网易首页 > 网易号 > 正文 申请入驻

Claude Opus 4.8 发布 72 小时,第一份独立成绩单来了!编程碾压,全科第四

0
分享至

来源:市场资讯

(来源:AI信息Gap)

Anthropic 说,七项测试六项第一。

LiveBench 说,你排第四。

Claude Opus 4.8 上线 72 小时,独立评测机构的成绩单陆续出炉。Artificial Analysis 综合智能指数第一,LiveBench 全科排名第四。同一个模型,两份榜单,不同的故事。


今天这篇,我们只看第三方独立评测数据。

Claude Opus 4.8 在编程领域的统治力,没有争议。

SWE-Bench Pro 69.2%,GPT-5.5 58.6%,Gemini 3.1 Pro 54.2%。超过 10 个百分点的差距,在这种难度的基准里,基本等于代差。

不过 LiveBench 的编程子项,画面稍有不同。Coding Average 上 GPT-5.5 82.47,Claude Opus 4.8 79.27,OpenAI 反而领先。Agentic Coding 子项里 Claude 拿了 60 分,赢了 GPT-5.5 的 56.67,但落后于 GPT-5.4(70)和 Gemini 3.1 Pro(65)。


Artificial Analysis 的 GDPval-AA 真实工作评测给出了更极端的数据。1890 Elo 分,领先 GPT-5.5 121 分。换算成胜率,大约 67% 的概率赢 GPT-5.5。而且完成同等任务,Opus 4.8 比 4.7 少用了 35% 的输出 token,对话轮次也减少了 15%。


干活更快,还更省。

但全科排名,故事就不一样了。

LiveBench 是一套专门针对「数据污染」设计的评测。题目定期更新,答案可验证,不需要 LLM 当裁判。入选了 ICLR 2025 Spotlight Paper,最近一次题库更新是 2026 年 1 月 8 日。

在 LiveBench 全科排名里,Claude Opus 4.8 Thinking xHigh Effort 综合得分 77.22。

排在它前面的有三个模型。

GPT-5.5 Thinking xHigh Effort,80.71。第一。

GPT-5.4 Thinking xHigh Effort,80.28。第二。

Gemini 3.1 Pro Preview High,79.93。第三。

Claude Opus 4.8,第四。

和第一名 GPT-5.5 差了 3.49 分,和第三名 Gemini 3.1 Pro 差了 2.71 分。

数学(Mathematics Average),GPT-5.5 96.32,Claude Opus 4.8 84.32。差了 12 分。GPT-5.4 和 Gemini 3.1 Pro 分别是 94.15 和 91.04,都在 Claude 前面。

指令遵循(IF Average),Gemini 3.1 Pro 79.10,GPT-5.5 73.04,Claude Opus 4.8 67.45。Claude 在这项上的差距更大。

推理(Reasoning Average)是 Claude 的强项。Claude Opus 4.8 89.71,仅次于 GPT-5.4 的 88.12,超过了 GPT-5.5 的 87.71。

编程(Coding Average)GPT-5.5 82.47,Claude Opus 4.8 79.27。LiveBench 的编程测试里 GPT-5.5 更强。这和 SWE-Bench Pro 的结果不完全一致。

Artificial Analysis 则给出了一个不同的全科排名。

在他们的综合智能指数(Intelligence Index)里,Claude Opus 4.8 拿下 61.4 分,超过 GPT-5.5 的 60.2 分,登顶第一。比上一代 Opus 4.7 提升了 4.1 分。


这个指数覆盖 GDPval-AA、Humanity's Last Exam、Terminal-Bench、SciCode 等多个维度。Claude 在 GDPval-AA(真实工作任务)和 HLE(跨学科极难题)上的优势太大,拉高了总分。

Humanity's Last Exam,Claude Opus 4.8 领先一个百分点。这个基准包括全球专家出的 2500 道题,三家跑出来差距只有 1-2 个百分点,可以算是贴身肉搏。

科学推理也有进步。在 CritPt(物理学前沿评测)上超过了 Gemini 3.1 Pro,但仍然落后于 GPT-5.4 Pro(30.0%)和 GPT-5.5 Pro(30.6%)。

幻觉率维持在 35.9%,在「诚实、不瞎编」这件事上 Claude Opus 4.8 做得确实不错。

LMArena 目前还没有 Opus 4.8 的排名数据。毕竟模型上线才 72 小时,投票样本还不够。上一代 Opus 4.7 Thinking 在 Coding Arena 排第一,Text Arena 排第二(低于上上代的 Opus 4.6 Thinking)。Opus 4.8 的具体数据大概率还要等一到两周。


Terminal-Bench 2.1,GPT-5.5 78.2%,Claude Opus 4.8 74.6%。命令行操作这个场景,OpenAI 还是第一。但比 Opus 4.7 的 66.1% 进步了 8.5 个百分点,差距在缩小。

GPQA Diamond(研究生级别科学推理),御三家都在 93-94% 区间。这个榜单快饱和了,拉不开差距。

榜单看完了,来说结论。

编程和 Agent 方向,Claude Opus 4.8 理论上是当前最强,但 GPT-5.5 和它相比,差距不算大。

如果看全科综合能力,LiveBench 的数据更为客观。GPT-5.5 各方面更均衡,Gemini 3.1 Pro 在语言和指令遵循上更强。

Claude Opus 4.8 还是那个偏科生。

Opus 4.8 上线当天,就有用户发现通过 API 调用时,模型会自称「通义千问」或「DeepSeek」。

三个月前,Anthropic 公开指控 DeepSeek、月之暗面和 MiniMax 对 Claude 发起「工业规模的蒸馏攻击」,声称有 2.4 万个虚假账户进行了超过 1600 万次交互。

三个月后,自家新模型在中文场景下「自曝」了。

Anthropic 官方至今没有回应。

不管是什么原因,这件事和成绩本身无关。但它给「反蒸馏」叙事增添了一丝尴尬。你指控别人偷你的数据,结果你的新模型开口第一句就是别人的名字。

a16z 联合创始人 Marc Andreessen 在社交媒体上吐槽,「如果蒸馏算犯罪,那人类历史上每一次师徒传承、每一场学术研讨会,是不是都该被起诉?」

42 天出一代新模型,编程能力甩开第二名 10 个百分点,真实工作评测登顶。

代价是全科排名第四,语言、数学和指令遵循的短板还没补上来。

我是木易,Top2 + 美国 Top10 CS 硕,现在是 AI 产品经理。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
从34亿到420万,佟丽娅被观众彻底抛弃,十多位明星助力也没用

从34亿到420万,佟丽娅被观众彻底抛弃,十多位明星助力也没用

影视高原说
2026-11-15 08:25:37
乌方称炸毁克里米亚大桥超270米桥面,一座钢拱坠海,“火烈鸟”导弹击中铁路桥

乌方称炸毁克里米亚大桥超270米桥面,一座钢拱坠海,“火烈鸟”导弹击中铁路桥

桂系007
2026-11-17 23:22:16
中国客机在温州瑞安坠毁,造成机上61人全部遇难,真是历史事件

中国客机在温州瑞安坠毁,造成机上61人全部遇难,真是历史事件

健康快乐丁
2025-08-05 16:01:39
国足2-2 战平巴林不可怕 可怕的是邵佳一赛后发言:改变不了大环境

国足2-2 战平巴林不可怕 可怕的是邵佳一赛后发言:改变不了大环境

球场新视角1号
2026-11-17 22:51:31
赵一鸣神话碎了:万店狂奔后,一场加盟商的集体出逃

赵一鸣神话碎了:万店狂奔后,一场加盟商的集体出逃

牛锅巴小钒
2026-11-17 02:38:22
高圆圆和当时的男友于小伟在北京一处老式居民楼下的留影

高圆圆和当时的男友于小伟在北京一处老式居民楼下的留影

娱你同欢
2026-11-13 22:28:44
拉夫罗夫曾言:莫斯科将把所有历史上的俄罗斯土地归还其合法家园

拉夫罗夫曾言:莫斯科将把所有历史上的俄罗斯土地归还其合法家园

影孖看世界
2026-10-13 23:32:38
12场NBA加60场NCAA,11月18日从早5点半看到深夜

12场NBA加60场NCAA,11月18日从早5点半看到深夜

星河漫山野
2026-11-18 06:37:41
1-2到3-2!世界第5惊险逆转,小组第1晋级8强,内托进球+染红

1-2到3-2!世界第5惊险逆转,小组第1晋级8强,内托进球+染红

足球狗说
2026-11-18 05:38:01
0分5犯规!助攻+正负值追平生涯新高!杨瀚森证明诺里只配拿100万

0分5犯规!助攻+正负值追平生涯新高!杨瀚森证明诺里只配拿100万

微评体育圈
2026-11-17 14:21:26
中方最后关头才官宣,中美俄会晤敲定,但特朗普想说这事还是免谈

中方最后关头才官宣,中美俄会晤敲定,但特朗普想说这事还是免谈

坠入二次元的海洋
2026-11-18 06:03:12
郭德纲“怒了”! 正式委托律师发布声明,具体细节曝光,疑与马志明收义子有关

郭德纲“怒了”! 正式委托律师发布声明,具体细节曝光,疑与马志明收义子有关

裕丰娱间说
2026-11-17 11:34:30
一首《慌啥子嘛》把我听吐了......

一首《慌啥子嘛》把我听吐了......

细雨中的呼喊
2026-11-17 18:21:32
曝河北富豪公子大婚!“刘能”王小利携妻子现场表演节目,婚房为12层独栋别墅,每桌备一瓶茅台一瓶国窖1573

曝河北富豪公子大婚!“刘能”王小利携妻子现场表演节目,婚房为12层独栋别墅,每桌备一瓶茅台一瓶国窖1573

裕丰娱间说
2026-11-17 09:41:57
这是中国最不要脸的一个群体,无耻之极,世所罕见!

这是中国最不要脸的一个群体,无耻之极,世所罕见!

午夜搭车a
2026-11-17 14:09:55
开拓者98-106输球,杨瀚森正负值却+11!出场7分钟,追平NBA两纪录

开拓者98-106输球,杨瀚森正负值却+11!出场7分钟,追平NBA两纪录

球场没跑道
2026-11-17 12:06:03
决胜局手握6赛点被逆转!陈俊菘沮丧连连摇头 鏖战1年四强都未进过

决胜局手握6赛点被逆转!陈俊菘沮丧连连摇头 鏖战1年四强都未进过

颜小白的篮球梦
2026-11-18 04:57:13
如果汽油降到5元区间,高速、国道拆除收费站,经济就会好起来?

如果汽油降到5元区间,高速、国道拆除收费站,经济就会好起来?

侃故事的阿庆
2026-11-18 06:09:11
李耀茂,辞任佛山南海区人大常委会副主任

李耀茂,辞任佛山南海区人大常委会副主任

南方都市报
2026-11-17 18:28:23
黄仁勋女儿怒斥高管,父亲辞职后她仍留英伟达

黄仁勋女儿怒斥高管,父亲辞职后她仍留英伟达

野生运营
2026-11-17 07:44:55
2026-11-18 07:23:00
新浪财经 incentive-icons
新浪财经
新浪财经是一家创建于1999年8月的财经平台
5520916文章数 10024关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

俄罗斯总统普京凌晨抵达深圳 现场画面披露

头条要闻

俄罗斯总统普京凌晨抵达深圳 现场画面披露

体育要闻

东契奇心仪之人 三年后拿着底薪站到他身旁

娱乐要闻

刘欢有6位生死之交,个个可托付后事

财经要闻

全民抛售AI,市场转折点或已悄然临近

汽车要闻

奕境X9纯电版信息曝光 将于11月27日广州车展上市

态度原创

旅游
家居
健康
本地
公开课

旅游要闻

乌江边一座小山营盘,吴三桂久攻不下,最后栽在一名被俘号兵手里

家居要闻

2026建博会(广州) 公装联探展交流活动

医生眼里"很伤腰"的椅子,很多人天天坐

本地新闻

乌兰察布:以前种土豆,现在种Token

公开课

李玫瑾:为什么性格比能力更重要?

无障碍浏览 进入关怀版