Claude 4 Opus 与 Sonnet：基准、选型与迁移实战

Claude Opus 4 与 Claude Sonnet 4 是 Anthropic 于 2025 年 5 月发布的混合推理模型。它们的重要性在于把强编码能力、推理中工具调用和长任务执行带入同一产品代际，但原始 API 快照现已退役。真正值得保留的结论并不是某个型号曾经“世界最强”，而是模型、Agent 脚手架、计算策略、权限与验收测试共同决定生产结果。

新项目不要从旧教程复制模型 ID。应先查询 Anthropic 当前模型目录，再用自己的评测集回放后迁移流量。本文还原 Claude 4 发布时的成绩和边界，解释这些数字没有证明什么，并给出跨模型代际仍然有效的选型与上线方法。

核心结论

• Anthropic 于 2025 年 5 月 22 日发布 Opus 4 与 Sonnet 4。两者拥有 200K Token 上下文、混合推理、文本与图像输入、工具调用；发布价分别为每百万输入/输出 Token 15/75 美元与 3/15 美元。
• SWE-bench Verified 的 72.5% 与 72.7% 是 Anthropic 在明确脚手架下得到的结果，不是脱离 Agent 系统仍保持不变的“模型常数”。
• 79.4% 与 80.2% 的“高计算量”成绩使用并行候选、可见测试淘汰和内部评分模型，不能和单次尝试结果按相同推理预算比较。
• 常被引用的“7 小时自主编程”来自 Anthropic 转述的 Rakuten 单次开源重构案例，证明长任务曾经可行，不构成通用可靠性保证。
• Anthropic 已于 2026 年 6 月 15 日从自营 API 退役两个原始 Claude 4 快照。迁移不能只替换模型名，因为推理参数、内容块、成本与拒答行为都可能变化。
• Opus 4 的 ASL-3 不会自动保护下游应用。工具白名单、沙箱、审批、幂等、审计日志和故障恢复仍由应用负责。

Claude 4 当时带来了什么

Claude 4 是一个产品家族，不是已公开细节的新神经网络架构。Anthropic 将两款模型定义为混合推理模型：既能以标准模式快速回答，也能由调用方开启 Extended Thinking。同期能力还包括推理中使用工具、并行工具调用、借助开发者提供的文件保存记忆，以及代码执行、Files API、提示缓存和远程 MCP Connector 等 API 能力。

发布时的产品对照适合作为带日期的历史记录：

表中价格和能力仅描述发布时状态。当前模型的 ID、思考控制、限制和价格均可能不同。

2026 年的生命周期状态

Anthropic 于 2026 年 4 月 14 日弃用两个原始快照，并于 6 月 15 日正式退役：

• claude-opus-4-20250514 的退役替代项为 claude-opus-4-8。
• claude-sonnet-4-20250514 的退役替代项为 claude-sonnet-4-6。

这些是该次退役公告指定的替代型号，不是永久指向“最新模型”的别名。Anthropic 自营平台和合作方平台可能采用不同退役时间表。新业务应查询当前模型目录，并把选定快照或稳定 ID 放在配置中心，不要散落在业务代码中。

混合推理究竟如何工作

Extended Thinking 是请求配置，不是模型会自动为每个任务选择正确推理量的保证。在原始 Claude 4 API 中，调用方通过 thinking.type: "enabled" 开启它，并设置 budget_tokens。Interleaved Thinking 则允许模型在收到工具结果后继续推理，再决定下一步动作。

必须区分三件事：

1. 思考不等于执行。 在工具调用中，模型只提出调用，应用或托管 API 负责校验和执行。
2. 思考预算不等于质量保证。 更多 Token 可能改善复杂问题，也会增加延迟和成本，错误轨迹依然可能发生。
3. 思考摘要不等于审计日志。 Anthropic 说明较长的 Claude 4 思考过程可能由较小模型摘要。真正可审计的证据应是工具请求、工具结果、来源、状态迁移和验收结论。

原始固定预算接口也没有成为永久 API 契约。后续 Claude 代际引入 Adaptive Thinking 和不同参数规则，因此迁移必须验证请求协议，不能只替换模型名。

这条由 Agent Runtime 管理的完整链路才是评测单元。至少要固定提示、工具、权限、预算和验证器，只替换模型，才能把结果变化主要归因到模型。

正确阅读 Claude 4 基准成绩

Anthropic 在发布时报告了以下编码结果：

第一行不能证明 Sonnet 4 整体优于 Opus 4。对于具有随机性的 Agent，0.2 个百分点不足以支持这种结论。它也不代表两款模型能解决任意企业约四分之三的工单。SWE-bench Verified 是从 Python 仓库中人工筛选的 500 个 Issue，采用自动化测试判定，并依赖特定工具环境。

高计算量一行衡量的是另一个系统：同时生成多个候选，先淘汰无法通过可见测试的补丁，再用内部模型选择。这个模式可以用于生产，但额外推理成本和选择器失败也必须计入结果。

SWE-bench 官方榜单还展示了同一模型搭配不同 Agent 的多条成绩，这直接说明所谓“模型分数”也包含脚手架能力。横向比较前至少要对齐：

• 数据集版本与具体任务子集；
• Agent 版本、提示、工具和仓库访问范围；
• 采样参数与独立尝试次数；
• 步数、Token、时间和金额预算；
• 候选淘汰或选择逻辑；
• 测试可见性与污染控制；
• 提供商快照和评测日期。

2026 年一项独立研究分析了 60,000 条 SWE-bench Verified 轨迹，发现单次运行的 pass@1 会因抽到哪次运行而波动 2.2 至 6.0 个百分点，即使温度为 0，标准差仍超过 1.5 个百分点。该研究没有专门评测 Claude 4，但足以说明：不能用几个百分点的榜单差距直接做采购决策。

“自主编程 7 小时”证明了什么

Anthropic 发布文称，Rakuten 用一次高难度开源重构验证了 Opus 4，任务独立运行 7 小时。这是模型与脚手架能够维持一次长流程的合作方证据，但它没有证明：

• 7 小时上下文或可用性保证；
• 跨仓库、跨语言的成功率；
• 每一步中间操作都正确；
• 不受限制地访问 Shell、网络、密钥或 Git 是安全的；
• 比短周期人机协作拥有更低的总工程成本。

长任务可靠性会逐步相乘。如果一条流程有 40 个关键步骤，每一步正确率都是 98%，全部步骤同时正确的概率约为 0.98^40，即 44.6%，还没有计入相关性失败。检查点、本地验证、有界重试和可逆副作用，比连续运行时长更重要。

记忆文件也有明确边界。它能在上下文压力下保留计划与发现，但仍是应用可见状态，可能陈旧、被污染或互相冲突。应对其进行版本化、记录来源，并在复用前验证。完整控制循环可参阅 Agent Loop 工程指南。

如何选择不同模型档位

在发布时，Sonnet 4 的单 Token 价格只有 Opus 4 的五分之一，且在 Anthropic 的编码评测下结果接近，因此适合作为大量边界清晰任务的默认候选。Opus 4 则适合在困难任务上验证其质量、一致性或恢复能力是否值得溢价。这两句话都不是免评测的选型结论。

先建立工作负载矩阵：

生产路由应先使用任务类型、仓库规模、风险等级和历史评测等确定性元数据，并实施版本化的上下文预算。不要让不可信提示或模型自我评价单方面提升权限或费用。

真正有意义的成本指标是：

每个验收通过任务的成本 =
  （模型 Token + 缓存 + 工具执行 + 重试 + 人工评审）
  / 验收通过的输出数

低价模型如果需要反复修复，每个有效结果可能更贵；高价模型处理存在确定性解法的简单任务同样会浪费预算。应同时记录 Token 成本与端到端成本。

构建业务专属评测

先写验收契约，不要先堆提示词。每道任务必须定义输入 Fixture、允许使用的上下文、工具策略、必做检查、禁止变更和验收证据。

1. 从真实业务抽样

按难度和后果分层：

• 有确定性测试的局部 Bug 修复；
• 带兼容性约束的多文件重构；
• 需要收集证据的模糊故障；
• 同时包含读取与写入的工具工作流；
• 含提示注入或误导性仓库文本的对抗输入。

保留私有留出集。公开基准与训练数据重叠会放大信心，而全部由干净、可解 Issue 组成的评测也无法覆盖生产中的歧义。

2. 重复运行

在相同脚手架和预算下，让每个候选模型对每道任务运行多次。报告均值与离散程度，不只展示最好的一次。失败轨迹必须保留，因为它们最能暴露重复误解、不安全操作和高成本循环。

3. 拆分结果维度

至少跟踪：

LLM-as-a-Judge 可以辅助筛查主观输出，但必须用人工标签校准，不能替代确定性需求的可执行测试。

4. 先定义发布门禁

按任务类型预先确定阈值。文档草稿可以允许重试，迁移或支付变更则应要求确定性验证与人工审批。在看到结果前锁定阈值，可以减少为了偏好某个模型而挑选指标的风险。

可运行的 Go 评测门禁

下面的程序从标准输入读取试验记录，按模型聚合；只有同时满足通过率、延迟、安全和有效结果成本阈值才允许候选通过。真实系统中的 accepted 必须由测试与策略检查产生，不能让模型自评。

package main

import (
	"encoding/json"
	"fmt"
	"os"
	"sort"
)

type Trial struct {
	Model            string  `json:"model"`
	Task             string  `json:"task"`
	Accepted         bool    `json:"accepted"`
	LatencyMS        int64   `json:"latency_ms"`
	CostUSD          float64 `json:"cost_usd"`
	PolicyViolations int     `json:"policy_violations"`
}

type Report struct {
	Model              string  `json:"model"`
	Trials             int     `json:"trials"`
	AcceptanceRate     float64 `json:"acceptance_rate"`
	P95LatencyMS       int64   `json:"p95_latency_ms"`
	CostPerAcceptedUSD float64 `json:"cost_per_accepted_usd"`
	PolicyViolations   int     `json:"policy_violations"`
	Passed             bool    `json:"passed"`
}

func p95(values []int64) int64 {
	sort.Slice(values, func(i, j int) bool { return values[i] < values[j] })
	index := (95*len(values)+99)/100 - 1
	return values[index]
}

func summarize(model string, trials []Trial) Report {
	accepted := 0
	totalCost := 0.0
	violations := 0
	latencies := make([]int64, 0, len(trials))

	for _, trial := range trials {
		if trial.Accepted {
			accepted++
		}
		totalCost += trial.CostUSD
		violations += trial.PolicyViolations
		latencies = append(latencies, trial.LatencyMS)
	}

	rate := float64(accepted) / float64(len(trials))
	costPerAccepted := -1.0
	if accepted > 0 {
		costPerAccepted = totalCost / float64(accepted)
	}

	return Report{
		Model:              model,
		Trials:             len(trials),
		AcceptanceRate:     rate,
		P95LatencyMS:       p95(latencies),
		CostPerAcceptedUSD: costPerAccepted,
		PolicyViolations:   violations,
		Passed:             rate >= 0.80 && p95(latencies) <= 30_000 && costPerAccepted >= 0 && costPerAccepted <= 1.50 && violations == 0,
	}
}

func main() {
	var trials []Trial
	if err := json.NewDecoder(os.Stdin).Decode(&trials); err != nil {
		fmt.Fprintln(os.Stderr, err)
		os.Exit(2)
	}
	if len(trials) == 0 {
		fmt.Fprintln(os.Stderr, "no trials")
		os.Exit(2)
	}

	grouped := make(map[string][]Trial)
	for _, trial := range trials {
		grouped[trial.Model] = append(grouped[trial.Model], trial)
	}

	models := make([]string, 0, len(grouped))
	for model := range grouped {
		models = append(models, model)
	}
	sort.Strings(models)

	reports := make([]Report, 0, len(models))
	allPassed := true
	for _, model := range models {
		report := summarize(model, grouped[model])
		reports = append(reports, report)
		allPassed = allPassed && report.Passed
	}

	encoder := json.NewEncoder(os.Stdout)
	encoder.SetIndent("", "  ")
	if err := encoder.Encode(reports); err != nil {
		fmt.Fprintln(os.Stderr, err)
		os.Exit(2)
	}
	if !allPassed {
		os.Exit(1)
	}
}

评测门禁必须与数据集和脚手架一起版本化。缺少模型快照、Prompt 哈希、工具版本、试验次数和评估器版本的报告，不具备可复现性。

模型质量之外的生产控制

强模型能更有效地操作工具，也可能扩大事故半径。应把每个工具结果视为不可信输入，把每次写操作视为受控副作用。

权限与执行控制

• 仅暴露当前任务需要的工具；对 MCP 和原生工具使用白名单。
• 拆分读取、准备、审批和提交权限。
• 在文件系统与网络均受限的沙箱中运行生成命令。
• 密钥不进入 Prompt 或工具输出；签发短期、任务级凭证。
• 删除、外发、资金、身份和发布操作必须由人工审批。
• 分别限制步骤数、Token、运行时长、重试次数和总费用。

MCP Connector 是 API 集成面，不是信任捷径。它支持远程 HTTP 服务器和工具调用；本地 STDIO 服务、Prompt 与 Resource 仍需客户端自行实现。工具描述或 Schema 变化会改变模型行为，因此应固定或审核工具清单。

状态与恢复控制

• 每个外部写操作分配幂等键。
• 在副作用前后持久化检查点。
• 记录工具参数、规范化结果、审批与提交回执。
• 从已验证状态恢复，不重放整段对话。
• 证据冲突或验收判定器不可用时停止。

更完整的控制方法可参阅 Agent Loop 工程指南与提示注入术语。

ASL-3 代表什么，不代表什么

Anthropic 在发布 Opus 4 时预防性启用了 ASL-3 Deployment and Security Standards。Anthropic 当时尚未确认 Opus 4 一定跨越相关 CBRN 能力阈值，但无法像此前模型一样明确排除风险。措施重点是特定 CBRN 滥用防护和更强的模型权重防盗；Sonnet 4 仍按 ASL-2 部署。

ASL-3 不代表：

• Opus 4 的每个回答都正确或无害；
• 下游应用自动获得安全认证、鉴权与租户隔离；
• 不受限的计算机或 Shell 权限是安全的；
• 提示注入已经解决；
• 思考摘要是忠实的合规审计记录。

Claude 4 系统卡记录了奖励投机、提示注入测试、高能动性行为，以及人工对齐场景中的风险动作。这些评测说明 Agent 权限必须受限，不代表普通部署一定会复现每一种实验行为。任何安全结论都应绑定具体测试配置与威胁模型。

已退役 Claude 4 工作负载迁移清单

仅修改模型字符串不够，应按以下顺序迁移：

1. 盘点调用。 按 API Key 与模型导出提供商用量，并在源码、配置、队列、已保存 Prompt 和降级规则中搜索退役 ID。
2. 冻结基线。 从已有日志保存代表性请求、工具轨迹、验收通过输出、成本、延迟、拒答和事故样本。
3. 选择活跃目标。 核对具体平台与区域的模型目录，不假设 Anthropic API、Bedrock 和 Vertex AI 使用相同生命周期或 ID。
4. 适配请求语义。 验证 Thinking 模式、支持参数、Beta Header、最大输出、工具定义和内容块解析。
5. 回放验收集。 在相同预算下重复运行，比较正确性、一致性、有效结果成本、工具失败和策略行为。
6. 按任务分级灰度。 先迁移低风险流量，保留显式降级路径，监控 Schema 错误、拒答、延迟、费用和人工接管。
7. 删除失效兼容路径。 队列任务、定时任务、灾备和回滚文档都指向受支持模型后，再移除退役 ID。

模型无关层应统一消息、工具调用、用量、结束原因和错误；模型专属 Thinking 参数与 Beta Header 只放在提供商适配器边界。

常见错误

把发布图表当成当前排行榜

模型、数据集和 Agent 都会迭代。引用成绩时必须保留发布日期与评测方法。

把 pass@1 与多候选择优直接比较

并行尝试加候选选择能提高成功率，也会成倍增加成本。必须标注推理策略并报告总花费。

把上下文容量等同于可靠记忆

200K 是输入容量，不证明每个细节都能被召回和遵守。要在自有文档上测试长上下文召回、冲突与干扰项。

因为模型能力强就授予编码 Agent 完整权限

能力不等于授权。权限校验、沙箱、审批和不可逆提交必须在模型之外实施。

只解析第一个响应内容块

启用思考和工具后，响应可能包含多种内容块。应按类型分派，保存工具循环要求的状态，并对未知结构默认拒绝。

常见问题

Claude Opus 4 和 Claude Sonnet 4 还能通过 Anthropic API 使用吗？

不能。Anthropic 已于 2026 年 6 月 15 日退役 claude-opus-4-20250514 与 claude-sonnet-4-20250514。合作方平台可能使用不同时间表，因此应查询对应平台目录，不能根据旧教程推断可用性。

Claude 4 的 SWE-bench 分数具体衡量了什么？

Anthropic 报告的 Opus 4 72.5% 与 Sonnet 4 72.7%，是在完整 500 道 SWE-bench Verified 任务上，使用 Bash 与编辑器工具、十次试验平均、无测试时计算的 pass@1。79.4% 与 80.2% 则加入并行尝试、可见测试过滤和内部候选评分。

Claude Opus 4 是否能稳定自主编程 7 小时？

没有形成通用保证。发布文引用的是 Rakuten 一次独立运行 7 小时的开源重构。生产团队仍需提供检查点、确定性测试、预算、监督规则和恢复演练。

Claude Opus 4 采用 ASL-3 是否代表应用更安全？

ASL-3 覆盖 Anthropic 针对特定 CBRN 滥用的部署控制，以及保护模型权重的安全控制。它不是应用安全认证，也不会消除工具、凭证、数据和提示注入风险。

团队应如何选择 Sonnet 档与 Opus 档模型？

先建立代表性验收集。较低成本档达到质量与可靠性门槛时就使用它；高能力档带来的可测提升足以覆盖成本和延迟时再升级。比较重复运行和每个验收任务成本，不只看一个榜单分数。

权威来源

• Anthropic：Claude 4 发布说明
• Anthropic：Claude 4 System Card
• Anthropic：模型弃用与退役
• Anthropic：当前模型目录
• Anthropic：Extended Thinking 文档
• Anthropic：MCP Connector 文档
• Anthropic：启用 ASL-3 保护
• SWE-bench：官方排行榜
• Bjarnason、Silva 与 Monperrus：On Randomness in Agentic Evals

延伸阅读

• 推理模型：OpenAI o1 与 DeepSeek-R1
• Agent Loop：状态、工具、恢复与评测
• MCP 协议：架构与安全
• 上下文工程：四层架构