加载失败
这次讨论围绕 Anthropic（Claude 的开发商）发布 Claude Opus 4.7 展开，重点不是单纯“更强”，而是行为和使用方式的变化。官方提到更新了 tokenizer（分词器），并引入 xhigh（介于 high 与 max 之间的新 effort 档位），同时在 Claude Code（Anthropic 的终端式编程助手）里加入 `/ultrareview` 之类的新功能。评论者把它放在 Claude Code 与 OpenAI Codex（OpenAI 的编码代理/CLI）竞争的背景下看，很多人已经用它们来做 agentic coding（让模型主动读写文件、调用工具完成任务）。另一个背景是 Anthropic 还在推动 Mythos-class models（预览中的更强模型系列），但相关能力更多停留在安全护栏测试和受限访问阶段。
大量评论把焦点放在 4.6 的不稳定和“变笨”上：有人在简单的 tensor parallel 任务里被模型用 17K token 的幻觉输出带偏，最后还把整模型复制到每个节点；也有人说最近两周它会在某些日子彻底“失去理智”。不少人因此把日常工作转向 Codex，理由是它更谨慎、更系统，CLI 也更快、更少 bug。也有少数人认为问题并非所有场景都一样，开到更高 effort 后质量会明显回升，甚至 token 消耗还会下降。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11]
公告里最受关注的变化之一是新加了 xhigh（extra high）effort 档位，位于 high 和 max 之间，官方还把 Claude Code 的默认 effort 提到 xhigh。评论者把它理解成更细粒度的推理/延迟权衡，也有人说用 `/effort max` 后原本的质量问题就缓解了，甚至 token 消耗还下降。另一条线索是模型现在更“字面”地遵循指令，有人希望它终于会老实读 CLAUDE.md，不再把简单任务扩成一堆多余操作；但也有人担心这会逼用户在 prompt 里写更多硬性约束。
官方说明提到新 tokenizer 会让同样输入映射到更多 token，幅度大约是 1.0 到 1.35 倍，取决于内容类型。评论区很快延伸到 caveman 这种故意把输出改得更“原始”的小工具，有人觉得它读起来更顺眼。也有人直接泼冷水，说这类项目大多是玩笑，真正耗费上下文的还是文件读取和 reasoning，所谓节省可能不到 1%，还可能让模型为了满足格式而说更多。线程里甚至有人怀疑很多人 star 一个 40 行 markdown 文件时，并没有意识到这些限制。
另一大主题是算力和额度：有人把 Claude 最近的糟糕体验归因于 compute 不够，认为这才是质量波动的根因。与此同时，OpenAI 通过 Codex 计划把 Pro 用户的使用额度翻倍，被视为直接争抢 Claude Code 客户的手段，而 Anthropic 的限额、价格和模型可见性则让不少人感到被“游戏化”。评论里反复出现“换平台”、取消订阅、以及“只要模型稍贵一点就不值”的态度，说明产品体验已经和基础设施资源绑得很紧。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
不少人发现 Claude Code 里并没有默认暴露 Opus 4.7，只能手动用 `/model claude-opus-4-7` 或 `claude --model claude-opus-4-7` 去试。即便这样，仍有人遇到“模型可能不存在或你没有权限”的报错，或者切换后其实只落回了 Opus 4。更让人困惑的是文档、CLI 输出和模型 ID 在 `4.7` 与 `4-7` 之间来回切换，像是发布流程和文档同步都没完全理顺。对想第一时间验证新模型的人来说，这种 rollout 体验相当粗糙。
围绕 Mythos 的评论明显带着怀疑：官方说先通过真实部署测试 safeguard（安全护栏），再考虑 broader release，但许多人听起来像是另一版“太强所以不能放出来”的故事。有人把它类比到 GPT2，当年也常被拿来当作延迟公开的理由；也有人直接调侃，等到下一代更大的模型出来，“太强”这个说法又会自动消失。与此同时，Mythos 在 benchmark 和预告里像个诱饵，既制造期待，也让现阶段的 Opus 4.7 显得像是次一级可用版本。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7]
也有人把这次更新看成图像能力的实质进步，重点是可提交的图片分辨率提高了 3 倍。评论者举了 graph、scientific photographs、OCR 以及基础特征识别的例子，认为旧版在简单照片处理流水线上的准确率只有大约 40%，因此更高分辨率可能会很有用。顺着这个方向，还有人猜测通用 multimodal LLM 也许会开始挤压专门的 computer vision 模型，因为它们更容易接入工作流。
除了技术讨论，评论区还有明显的情绪化反应：有人催着大家赶紧去做 side projects，因为又有几天“没被削弱的 agentic coding”窗口；也有人说自己只剩 3 天精力，或者在模型发布日会直接焦虑、逃离互联网。甚至有评论只是问“我该高兴吗”，或者干脆让模型自己回答。这部分更像社区习惯性的集体过山车：新模型带来短暂兴奋，也带来对旧问题复发的警惕。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
tokenizer: 把文本切成 token 的规则；新版会改变同样输入对应的 token 数。
xhigh: 介于 high 和 max 之间的 effort 档位，用来在推理质量和延迟之间折中。
agentic coding: 让模型自己读文件、调工具、分步骤完成编程任务的工作方式。
CLAUDE.md: 项目里的说明文件，Claude Code 会优先按其中的规则执行。
Codex: OpenAI 的编码代理/CLI，用于更稳定地做代码生成和多步操作。
Mythos-class models: Anthropic 讨论中的更强预览模型系列，常被拿来和公开版做对比。