Claude Opus 4.7 升级解读：编程更强、Token 更贵，旧提示词该重调了
一款旗舰模型在经历一段被用户吐槽"变笨"的时期后发布新版本，有人直接让新模型评价自己与上一代的差异，引来两种声音：一种是关心升级到底值不值，另一种是质疑把 AI 输出整段贴出来。文章梳理这次升级的真实变化方向、成本上涨的成因、提示词迁移的回归测试方法，以及如何用自己任务集判断要不要切换。
一款旗舰模型在经历了一段时间的"变笨"抱怨之后终于发布新版本，社区里最直接的反应不是看发布说明，而是打开对话框，让新模型自己评价自己比上一代强在哪。模型先做了一段免责声明：它无法从内部感知自己与旧版本的区别，然后检索公开发布信息，给出了一份结构完整、带基准数字的对比。
这份回答本身挺有参考价值，但围绕它的讨论分成了两拨：一拨人在意"升级到底值不值、是不是只是花钱买分数"，另一拨人则在吐槽"把 AI 生成的长篇 Markdown 直接当帖子发"这件事。两个话题都值得展开。
让模型评价自己，哪些内容可以当真
先明确一个前提：模型对自身的版本迭代没有自省能力。它说"我在某某任务上更强了"，来源只有三个——训练数据里的公开资料、检索到的发布说明、以及对齐训练带来的表达倾向。所以它给出的"体感"基本不可信，能信的只有那些可外部验证的维度：基准分数、上下文与图像分辨率、工具调用机制、tokenizer 变化。
实操上有两条判断标准：
- 凡是能对应到官方模型卡或发布说明的条目，可以去核对，数值以官方最新文档为准，不要拿二手转述当结论。
- 凡是"内部还有更强的模型、只对少数合作方开放"这类无法查证的说法，直接忽略，它既不能验证也不能用于选型。
这次升级的变化方向
抛开具体数字，升级集中在几个方向，这些方向对不同人的价值差别很大：
| 维度 | 变化方向 | 谁受影响最大 |
|---|---|---|
| 编程与多文件改造 | 相关基准分数明显上升，难度更高的多语言版本提升更陡 | 做重构、框架迁移、跨文件改动的开发者 |
| 图像输入 | 长边像素上限提高约三倍 | 截图走查 UI、看设计稿、读密集图表 |
| Agent / 工具调用 | 多步骤任务成功率提升，工具误调用减少，跨会话笔记读写更稳 | 长链路自动化、多 agent 协作流程 |
| 指令跟随 | 更严格按字面执行 | 所有维护着旧提示词的人 |
| Token 消耗 | 同等文本切出的 token 增多，高推理档位思考更长 | 按量付费、长会话用户 |
| 特定基准 | 终端操作类、浏览器检索类并非全面领先 | 用这两类能力做主流程的人 |
最后一行值得强调：新版本不是全面领先，局部还有退步。所以"全量切换"不是一个稳妥的默认选项。
成本：单价没动，账单会涨
这是最容易被忽略的一点，两个因素叠加：
- tokenizer 变化。同样一段输入，切出来的 token 数比上一代多，比例不小。
- 思考更长。高推理档位下思考 token 增加，而 agent 场景是每轮都要重新带上上下文，费用会随轮次放大。
单价不变不代表成本不变。控制成本可以按这个清单来：
- 先用中低推理档位把流程跑通，只在关键节点（方案定稿、疑难定位）切到高档位；
- 精简系统提示和 skill 文件，删掉"以防万一"的冗余说明——模型更字面化之后，冗余描述反而容易触发误动作；
- 长会话及时开新会话或做摘要，别让上下文滚雪球；
- 批量任务用便宜模型做初筛，旗舰模型只做终审；
- 用真实账单跑满一周做对比，不要凭感觉判断"贵了多少"。
提示词迁移：一次半天量级的回归测试
"更严格按字面执行"这个变化是双刃剑：歧义带来的意外输出少了，但为旧版本调出来的提示词可能不再按你预期的方式理解。建议按下面流程做一次回归：
- 从现有 skill、review 模板、AGENTS 类配置文件里挑出 10–20 条最有代表性的任务，覆盖成功路径和已知的坑。
- 用旧版本跑一遍，把输出留作基线。
- 同一提示词在新版本上重跑，逐条对比差异，重点关注依赖模型"灵活判断"的段落。
- 把隐含期望改写成显式约束，例如把"合理拆分任务"写成"每个子任务不超过 3 个文件"。
- 记录失败样本，作为下一轮调优的输入。
如果这批回归需要挂着 Claude Code 长时间批跑，本地笔记本休眠、切换网络都可能中断会话，可以考虑用一台长期在线的远程 Mac（例如放在新加坡机房的独享 Mac mini，远程连接使用）来跑这些长任务，把本地环境留给日常开发。
分歧：实质进步，还是"上线即巅峰"
社区里两种声音都很有代表性。
一种认为"没感觉到实质进步，就是花钱换分数"。这种感受往往来自具体场景：如果你的工作流主要依赖终端操作或浏览器检索，那新版本在这些基准上确实未必更强，体感自然差。
另一种观点是：新模型刚发布时表现最好，因为要冲榜；过一段时间为了控制成本会做调整。这是用户侧的经验总结，没有公开证据，不能当结论使用，但它提醒了一件事——不要用发布当天的表现去决定长期依赖，隔两三周再复测一次更稳。
比较务实的判断方法是：不看榜单，看自己的任务集。挑一批重复性高的真实任务（改 bug、写测试、迁移文件），在两个版本上各跑若干轮，比较三件事——一次通过率、平均轮次、总花费。三项里至少两项明显更优，再考虑切换主力模型。
关于"把 AI 输出直接发出来"
这是讨论里另一个反复出现的话题。原文那种大段加粗、多层小标题的排版，在对话框里读着还行，搬到公共版面就会显得冗长且可读性差。更麻烦的是可信度：读者无法区分哪些是核对过的发布信息，哪些是模型的顺畅编造。
更好的做法是：自己先读一遍，把结论压缩成几条，关键数据标明出处并要求核对官方文档，剩下的细节留给评论区。既省别人的时间，也避免把模型的错误当成事实扩散出去。
小结
- 模型无法评价自己，它给的是公开信息转述；数值一律回官方文档核对。
- 编程与工具调用是这轮升级的主要收益点；终端操作、检索类能力并非全面领先。
- 单价不变但账单会涨，原因是 tokenizer 与更长的思考，成本控制要从提示词体积和会话长度下手。
- 指令跟随更字面化，为旧版本调好的提示词值得花半天做回归测试。
- 别在上线首日下结论，用自己的任务集跑两三轮再定，时效性信息以官方最新说明为准。
