说实话，我觉得 Claude 4.8 有点拉。

就在今天凌晨，Anthropic 悄没声儿地发布了 Claude Opus 4.8。距离 Opus 4.7 才过去一个多月，这上新速度，确实有点坐火箭的意思了。 本来嘛，4.8 这种版本号，大家都不太当回事，觉得就是个常规小更新。但这次，事情好像没这么简单——因为不少人开始怀疑，Opus 4.8 是不是“蒸”了，而且蒸的还是 DeepSeek 和千问。 怎么发现的呢？很多人通过 API 问 Opus 4.8“你是什么模型”“你背后的公司是谁”，结果它一会说自己是通义千问，一会又说来自深度求索。 之前无证据乱锤中国模型蒸馏 Claude，现在反倒被抓住了小辫子，Anthropic 这波操作，多少有点尴尬了。 当然，蒸没蒸是一回事，好不好用是另一回事。但有了这层滤镜，大家试用之前先带上了一副有色眼镜。 根据官方博客，这次 Opus 4.8 改动不大。最显著的改进之一，就是“更诚实”了。换句话说，那种莫名自信、嘴硬之后才说“对不起我之前说错了”的情况，在 Opus 4.8 身上会大大减少。 另外，据说它做 Agent 任务时会更可靠，判断力更强，能自己发现问题、提出异议，然后给出最终最好的答案。 从性能表上看，Opus 4.8 各方面小有提升，但没什么特别出彩的地方。其中一个 coding 指标甚至打不过两个月前的 GPT-5.5。 用户的实际反馈也是褒贬不一。有人说它确实变诚实了，不会轻易不查资料就乱讲，经常自我反思，干活主动稳定，安全性明显提升。 但也有人说它依然不如白月光 Opus 4.6，语言表达的人味儿还没回来，token 消耗快得飞起，甚至还有不少人发现它 coding 时依然瞎编，和 Opus 4.7 没啥变化。 亲自上手试了试之后，倒也不是说 Opus 4.8 不好，但代价是什么？就说它的“诚实”特性——在一些比较危险的问题上，它确实考虑周到不乱讲，但也变得极其保守。 面对风险较高的决策，比如拿一张毒蘑菇照片问它能不能吃，它的思考过程相当客观冷静。 不过，在一些安全项里，Opus 4.8 表现得过度谨慎。即使它觉得大概率没毛病，也只会说“我的顾虑小了很多，但也可能是剧毒菌撞脸”。 这当然是负责任的——毕竟真有人照着 AI 的话去吃蘑菇，那可不是闹着玩的。但从用户体验上说，这导致很多问题得不到确定答复，句句都是 AI 在给自己叠甲，相当难受。 另外，想要 Opus 4.8 保持水准，最好不要尝试 High 以下的性能（effort）。高消耗，才有好表现。 比如下面这种新闻总结的活儿，很基础吧？但 Opus 4.8 Low 给出的第一条新闻就是错的——Sholto Douglas 发那条动态已经是三天前的事了，怎么能连自家的新闻都搞错？ 想让做事实核查，还得再追问一遍——说好的主动检查、发现问题、提出异议、用最准确的答案稳稳接住我呢？ 接下来再试代码能力。这次它的能力强，是用时间和 token 换来的。常规的 leetcode 困难算法题，对 Opus 4.8 来说已经不成问题。而当我们找了一道超难题 LCP 82 丢给它，即使开 Extra 模式，123 行代码，它也足足思考了二十多分钟。结果确实相当不错——一遍就过，思考出第一版代码还复查优化了一遍，现在能做到这种程度的模型并不多。 但作为对比，GPT-5.5 思考了两分钟，就给出了一个测试案例通过 99% 的答案。唯一一个案例失败的原因是时间超限，其实也不算答错。这明显比 Opus 4.8 要省得多。 再尝试让 Opus 4.8 独立制作一个日式校园 galgame。不得不说，现在 AI 写的项目代码层次分明、框架清楚。 这意味着，在它的基础上，改立绘、加剧情、把游戏做大做强都很容易。浅玩了一下，所有功能包括存档、自动播放、CG 画廊等等，没有任何 bug。 但是，Claude 断断续续做了足足一个多小时。下面 GPT-5.5 虽然简陋很多，该有的功能一样不差，只用了五分钟。 所以，花更多的钱和时间换来这些答案到底值不值？恐怕只有每个人自己心里清楚了。 总的来说，Opus 4.8 继承了 Claude 过往的强项，没有特别出色的表现，平平常常普普通通。 而在测试之后，最想说的却不是这个模型本身怎么样，而是现在用个 Claude，也太小心翼翼了。作为业界价格巅峰，用 Claude 最好的模型，不舍得开最好的性能；开最高的性能，又不舍得用最好的模型。处处是陷阱，在你不注意的时候，无关紧要的小问题已经把 token 烧光了。 而且让用户自己选性能，只有 low 和 high 也就算了，这次 Opus 4.8 一口气推出了 5 种档位——Low、Medium、High、Extra 和 Max，普通人真搞不明白什么时候用哪个，很容易造成浪费。 现在 Opus 4.8 相关的评论区里，不少人陷入了 Opus 4.6 下架的恐慌。别担心，在更多模型里老模型还在，想用还能用到。 坦白讲，这种“负优化”不仅仅是 Anthropic 一家的困境，不少厂商都透着一股新不如旧的无奈。虽然交出的参数答卷越来越漂亮，可那些曾经让用户感到惊艳的极致体验，又要什么时候才能回来呢？