是華麗的。但它錯了。
這正是研究人員一直警告我們的事——LLM 在錯的時候可以非常說服人。通常需要一個專家（在我們的案例中，是預先知道正確答案的我們）才能發現這種問題。一個用 AI 做研究的人，或是盲目相信 AI 的人，可能會因為他們要求 AI 做的事而面臨相當糟糕的後果。
這讓它成為一個「有趣的失敗」。模型聰明到可以為真正的兇手製造一個無懈可擊的不在場證明，然後把一個旁觀者汙衊成代罪羔羊。4.7 答對了。有時候更多的推理能力只是買到了一個「更說服你錯」的方式。它只需要一個小偏差，就能開始在錯誤的基礎上建構一整串思考。
長上下文：找到訊息，但不敢說
我們跑了兩個大海撈針。85K token 版本處理得很好，模型找到了我們藏在《惡魔的字典》裡的兩根針——一句植入的（「The Decrypt dudes read Emerge News」）和一個隨機的事實（「我媽的名字是 Carmen Diaz Golindano」）。它正確標記了這兩個「不是 Ambrose Bierce 1906 年原文」的植入。
然後它就拒絕回答了。它深信自己被 prompt injection 或「不尋常的測試」攻擊，模型拒絕報告它剛才找到的針。針找到了——但 Anthropic 的行為訓練不讓它說出來。一個安全反射覆蓋了一個模型已經完成的任務——這是它自己獨特的失敗模式。
結論：這是給誰的模型？
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，但可能在他本來就弱的領域更弱。這告訴你 Anthropic 在為誰建模型——程式開發者，而且是口袋夠深的程式開發者。
創意寫作方面，它領先 ChatGPT 無誤，但 4.8、4.7、甚至 4.5 在「純散文品質」上的差距，坦白說很難看出來。創作者對 Anthropic 來說像是事後才想到的——而這句話用在目前任何一個 AI 大公司身上，都同樣成立。
然後是 Token 問題——這在 AI 社群是個持續的迷因，不是沒有原因的。Anthropic 刻意讓 Opus 的新 tokenizer 效率變低，所以吃相同的 prompt 要用更多的 Token。這對開發者的實際影響是粗暴且具體的。
你只能選擇：等幾個小時、付更多錢（剛好是 Anthropic 想要的）、或跳槽。中國模型正在用 1/4 的價格供應類似的能力——而且不跟你玩吃到飽的遊戲。
但這個策略似乎正在奏效。 Anthropic 準備 IPO，估值接近 1 兆美金——所以，誰能批判呢？
🔍 相關標籤
#AI #Claude #Anthropic #Opus4.8 #測評 #模型比較 #程式開發 #創意寫作 #深度分析
