这是 Anthropic 发布 Claude Opus 4.8 之后的 Hacker News 讨论。官方文案强调 4.8 在 honesty、长任务稳定性、fast mode、rate limits 和 Claude Code 体验上有所改进，并提到可在长会话中插入 `system` message、以及更高阶的 Mythos-class 模型正在用于 cyber 场景。评论区把它和 Opus 4.5/4.6/4.7、OpenAI 的 GPT-5.5/Codex、Google 的 Gemini、以及 DeepSeek/Qwen 等中国模型放在一起比较，争论点集中在“模型是否真的更聪明”还是“harness 和 context 才是主因”。由于前沿模型的差异越来越难凭直觉判断，很多人改用自己的 smoke test、真实项目和 bug 修复经历来评价，而不是只看官方 benchmark。
不少人把 4.7 视为明显回退，主要问题集中在不稳定、过度啰嗦、动不动就卡住，以及对任务理解偏浅。4.8 被一些人描述为把 4.7 的坑补回来了，尤其在长任务、code review、正式证明和多轮排错上更能坚持到底。也有人说它仍然慢，但至少开始重新接近 4.5/4.6 那种可用性，而不是继续往下掉。
[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] [来源12] [来源13] [来源14] [来源15]
另一派觉得这类 X.Y 小版本更新越来越难感知，模型看起来像进入了边际收益递减期。有人把这种体验类比成 iPhone 年年换代、Windows 版本更替，名字在变，体感却越来越像。也有人认为不是模型停滞，而是用户自己的任务太简单，或者已经被模型能力“饱和”了。
[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]
很多评论认为，真正拉开差距的不是 raw intelligence，而是 Claude Code、sub-agents、plan mode、xhigh effort 这些 harness 细节。上下文窗口从 200k 扩到 1M、再加上任务分解和测试回路，被反复提到是实际提效的主因。Anthropic 新增的中途 `system` message、动态工作流、effort 控制，也被看作是为 agentic workflow 服务的底层能力。
[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]
不少人质疑 Anthropic 只展示对自己有利的 benchmark，而把回退或没涨的项目干脆拿掉。于是大家更愿意看自己的 smoke test：pelican 骑车、RTS 一文件实现、crossword、car wash、代码抽取、真实 bug 修复，这些都更接近实际工作。评论里反复出现的结论是，通用 benchmark 已经不够说明问题，只有和自己工作流绑定的 eval 才能判断值不值得切换。
[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]
很多人并不在意每 token 的标价是否没变，而是更在意做同一件事到底要烧多少 tokens、跑多慢、要不要开 fast mode。有人怀疑这类频繁小版本也在帮 Anthropic 管 compute、稳利润、做 IPO 前后的节奏控制。与此同时，GPT-5.5、DeepSeek、Qwen 以及本地 GPU 方案都在挤压价格空间，让“买更贵的 frontier 模型”越来越不像唯一选项。
[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] [来源12] [来源13] [来源14] [来源15] [来源16]
一些评论认为，下一阶段的收益会更多来自把大模型蒸馏成更小、更密集能力的模型，而不是继续堆超大参数。除了 distillation，还常被提到的路径有 MoE、MLA、Medusa、GRAM、self-distillation 和更好的 context 管理。乐观者认为 60B 到 90B 的模型很快就能在 coding 上逼近甚至超过当前 SOTA，悲观者则觉得大模型仍会在广域知识和复杂任务上保持优势。
[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] [来源12] [来源13] [来源14] [来源15] [来源16]
发布文案里强调的“honesty”引发了大量争论，有人欢迎它更愿意指出不确定性和错误，也有人觉得这只是另一种营销词。另一些人抱怨 4.7/4.8 更像 ChatGPT：更会讲空话、更爱自我辩护、甚至老用“我得诚实地说”这种口头禅。讨论最后还滑向了模型是否 sentient/sapient、是否该谈 model welfare，以及把 LLM 拟人化到底是在帮助理解还是在误导。
[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] [来源12] [来源13] [来源14] [来源15]
一个很具体但很烦人的问题是，4.8 相关更新似乎把 Claude Code 的长会话搞坏了，报 `thinking` / `redacted_thinking` 之类的错误。有人只能靠重启、`/rewind`、改 symlink 或手动 pin 到旧版本续命。对很多付费用户来说，这种“刚更新就把工作流弄碎”的体验，比模型能力提升本身更先被感知。
[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] [来源12] [来源13]
Claude Code: Anthropic 的命令行/代理式编码工具，能把模型接到编辑、测试和子代理工作流里。
Adaptive Thinking: Claude Opus 的动态推理模式，会按任务自动调节思考强度和 token 预算。
Extended Thinking: 旧版里更固定、更长的推理模式，常被拿来和 adaptive thinking 对比。
Harness: 围绕模型的工具链和编排层，包括提示模板、子代理、检索、测试和权限控制。
Context window: 模型一次能处理的上下文长度，直接影响长任务、代码库和多轮对话能力。
Distillation: 用大模型生成的数据或信号训练小模型，以获得接近能力但更低推理成本。
MoE: Mixture of Experts，一种只激活部分专家子网络的架构，用来提高效率。
GRAM: Generative Recursive Reasoning Models，评论中讨论的一种递归推理架构，主打更强的潜在推理。
System card: 模型发布时的安全与能力说明文档，通常包含 benchmark、风险和对齐测试结果。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。