第三方评测：Claude 4 Opus 正式发布了，表现惊艳！

我们最近几天内部一直在试用它，从写作、编辑到编程，各种任务都测试了一遍。

可以肯定地说：Anthropic 这次做得相当棒。Claude 4 Opus 展示出了一些前所未有的能力，甚至超过了 OpenAI 的 o3 和谷歌的 Gemini 2.5 Pro。

关键问题来了：日常工作中会主动选 Opus 吗？
日常任务：不会

在日常使用方面，我还是更喜欢 o3。我觉得很大原因是因为 ChatGPT 的记忆功能实在太好用了，形成了强大的用户黏性。如果 Opus 想让我放弃这个便利，它必须聪明得多、快得多才行。

编程任务：绝对会
在编程方面，Claude 4 Opus 表现超级亮眼。特别是在 Anthropic 自家的命令行工具 Claude Code 中，Opus 是个真正的编程高手。一旦你给它一个任务，它可以长时间独立工作，几乎不需要人工干预。

我们发现，它在一次性完成复杂的代码任务方面甚至超越了 OpenAI 的 Codex。而且，Claude 3.7 Sonnet 曾经过于热情，总爱把简单的任务复杂化，现在这个问题终于解决了。你让它换个按钮颜色，它再也不会给你修座泰姬陵了。
甚至连 Cora 总经理兼 Rails 专家 kieranklaassen（出了名的挑剔，对 AI Agent 非常严格）也非常满意。
Claude 完胜。

写作与编辑：有得有失

写作上，o3 明显还是更优秀的作家。但在编辑任务上，Opus 表现突出，因为它具备一个其他模型都没有的特点：诚实地编辑，不乱给好评。

现在大部分 AI 模型的问题在于，它们总会告诉你文章写得很好，哪怕实际上糟糕透顶（别问我怎么知道的）。
以前的 Claude 模型，第一次编辑总是给 B+，稍微改一改就升级到 A-，再改就直接给 A 了。
尽管我很希望我高中物理老师也这么给我评分，但我不希望 AI 这么做。我需要一个拿着词典和红笔的“魔鬼教官”，狠狠指出问题。

令人欣喜的是，Opus 很懂写作。我和 Spiral 的总经理（LLM写作训练专家）合作，给 Opus 设定了一系列“好文章”的原则，例如“优秀的文章能引发读者真实的情感和思考”，“避免套路和陈词滥调”等。
我们用有趣和无聊的文章测试 Opus（后者可能是我写的），它精准地指出哪些无聊、无聊在哪里。

Opus 不会随便给你好评，即使提示信息冗长复杂，原则埋在中间，它也能同时考虑多个原则进行精准的判断。这一点非常难得，其他模型往往只抓住其中一点忽略其他（不信的话，可以问问SBF忽略风险管理的惨痛教训）。
长篇深度研究任务：绝对行

Opus 暂时还无法替代日常研究任务的 o3，但在需要大量深入思考的任务时，Opus 非常厉害。

它似乎能同时启动多个研究代理（agents），并行地进行搜索和研究。这种能力比 OpenAI 的更强大。
不像其他模型只有一个代理慢慢搜索全部内容，Opus 能迅速启动多个“小分队”，同时向不同方向扩散，然后由一个主代理汇总综合结果。

点击图片查看原图