2026-05-28 Anthropic 丟出 Opus 4.8，隔天我把 Hacker News、Reddit、GitHub Issues 翻了一輪。這篇不是官方 changelog 的複述，而是把社群真正在意的東西——包含那些官方不會放在頭版的退步——攤開來講。
Anthropic 這次的節奏很有意思。Opus 4.7 當初端出來的時候，社群反應只能說是冷淡（chilly reception），開發者罵註解太囉嗦、工具呼叫不穩。結果不到幾個月，4.8 就來了，定價一塊錢都沒漲，benchmark 一片飄紅，連 Cognition（Devin 的母公司）這種重度 agentic 用戶都公開表態，說 4.8 修好了他們在 4.7 看到的 comment-verbosity（註解過度冗長）跟 tool-calling 問題（TechCrunch 有引述）。
聽起來很香對吧？但如果你只看官方的 Introducing Claude Opus 4.8，你會錯過一半的故事。社群跟 GitHub 上吵的，是另外一半。
先說清楚：這篇是發布隔天（2026-05-29）整理的，各家評測站對「競品對照數字」版本不一、有些還在浮動。下文凡是有具體數字的，我盡量標來源；對於只有單一來源、無法交叉驗證的，我會明講，請你自己保留判斷。寧可承認不確定，也不要餵你假精確。
先講結論：這是一次「修 bug 為主」的點版本更新
Opus 4.8 在 2026-05-28 發布，定價維持 $5 / $25（每百萬 input / output token），跟 4.7 完全一樣。根據 Anthropic 官方數據 與多家評測站，幾個關鍵 benchmark 確實有進步：
| Benchmark | Opus 4.7 | Opus 4.8 | 變化 |
|---|---|---|---|
| SWE-bench Verified | 87.6% | 88.6% | ↑ |
| SWE-bench Pro | — | 69.2% | 官方稱 +4.9 點 |
| USAMO 2026（數學） | 69.3% | 96.7% | ↑ 爆炸性 |
| GDPval-AA（知識工作） | — | 1890 | ↑（Elo 制） |
| GPQA Diamond | 94.2% | 93.6% | ↓ 退步 |
數學那欄不是打錯，USAMO 2026 從 69.3% 跳到 96.7%，是 Opus 系列單一週期最大的數學躍進，這個真的猛。SWE-bench Pro 官方主打的是「+4.9 點」的提升幅度（到 69.2%），至於 4.7 的精確基準各家寫法不一，我就不硬填。但你有沒有注意到 GPQA Diamond 那行——它退步了。這只是開胃菜，後面輸的還更多。
一、最該知道的退步：prompt injection 韌性變差了
這是整份觀察裡我認為最重要、但最容易被淹沒的一條。
根據 Gray Swan 的 red-teaming 數據，Opus 4.8 在 agentic 情境下的 prompt-injection 攻擊成功率是 9.6%，而 4.7 只有 6.0%。換句話說，這一代在面對不可信輸入時，反而更容易被騙。
這對誰是問題？如果你的 pipeline 會處理外部不可信內容——web 瀏覽 agent、讀使用者上傳的檔案、執行使用者可控的程式碼——那這個退步就是實打實的安全風險。digitalapplied 的分析 直接建議：高 agentic-injection 風險的環境，在遷移到 4.8 之前，先把這個 9.6% 對照你自己的威脅模型評估一遍。
這就是那種官方 system card 角落會寫、但行銷頁絕對不會放大的東西。乾，這種才是工程師最該知道的。
二、dynamic workflows 很猛，但有幾個讓人傻眼的怪癖
dynamic workflows 是這次的旗艦功能：一個 orchestrator agent 可以開出一堆並行 subagent，去打大型分支任務——跨幾十個檔案的重構、跑超寬的測試矩陣、同時探索好幾條解法。上限是 16 個並行、單次最多 1,000 個 subagent（MarkTechPost 有報導這個 cap）。
但 Anthropic 自己的 system card 老實記了幾個已知 artifact，我看到的時候笑出來：
- 偶發早停（occasional early stopping）——做到一半就收工
- 過度積極刪檔（over-eager file deletion）——在某些 agentic 情境下手太快，這個就不好笑了
- 偶爾叫使用者去睡覺（the model occasionally telling the user to go to bed）——對，模型會關心你的作息
前兩個是真的要小心。並行 agent 自己決定刪檔，在沒沙箱的環境裡是會出事的。該不該開 dynamic workflows，其實一句話就能判斷：
任務可並行（大型分支任務） → 派發 subagents（最多 16 並行 / 1000 總量）→ token 消耗顯著上升 → 小任務上的 worker 反而在浪費 token。
任務窄、或嚴格順序依賴 → 別用 dynamic workflows，一般 session 就夠。
更現實的問題是 token。digitalapplied 直說 dynamic workflows「用的 token 比一般 Claude Code session 多很多」，因為並行 subagent 要等比例的算力。重點是：窄任務或嚴格順序的任務不要用——每步都依賴上一步的時候，並行根本沒意義，純粹是把 token 灑出去玩。要上生產前，先把預算抓好。
三、它沒有全面領先，這幾項輸了
官方很愛講「贏 GPT-5.5 至少 12 項 benchmark」，這沒錯。但社群很快就把輸的部分挖出來：
| 項目 | Opus 4.8 表現 | 對手 |
|---|---|---|
| Terminal-Bench 2.1（Terminus-2 公開 harness） | 74.6% | GPT-5.5 78.2%（輸） |
| GPQA Diamond | 93.6% | 自己 4.7 的 94.2%（退步） |
| 多語言（非英文） | 相對落後 | Gemini 3.1 Pro / GPT-5.5 |
Terminal-Bench 這條要特別講 harness 的眉角：在 Terminus-2 公開 harness 上同場比，是 GPT-5.5 的 78.2% 對 Opus 4.8 的 74.6%，GPT-5.5 贏；但換成 GPT-5.5 自家的 Codex CLI harness，它能拉到 83.4%。換句話說，benchmark 數字跟你用什麼 harness 跑高度相關，採購決策時別只看單一數字（這點 TokenMix 的評測 講得很清楚）。
所以如果你的工作是 terminal-heavy 的 agentic，或是大量非英文內容，4.8 不見得是最佳解。這跟官方那張「全綠」的對比圖，是兩個世界。
四、社群真正在抱怨的：額度、版本疲勞、跟那個老梗
技術退步是一回事，社群的情緒又是另一回事。Hacker News 那串（討論串在這）跟 GitHub Issues 上，反覆出現三種聲音。
第一是版本疲勞。 有 HN 用戶直白講，他根本搞不清楚從 4.5 一路到 4.8 到底進步在哪，是一種「churn-without-payoff」——一直改版但感受不到回報。小版號的邊際效益遞減，這種情緒在 4.6、4.7、4.8 連發之後特別濃。
第二是額度。 這個是 Opus 系列的老問題了。早在 4.6 時代，就爆發過大規模的「額度異常快速耗盡」抗議——MacRumors 在 2026-03 報導，Max 訂閱者的 5 小時窗口，一兩個小時就燒完，同樣的工作量以前完全沒事。Anthropic 後來調整了尖峰時段的 5 小時限制，但每週限制原封不動。現在再疊上 dynamic workflows 這個吃 token 怪獸，重度使用者的荷包只會更緊。
第三是那個每次改版都會出現的老梗——「你又把 Opus 搞笨了」。 GitHub 上有個經典 issue 標題就叫 You made Opus dumb again and I'm officially moving to codex。用戶說模型在 24-48 小時內明顯變笨，開始犯以前不會犯的邏輯錯誤、回應變短。這類 issue 幾乎都因為拿不出可復現的範例，被標 needs-repro 然後關成 not planned。
我的看法是：這種「變笨」抱怨多半是主觀感知，難以驗證——但它每次改版前後都準時湧現，本身就說明了一件事：社群對 Anthropic 的信任其實很脆弱。 一有風吹草動就有人喊著要跳槽 codex、DeepSeek 4 Pro，或是 Qwen 3.6 這種逼近前沿的開源模型。
五、那到底該選誰？一張表講完
撇開情緒，回到工程選型。綜合社群與評測站（BenchLM 、各家比較）的共識：
| 你的需求 | 推薦 | 原因 |
|---|---|---|
| 高風險、重正確性與可審查性的程式碼 | Opus 4.8 | 依 BenchLM 聚合，coding 分類平均 76.4 大幅領先 GPT-5.5 的 58.6，edge case 處理保守 |
| 速度優先的 agentic、terminal 任務 | GPT-5.5 | Terminal-Bench 贏，agentic 速度快 |
| 多模態 / 多語言 | Gemini 3.1 Pro | 多語言與抽象推理強，定價還更便宜（$2 / $12） |
要破除一個迷思：長 context 已經不是 Opus 的獨佔優勢了。 GPT-5.5 的 API 版同樣支援 1M context（Codex 版是 400K），Gemini 3.1 Pro 也是 1M。三家都到 1M 的時代，真正要拼的是「同樣塞滿 context 之後，誰的正確性與可審查性撐得住」——這一點 Opus 4.8 的保守風格還是有它的擁護者。價格上 GPT-5.5（$5 / $30）比 Opus 貴，Gemini 3.1 Pro（$2 / $12）則明顯便宜。
遷移前，先跑這份 checklist
Opus 4.8 是一次紮實的點版本更新，核心價值是「把 4.7 的痛點修好 + dynamic workflows + fast mode 降價三倍」。如果你之前被 4.7 的囉嗦註解跟工具呼叫氣到，這版值得回來試。但在你把生產 pipeline 切過去之前，建議先過這四關：
- agentic 安全：你的 pipeline 會不會吃外部不可信輸入？會的話，拿 9.6% 這個 prompt-injection 數字對照你的威脅模型，沙箱該補就補。
- token 預算：要不要開 dynamic workflows？開了就先估好預算，窄任務跟順序任務直接別開。
- 刪檔風險：跑 agentic 自動化前，確認破壞性操作有 git 保護或 dry-run，別讓 over-eager file deletion 真的咬到你。
- benchmark 對焦：你的主場是 terminal、多語言還是長 context？這幾項 4.8 不一定贏，先用你自己的任務跑一輪 A/B 再決定。
至於最該長期觀察的，其實不是技術，是社群信任。額度抱怨跟「變笨」老梗每次改版都準時報到，Anthropic 如果不在透明度上下功夫，再多的 benchmark 也補不了那道裂縫。
這份觀察是發布隔天（5/29）整理的，社群的長尾問題還沒沉澱。過一兩週再回來看 GitHub Issues，dynamic workflows 的穩定性跟 subagent 成本失控的回報，大概才會是真正的好戲。到時我再寫一篇追蹤。
參考資料
- Introducing Claude Opus 4.8 — Anthropic 官方
- Anthropic releases Opus 4.8 with new 'dynamic workflow' tool — TechCrunch
- Claude Opus 4.8: Benchmarks, Effort & Dynamic Workflows — digitalapplied
- Anthropic Ships Claude Opus 4.8... Workflows Capped at 1,000 Subagents — MarkTechPost
- Claude Code Users Report Rapid Rate Limit Drain — MacRumors
- Claude Opus 4.8 — Hacker News 討論串
- You made Opus dumb again — GitHub Issue #55161
- Claude Opus 4.8 vs GPT-5.5 — BenchLM
- Claude Opus 4.8 is generally available for GitHub Copilot — GitHub Changelog
沒有留言:
張貼留言