5月29日消息,Anthropic 布 Claude Opus 4.8,距上一代 Opus 4.7 仅 41 天。模型定价维持每百万 token 5 美元(输入)/ 25 美元(输出)不变,同时推出动态工作流(Dynamic Workflows)研究预览。比起模型分数的常规提升,这次更值得拆解的是 Anthropic 在编排机制上的动作。 模型层面:编码领先,但终端任务仍输给 GPT-5.5
按 Anthropic 公布的系统卡数据,Opus 4.8 在 SWE-Bench Pro 上得 69.2%,高于 Opus 4.7 的 64.3%,领先 GPT-5.5 的 58.6% 约 10.6 分,Gemini 3.1 Pro 为 54.2%;SWE-bench Verified 达 88.6%。智能体计算机操作(OSWorld-Verified)方面 Opus 4.8 为 83.4%,略高于 4.7 的 82.8%,明显领先 GPT-5.5 的 78.7% 与 Gemini 3.1 Pro 的 76.2%。多学科推理(Humanity's Last Exam)无工具 49.8%、带工具 57.9%,在四个模型中居首。 短板同样明确。终端编码(Terminal-Bench 2.1)一项 GPT-5.5 以 78.2% 领先,Opus 4.8 为 74.6%,仍高于 Gemini 3.1 Pro 与 Opus 4.7;GPQA Diamond 接近饱和并出现轻微回退;多语言任务上 Gemini 3.1 Pro 与 GPT-5.5 占优。整体来看,Opus 4.8 在跨代码库的编码与长程智能体任务上拉开身位,但终端场景没能反超 GPT-5.5。
另一处变化在诚实性。Anthropic 称该模型让代码缺陷悄悄通过的概率约为 4.7 的四分之一,是首个在"无批判地报告有缺陷结果"一项上得 0% 的 Claude 模型,过度自信较 4.7 下降十倍以上。对自动化代码审查与交付场景,这比单纯的分数提升更有实际意义。
动态工作流:一段由 Claude 编写的编排脚本
动态工作流以研究预览形式上线,需要 Claude Code v2.1.154 或更高版本,在 CLI、桌面端与 VS Code 扩展中可用,面向 Max、Team、Enterprise 计划开放,Max 和 Team 默认开启。 它的核心不是"模型更强",而是换了执行结构。当用户描述任务时,Claude 先写出一段 JavaScript 脚本,由独立运行时在后台执行,负责拆分任务、分发给并行子代理、检查中间结果,并在中断后从保存进度恢复。单次运行可调度的子代理上限为 1000 个。官方给出的场景包括代码库级 bug 排查、大规模迁移与交叉验证研究,示例之一是在约 75 万行 Rust 代码的仓库上完成从启动到合并的迁移,以现有测试套件作为通过标准。
真正的区别在上下文,而非并发数
并行跑多个 Agent 并不新鲜,LangGraph、CrewAI、Temporal 这类编排框架早已支持。动态工作流与它们、以及与 Anthropic 自家 subagents 和 Skills 的关键差异,在于上下文的处理方式。
传统子代理模式下,规划逻辑和中间产物都要回到主模型的上下文窗口,长任务很容易把窗口塞满。动态工作流把计划写进了代码:编排逻辑由脚本承载,中间结果保存在脚本变量里,Claude 的上下文最终只保留收敛后的答案。子代理工作期间会话保持响应,主模型不必为记住几百个子任务的状态而消耗窗口——这是它能把规模推到上千个 Agent 的前提。运行时还会让多个子代理从不同角度攻击同一问题,部署对抗性 Agent 尝试反驳已有结论,迭代到答案收敛才回报。
对一直依赖外部框架手动搭建编排层的团队,这意味着 Anthropic 把原本需要在其技术栈之外自建的能力,直接折叠进了模型产品。LangGraph、CrewAI、Temporal 等框架短期内会面临原生能力的压力,但也获得了一个早期接入点——绕开自建编排,直接对接子代理接口。
代价与定位
代价同样明确。动态工作流与快速模式都会比常规会话消耗多得多的 token,一次运行最多上千个 Agent,成本上升很快,快速模式从第一个 token 起按更高费率计费。Opus 4.8 的快速模式降到每百万 token 10 美元 / 50 美元,是上一代同档的三分之一,并提供约 2.5 倍速度;可通过 /fast 命令在 Claude Code 中启用。两项功能均为研究预览,定价与可用性后续可能调整。
整体来看,动态工作流把 Claude Code 从一次性编码助手,推向更接近原生 Agent 运行时的位置。对照 LangGraph、CrewAI 这类"模型之外的编排层"思路,Anthropic 选择把编排能力做进自己的产品栈。对正在评估多 Agent 架构的团队,需要权衡的不再是"能不能并行跑很多 Agent",而是把编排逻辑交给外部框架,还是绑定到单一厂商的原生运行时——这关系到可移植性与长期成本结构。机制仍是研究预览,离稳定形态尚有距离,但方向已经清晰。