Claude Opus 4.8 深夜发布：bug 砍 4 倍，主打『诚实』

📊 BENCHMARK

7 个内部 benchmark 赢 6 个，唯一输 Terminal-Bench 2.1 给 GPT-5.5

关键数字：agentic 编码 64.3% → 69.2%、多学科推理 54.7% → 57.9%、电脑使用 82.8% → 83.4%、知识工作 1753 → 1890。Legal Agent Benchmark 上首次有模型把全通过率推过 10%。

🐛 CODING

让自己写的 bug "悄悄溜过去" 的概率，约为 4.7 的 1/4

不是说写得对的概率涨 4 倍，而是 写错时主动 flag 出来 的概率高 4 倍。Anthropic 用了"around four times less likely to allow flaws in its code to pass unremarked"这句官方原话。

🌀 DYNAMIC WORKFLOWS

Claude Code 新 feature：单次会话里启动数百个并发子 agent

Anthropic 自己的 use case 是 跨数十万行的 codebase 重构。当前 research preview，Enterprise / Team / Max plan 可用。

⚙️ EFFORT CONTROL

用户在 claude.ai 直接选"想多少"——high / xhigh / max 三档

默认 high（与 4.7 看齐），低档调下来=回答更快 + rate limit 消耗更慢。Cowork 也支持。OpenAI o-series 内部已有 reasoning_effort，但 Anthropic 第一次把它暴露给普通消费者。

💰 PRICING

普通价没动，但 fast mode 砍到 1/3 + 速度提到 2.5×

Opus 4.8 标准价：5 美元/百万 input token + 25 美元/百万 output；fast mode 10/50（比上一代 fast mode 便宜 3 倍）。GitHub Copilot 5-28 同步上线。

🚫 ONLY OPUS

这次只有 Opus，没 Sonnet 4.8 / Haiku 4.8

Anthropic 的小步快跑策略——先把旗舰拉满、Sonnet/Haiku 后续可能 dedicated 节奏。Sonnet 4.6 + Haiku 4.5 当前仍是各自档位的主力。

① "诚实" 这件事，第一次正式变 release feature

     过去三年大模型迭代的主旋律是"更强"——更多参数、更长 context、更高 benchmark 分。"诚实"一直是 RLHF / Constitutional AI 的隐藏底色，从来不上 release note 头条。    

     Anthropic 这次把它推到 C 位，是个信号：当模型能力强到足以闯祸时，"不闯祸"本身就是一项可以 ship 的能力。换个说法——模型卡这个层次的应用层，再卷 SOTA 收益已经低于卷可靠性。    

② "4 倍少 bug 漏报" 是开发者放手的临界点

     关键不是写对率涨，而是写错时模型自己说"我可能错了"的频率涨。开发者用 agent 写代码最大的负担——不是 agent 写错，是不知道它什么时候写错。    

     这一档提升直接降低 review 工作量。用 agent 写代码的工程师都有"每 PR 都得自审"的习惯——如果 self-flag 真能稳定提到这个水平，next-gen IDE 的 review UI 可能会从"diff + 通过"演化成"diff + agent 自己列的不确定点 + 通过"，整个 code review SaaS 类目都得重新想自己卖什么。    

③ "数百子 agent" 把 multi-agent 从框架层拉下来到 model 层

     半年前，"让 LLM 自己 spawn subagent 跑大任务" 还是社区第三方框架（LangGraph / Autogen / CrewAI 等）的事情。现在 Anthropic 把它做成原生 product feature，名字叫 Dynamic Workflows。    

     这是个分水岭：agent 编排正在从框架层下沉到模型/API 层。换句话说——把 "怎么并行/怎么 plan/怎么 merge 结果" 这套抽象封装起来直接卖钱。多 agent 框架公司接下来 12 个月得想清楚自己还卖什么。    

④ 把"想多想少"变成消费者可见 UX

     thinking budget 一直是 reasoning model 的隐藏旋钮——OpenAI o1 / o3 series 有内部档，但默认对 chat 用户不暴露。Anthropic 这次把档位直接做成 claude.ai 上能选的 toggle。    

     表面是 UX 改动，底层是定价权下放——以前是 "你付一个固定价钱，模型决定动多少脑子"；现在是 "你想付多少钱、等多久，自己挑"。再往后推一步，整个 chatbot 行业的产品形态会向 "Effort × 任务难度 = 用户主动定价" 演化。    

⑤ 输给 GPT-5.5 那一个 benchmark，反而是好消息

     Anthropic 主动写"我们 7 个赢 6 个，那一个输了"——这个 framing 过去几代基本看不到（早期惯例是只挑赢的 benchmark 上图）。    

     这是实验室成熟度的标志——承认 OpenAI 在某些 use case 上更强，但把自己想要服务的 use case 拉满（Legal Agent 全通过率破 10%、agentic 多步任务自我检查率涨 4 倍）。两家 lab 开始分流——OpenAI 拼 raw capability 上限，Anthropic 拼可靠性下限。