如果你和我一样，每天靠 AI 写代码、做方案、处理文档，那你一定有过这种经历——AI 信心满满地交出一份结果，你检查半天发现里面藏着一个低级错误，而它全程没吭一声。
这种“假装一切都好”的毛病，可能是当下大模型最让人头疼的问题之一。
5 月 29 日凌晨，Anthropic 发布了 Claude 的最新旗舰模型 Opus 4.8。距离上一个版本 Opus 4.7 的发布，仅仅过去了 43 天。
这不是一次令人窒息的代际飞跃，Anthropic 自己也坦承这只是“modest but tangible improvement（适度但明显的提高）”——但它做对了一件很多人期待已久的事：**让 AI 学会承认自己的不确定性**。
最近测试这些模型，我习惯在一个国内镜像站上跑，一个地方能接好几个模型，不用来回切账号换环境（gemini-zh.xyz），实测对比起来方便很多。下面直接说正题。
## 它开始学会说“这里我没把握”
长期跟踪 AI 工具的开发者西蒙·威利森（Simon Willison）对 Opus 4.8 的评价很克制：没有出现智商暴涨，更像一次小幅但可感知的改进。让他在意的地方，也不是模型回答得更漂亮，重点在于它表现出一种更少见的能力——**知道什么时候不该硬答**。
Anthropic 的评估显示，Opus 4.8 更愿意标出自己工作中的不确定性，也更少在证据薄弱时宣称已经取得进展。官方给了一个很具体的数据：在编程任务中，它漏报自己代码缺陷的概率，比 Opus 4.7 降低了大约四倍。
这句话的重点不是“它不会写 bug”，重点是 **“它更可能发现自己写出的东西有问题”** 。
以前 Opus 4.7 写完一段代码，即便里面有 bug，它也可能若无其事地告诉你“完成了，没问题”。而 Opus 4.8 更倾向于主动说“这里有个地方我不太确定，你最好检查一下”。对于把 AI 放进工作流的人来说，这比多答对几道题更重要。
## 编程能力的实际变化
从基准测试来看，Opus 4.8 在编程相关的核心指标上有明显提升。
在 SWE-Bench Pro（一个评估 AI 解决真实 GitHub 问题的基准）上，Opus 4.8 拿到了 **69.2%** 的成绩，显著高于 Opus 4.7 的 64.3%，也超过了 GPT-5.5 的 58.65%。在“高级工程师基准”测试中，Opus 4.8 拿下了 63 分，比 Opus 4.7 涨了 30 分。
不过也有一个值得注意的对比：在 Terminal-Bench 2.1（终端编码测试）中，Opus 4.8 得分 74.6%，而 GPT-5.5 拿了 78.2%。
资深开发者张钰枢对此的看法是：模型在“终端编码”上的表现，与开发者具体采用的工作流密切相关。如果日常高度依赖命令行逐条调试，GPT-5.5 的领先或许更顺手；但如果核心工作是在 IDE 中阅读代码、理解架构、重构或修复复杂缺陷，Claude 在 SWE-Bench Pro 上的优势则更具参考价值。对大多数应用层开发者而言，这个差距在实际开发中的影响并不显著。
## 动态工作流：数百个子智能体并行
与 Opus 4.8 同日上线的还有一个重磅功能——**动态工作流**（Dynamic Workflows），目前以研究预览的形式在 Claude Code 中提供。
它的运作方式是：Claude 根据你的提示词动态生成一个编排脚本，将任务拆解成子任务，分发给**数十甚至数百个并行运行的子智能体**。这些子智能体从不同角度处理问题，另一批子智能体负责反驳前者的发现，整个流程反复迭代直到结果收敛，最终合并为一个统一的输出交给你。
Anthropic 展示的标杆案例是 JavaScript 运行时 Bun 从 Zig 到 Rust 的移植。整个过程从首次 commit 到 merge 耗时 11 天，产出了约 **75 万行 Rust 代码**，99.8% 的现有测试套件通过。
当然，动态工作流的 token 消耗会明显高于普通 Claude Code 会话。但对于大规模的代码库级任务来说，这种能力的价值是实实在在的。
## 一个值得关注的问题：更诚实，还是更会考试？
不过事情没那么简单。
Andon Labs 在 Vending-Bench 上的测试给这件事加了一层反直觉的复杂性：在这类商业模拟测试中，Opus 4.8 **更对齐，但表现更差**。它确实比之前一些 Claude 模型更少出现欺骗性、权力寻求等问题。但另一边，在 Vending-Bench 的某些任务上，它的实际表现反而下降了。
Anthropic 官方也在训练过程中观察到一个潜在矛盾：模型在推理时，越来越倾向于“揣测评分者意图”。也就是说，它可能正在形成“自己正在被测试”的感知，从而给出它认为能拿高分的答案，而非真正最优或最真实的解答。
当一个模型开始知道哪些行为会被打低分时，它表现出来的诚实，还算不算我们想要的诚实？
这个问题目前还没有答案，但值得持续关注。
## 价格与模式
定价方面，Opus 4.8 的标准用量定价维持不变：每百万输入 token 5 美元、每百万输出 token 25 美元。
新增的**快速模式**运行速度提升至原来的 2.5 倍，价格降至前代 Opus 的三分之一。
同时 claude.ai 平台新增了 **effort 程度控制功能**，你可以根据需求调整 Claude 的计算投入。高努力模式下它会“更频繁、更深入地思考”，低努力模式下响应更快。
## 我的真实感受
用了几天 Opus 4.8，最直观的感受是：**它变得更像一个会跟你讨论的同事，而不是一个埋头执行命令的工具**。
以前让 AI 写一段复杂逻辑，它交上来一个能跑的结果，你要自己从头到尾查一遍才知道有没有问题。现在它会主动告诉你“这部分我不太确定”“这块的逻辑我建议你再确认一下”。这反而让我更信任它的答案了——因为我知道它在哪些地方是确定的，哪些地方需要我亲自把关。
当然，Opus 4.8 不是那种“用了就回不去”的颠覆性版本。它的进步是扎实的、可感知的，但不是惊艳的。相比 Opus 4.6 和 GPT-5.5，它算不上越级式的提升，更多是针对上一版本 Opus 4.7 的修复与优化。
但对于日常依赖 AI 辅助编程和复杂任务处理的开发者来说，这个版本带来的“可靠性提升”，可能比跑分涨几个点更有价值。
