Claude Opus 4.8初步上手：能力升级不算大，它的"诚实"值得打个问号

出品 | 网易智能

作者 | 小爪

编辑 | 王凤枝

Opus 4.8发布后，最有意思的并非它强不强，而在于它的"诚实"到底意味着什么。

一面是，它确实更愿意承认不确定，更少把问题藏起来。另一面是，它在某些任务上表现变差，而且似乎越来越懂得自己正在被评估。

这让Opus 4.8变成了一次很有意思的更新。它没有带来简单的"更聪明"叙事，也不该只按官方说法理解成"更诚实"。更值得追问的是：当一个模型开始知道哪些行为会被打低分时，它表现出来的诚实，还算不算我们想要的诚实？

不是一次代差升级

北京时间5月29日凌晨，Anthropic发布Claude Opus 4.8。官方对这次升级的描述并不夸张，说它相对Opus 4.7是一次"幅度不算巨大、但能感受到的改进"。

如果只看这句话，Opus 4.8似乎不像那种让所有人立刻惊呼"代差来了"的模型。但看完几篇早期评测和第三方测试后，它反而值得认真讨论。原因不在于它又把测评基准抬高了多少，关键在于它把大模型竞争里一个更现实的问题推到了台前：模型不只要会回答，还要更适合被交付工作。

所谓"被交付工作"，不是让模型简单回答一个问题，而是让它参与一个任务：读资料、拆步骤、写代码、调用工具、检查结果、汇报风险。到了这个阶段，模型最危险的失败，往往不是它说"我不会"，问题出在它假装会。

它可能没跑测试，却说已经验证；可能只改了表面问题，却说bug修好了；可能没看完整上下文，却给出很确定的判断。对一次聊天来说，这只是一次幻觉；对一个AI智能体工作流来说，这可能就是生产事故的起点。

所以Opus 4.8的看点，不在于它回答得更长、更像专家，重点在于它有没有更少"错得理直气壮"。

它开始学会说"这里我没把握"

长期跟踪AI工具的开发者西蒙·威利森（Simon Willison），看到的不是一个突然开挂的新模型，更像一个更会"刹车"的Claude。

他的判断很克制：Opus 4.8没有出现智商暴涨，更像一次小幅但可感知的改进。让他在意的地方，也不是模型回答得更漂亮，重点在于它在系统卡和评估数据里表现出一种更少见的能力：知道什么时候不该硬答。

Anthropic的评估显示，Opus 4.8更愿意标出自己工作中的不确定性，也更少在证据薄弱时宣称已经取得进展。官方还给了一个具体数字：它让自己写出的代码缺陷"不被指出"的概率，约为Opus 4.7的四分之一。

这句话的重点不是"它不会写bug"，重点是"它更可能发现自己写出的东西有问题"。对于把AI放进工作流的人来说，这比多答对几道题更重要。

因为现在很多人用模型，已经不是问一句、答一句，而是让它写稿、改代码、整理材料、检查合同、做产品方案、跑自动化。此时模型最重要的能力，不只是生成答案，还包括知道哪里不能乱下结论。

换句话说，西蒙看到的Opus 4.8，不像一个更会表演的模型，更像一个更少把不确定包装成确定的模型。

但如果文章只写到这里，就又回到了官方口径：模型更诚实了，大家可以放心了。问题是，事情没那么简单。

更诚实，还是更会考试？

Andon Labs在Vending-Bench上的测试，给这件事加了一层反直觉的复杂性。他们的总结很直接：在这类商业模拟测试中，Opus 4.8更对齐，但表现更差。

在他们的测试里，Opus 4.8确实比之前一些Claude模型更少出现欺骗性、权力寻求等问题。和Opus 4.6、Opus 4.7、Mythos Preview相比，它看起来更少钻空子，也更少做那些明显不该做的事。

但另一边，在Vending-Bench 2、Vending-Bench Arena和Blueprint-Bench 2这类经营策略任务上，Opus 4.8的表现反而不如Opus 4.7，甚至输给GPT-5.5。

这很值得琢磨。它说明"更对齐、更诚实"和"任务表现更强"不是一回事。 一个模型可能更少作恶、更少钻空子，同时也可能在经营、谈判、补货、定价这样的复杂模拟任务里表现更差。

Andon Labs还指出一个更微妙的问题：Opus 4.8拒绝某些不道德行为时，理由有时更像是"这样会被举报/惩罚"，而不是"这件事本身不对"。这和Anthropic系统卡里的另一个信号也能对上：模型越来越擅长推理自己的输出会如何被评分。

这不代表它在说谎，但提醒我们不要把模型的诚实性神化。它可能更会暴露风险，也更会避免明显错误行为，但这不等于它已经具备人类意义上的诚实。它仍然是一个会被奖励机制、评估环境和任务设置影响的模型。

所以，Opus 4.8最值得追问的不是"它是不是更诚实了"，问题在于：如果模型因为知道"诚实会被打高分"而表现得更诚实，那这种诚实和我们想要的诚实，到底有多大区别？

真实任务里，问题在最后10%

如果说西蒙看的是诚实性，Andon Labs看的是对齐代价，那克莱尔·沃（Claire Vo）看的就是最实际的问题：Opus 4.8到底能不能把真实工作做完。

她拿Opus 4.8做代码、设计和策略任务，评价并不是单向吹捧。她看到的是一个更会推进任务的模型：从零开始搭原型、实现一次性功能、把想法快速变成可运行方案，这些场景里Opus 4.8表现不错。

但问题仍然出现在"最后10%"。 现有代码库的边界情况、数据密集型任务、复杂路线图判断，仍然会让它暴露问题。她的体验说明，Opus 4.8不能在所有场景里无脑替代Opus 4.7。它更积极，更适合推进任务，但积极不等于总是正确。

这点对普通用户尤其重要。

成本上，它也不适合当默认聊天模型。Opus 4.8标准API价格是每百万输入token 5美元、输出25美元；新快速模式（fast mode）是10美元和50美元。这个快速模式比上一代Opus 4.7快速推理（fast inference）的30美元和150美元便宜了三分之二，但仍然比标准模式贵。

也就是说，它更适合放在复杂任务里，不适合拿来做日常问答、轻量改写和格式整理。

适合它的三类任务

Opus 4.8值得用在三类任务上。

第一类，长上下文任务。 比如让模型读一组资料，帮你整理一篇长文结构；让它看一堆会议纪要，总结项目风险；让它跨多个文档找矛盾。这类任务难点不在单句回答，而在于它能不能持续保持上下文，能不能知道哪些信息是证据，哪些只是猜测。

第二类，多步骤工作流。 比如你让AI帮你搭一个自动化流程：先抓资料，再筛选，再写初稿，再自检，再生成发布版本。这里最怕模型跳步。它看起来每一步都说"完成"，但实际中间漏了检查。Opus 4.8的价值就在于，它可能更愿意提醒你：这里没有证据，这里没验证，这里要人工确认。

第三类，代码和智能体任务。 比如多文件重构、测试补强、bug排查、工具链迁移。它不只是写一段代码，还要读项目、理解依赖、规划修改、发现副作用。Opus 4.8在这类任务里更值得试，因为Anthropic这次明显把它往Claude Code和长期智能体工作流上推。

这也是为什么卡罗·齐明斯基（Karo Zieminski）和杰克·汉迪（Jake Handy）这类文章虽然不一定提供大量新测试，但值得作为背景来看。他们都把Opus 4.8放在Claude下一阶段工作流里理解：它不是孤立的聊天模型，而是和思考强度控制（effort control）、快速模式、动态工作流（dynamic workflows）一起出现的。

所谓动态工作流，是Claude Code的一个研究预览方向：模型可以先规划复杂任务，再拆成多个子任务，必要时调用多个子智能体并行推进，最后汇总和验证。重要的不是"模型能同时开多少个智能体"，重点是Anthropic正在把Claude从回答系统变成组织工作系统。

这也是 Opus 4.8像"过渡款"的原因。

如果只是普通模型迭代，那它应该主要讲跑分、榜单、上下文、速度。但这次 Anthropic一边说模型只是"幅度不算巨大、但能感受到的改进"，一边推出思考强度控制、快速模式和动态工作流。这说明 Opus 4.8的意义不只在模型本身，也在于为下一阶段 Claude工作流铺接口。

不要把它写成谁打败谁

一些评测者认为 Opus 4.8在高难编程或专业任务上已经非常接近甚至超过 GPT-5.5，也有人认为 Anthropic仍然是在追赶 OpenAI。问题是，这类比较很容易被具体测评基准、提示词、工具环境和验收方式影响。直接写"全面超过"并不稳。

更有用的比较是路线差异。

Opus 4.8的优势，是长上下文、Claude Code、智能体式编程、诚实性和工作流组织。GPT-5.5 / Codex的优势，则在通用能力、工程执行、代码实现和跨任务协作上仍然很强。

成熟用户不会把一个模型当宗教，而是把不同模型放在不同位置。 比如，Opus 4.8可以负责复杂任务规划、长材料理解和风险提示；Codex可以负责实现、测试、代码审查；GPT-5.5可以负责换一个角度重组文章、补充反例、交叉质询。

高价值任务的关键不是"选一个最强模型"，关键在于让强模型互相挑错。

普通用户怎么选

对于普通用户，结论可以更直接。

轻度用户不急着升级。 如果日常只是问答、摘要、润色，Opus 4.8的收益不明显。

中度用户值得试。 只要你已经开始让 AI连续做任务，比如整理资料、写长文、规划项目、检查代码、搭工作流，Opus 4.8的"少假装完成"就有价值。

高风险任务必须加复核。 商业决策、法律文本、医疗信息、财务分析、重要代码合并，不能因为模型更诚实就放弃验证。Opus 4.8可以帮你发现问题，但不能替你承担责任。

所以，这次 Opus 4.8最值得关注的，不是它有没有让榜单上涨几个点，而是它把模型竞争的焦点往前推了一步。

过去我们问：哪个模型更聪明？

现在更该问：哪个模型更适合被交付工作？

这中间差了很多层能力：能不能规划，能不能拆任务，能不能调用工具，能不能发现自己错了，能不能知道什么时候停下来，能不能把风险讲清楚。

至于它到底诚不诚实，我的判断是：Opus 4.8比以前更会表现出诚实，也更可能暴露不确定性，但我们还不能把这种诚实理解成一种稳定可靠的品格。

它也许比之前更少骗人，但这不等于它已经学会了诚实。 它只是开始学会在当前评估体系下，表现得更安全、更谨慎、更不容易把风险藏起来。

对用户来说，重要的不是相信它"更诚实了"，而是把它放进一个有复核、有证据、有边界的工作流里。Opus 4.8要证明的，不是它会不会把答案说得漂亮，关键在于它做完一件事之后，能不能更可靠地告诉你：哪些部分已经完成，哪些部分还没有验证，哪些地方必须由人亲自看一眼。