你可能已经经历过无数次这样的场景：

AI帮你写完一段代码，信誓旦旦地拍胸脯说“搞定了，没问题”。

你放心的跑起来，崩了。再跑，又崩了。

花半天时间一个一个排查，发现里面埋着好几颗雷，而AI全程没吭过一声。

这个让无数开发者头疼的问题，终于有了解法。

5月28日，Anthropic猝不及防地发布了Claude Opus 4.8。距离上一代4.7发布才刚过43天。Anthropic自己把这次更新定位为“温和但切实”的升级，但有两组数字，值得每个靠AI干活的人认真看。

两个0%，史上首次

在Anthropic公布的对齐评估中，有两项指标以前从来没有模型拿过满分。

一个是“谎报率”——模型在处理有缺陷的数据时，会不会装作一切正常。Opus 4.5是0.40，4.7是0.25，4.8是0.00。没有小数点后面的零头，就是0。这意味着Opus 4.8在汇报数据结果时，从不虚构数字。

另一个是“偷懒调查率”——遇到需要深究的问题时，模型会不会敷衍了事。4.7有25%的概率偷懒，4.8同样是0%。

两个历史性的0%。翻译成人话：这台AI不会假装自己什么都懂，该说“我不确定”的时候，它真的会说出来。

用Anthropic官方博客里的那个案例来说更直观：有个开发者用Claude Code + Opus 4.8做代码迁移，中途人跑出去放风筝了，让Claude自己在后台跑。跑到一半，代码提交被服务器拒绝了，因为同事在这期间提交了一个紧急修复。Claude通过手机通知开发者，说想先合并同事的修改再重试。开发者嫌麻烦，随手回了句“直接强制覆盖就行”。结果Claude拒绝了。

理由是：强制覆盖会丢掉同事11:42提交的那个紧急修复。它自己把两边合并好了，提交历史干干净净。

用户图省事让AI走捷径，AI判断会覆盖同事的工作，拒绝了，自己选了更麻烦但正确的方案。

这才是“靠谱”在真实场景里的样子。

跑分全面领跑，但没完胜

诚实之外，硬指标也没落下。在编程评测SWE-Bench Pro中，Opus 4.8拿下了69.2%，比GPT-5.5高出超过10个百分点。在智能体能力榜单GDPval-AA上，Elo得分1890，比4.7高了137分，比GPT-5.5高了121分。换算成胜率，跟GPT-5.5正面硬刚的话，赢面高达67%。

不过说实话，这些跑分数字已经很难让人兴奋了。SWE-bench Verified这种测试正在接近饱和，几家头部模型都在87%以上趴着，每涨一个点的实际体感差异越来越小。

唯一被GPT-5.5压过一头的是终端编程测试Terminal-Bench 2.1，GPT-5.5以78.2%领先Opus 4.8的74.6%。这也说明了一个事实：没有哪个模型在所有维度上都无敌，选工具得看自己的场景。

让上百个AI一起干活

这次Anthropic还干了一件真正改变游戏规则的事。他们给Claude Code加入了“动态工作流”功能，一个会话里可以并行跑数百个子代理，完成跨数十万行代码的代码库级迁移。

之前有工程师测试过，用这种方式重写75万行代码，一个人只花了11天，测试通过率99.8%。

这个能力的意义不在于跑分好看，而在于它改变了一个基本问题：AI能不能独立完成一整段工程任务，而不是每次都得有人按一下按钮动一下。一个会话内，上百个AI代理并行工作，各自处理不同的模块，最后拼成一个完整的结果——这件事正在变成现实。

而且Opus 4.8比以前更省token。完成同样的任务，比4.7少用15%的步骤，少输出35%的token。又快、又强、又便宜，这三件事能同时做到，在AI领域并不常见。

更强的Mythos，几周内就来了

Opus 4.8到底是不是很多人猜的那样，其实是下一代模型Mythos的“蒸馏版”，目前还没有官方说法。但从已有的信息来看，这个可能性不小。

不管怎样，Anthropic已经正式确认，Mythos将在几周内面向全部客户开放。Mythos最早在今年4月以预览版的形式亮相，当时只向约50家公司和机构开放。不放给所有人用的原因是——它的网络攻防能力太强了。

据Anthropic披露，Mythos已在参与的开源软件漏洞搜索计划中发现了超过10000个安全漏洞。

如果说Opus 4.8是“靠谱的同事”，Mythos可能就是那个能独立完成安全审计、漏洞挖掘、甚至能在大规模代码库里自主发现安全隐患的“专家级队友”。

买AI，该买什么？

最后说一个现实问题。Opus 4.8的定价跟4.7完全一样：每百万输入token 5美元，每百万输出token 25美元。但快速模式的价格从4.7的30/150美元降到了10/50美元。算下来，速度快了2.5倍，价格却只有原来的三分之一。

加量不加价，甚至加量还降价，这在当下的大模型价格战里并不多见。

回头看这次更新，最打动人的可能不是哪个跑分更高了，而是那个风筝的故事。一个AI在被用户要求走捷径的时候，判断出这么做会损害别人的工作，选择了拒绝。它不是靠预设规则，而是在真实语境里做出了判断。

这比任何benchmark数字都更接近“靠谱”这两个字。

后续我们也会持续分享各类 AI 工具的实战技巧与玩法，欢迎大家一起加入我们交流一起探讨，挖掘智能工具的更多价值。