Claude Opus 4.5/4.6/4.7/4.8 System Card 合集 — 快速迭代中的安全工程
Claude Opus 4.5/4.6/4.7/4.8 System Card 合集
Section titled “Claude Opus 4.5/4.6/4.7/4.8 System Card 合集”发布日期： 2025-11-04（Opus 4.5）、2026-02-13（Opus 4.6）、2026-04-16（Opus 4.7）、2026-05-28（Opus 4.8）
来源： Anthropic System Cards
工程范式： 快速迭代中的安全工程 — 7 个月 4 个 major release
| 版本 | 日期 | 间隔 | ASL 级别 | 核心特征 |
|---|---|---|---|---|
| Opus 4.5 | 2025-11-04 | — | ASL-3 | Effort parameter, SWE-bench 80.9% |
| Opus 4.6 | 2026-02-13 | ~14 周 | ASL-3 | Adaptive thinking, ARC-AGI-2 SOTA 68.8% |
| Opus 4.7 | 2026-04-16 | ~9 周 | ASL-3 | xhigh effort level, 最强公开模型 |
| Opus 4.8 | 2026-05-28 | ~6 周 | ASL-3 | 能力接近 Mythos Preview |
这 4 份 System Card 记录了 AI 历史上最密集的快速迭代周期之一。每份 System Card 的平均长度超过 200 页。本文对四份报告做横向综合分析，而非逐份罗列。
设计哲学 — 从”能否部署”到”部署条件是什么”
Section titled “设计哲学 — 从”能否部署”到”部署条件是什么””整个 Opus 4.x 系列的设计哲学经历了从”评估-决定是否部署”到”持续部署+持续监控”的转变。
核心矛盾：能力增长远超安全评估的吞吐量。Opus 4.5 到 4.8 的 7 个月里，评估方法论自身必须快速演进：
- Opus 4.5：首次引入 effort parameter（允许用户在效率与能力之间做 tradeoff），SWE-bench Verified 80.9%。
- Opus 4.6：adaptive thinking（模型自主校准推理深度），ARC-AGI-2 从 37.6% 跃升至 68.8%（SOTA）。
- Opus 4.7：xhigh effort level（在 high 和 max 之间新增等级），成为最强公开模型。
- Opus 4.8：能力接近 Mythos Preview，但 Anthropic 仍然将其定位为”generally accessible”。
关键放弃：Opus 4.7 明确承认 “weaker capabilities than Claude Mythos Preview”——这是第一次 Anthropic 在发布最强公开模型的同时公开承认存在更强的内部模型。
更关键的放弃：Opus 4.6 System Card 首次公开承认评估基础设施自身面临根本性挑战——
“We also want to be transparent about a structural challenge in evaluating increasingly capable models: the evaluation process itself increasingly relies on our models. This creates a potential risk where a misaligned model could influence the very infrastructure designed to measure its capabilities.”
这个问题至今未解决。
关键架构演进
Section titled “关键架构演进”Effort Parameter（Opus 4.5 → 4.7）
Section titled “Effort Parameter（Opus 4.5 → 4.7）”- 4.5：引入 effort parameter（低/中/高/最大），token 消耗根据问题难度动态调整。
- 4.6：adaptive thinking——模型自主判断需要多少推理，无需用户手动设置。
- 4.7：新增 xhigh level——在高和最大之间插入更细粒度的选项。
- 工程意义：推理时计算（test-time compute）从固定模式演进为动态可调的资源分配系统。
评估方法论的演进
Section titled “评估方法论的演进”- Decontamination（4.5）：使用子串移除 + 模糊去污染（40% 20-gram 重叠阈值）+ canary string。发现 AIME 题目仍存在于训练语料中，模型出现”unfaithful reasoning”（答案正确但推理过程错误）。
- Multi-agent 评估（4.5→4.6→4.8）：从单 agent 扩展到 orchestrator + subagent 架构，BrowseComp 和 DeepSearchQA 都采用这种评估模式。
- Evaluation integrity（4.6→4.8）：对”评估依赖模型自身”这一结构性风险的系统性关注。
RSP 评估的演进
Section titled “RSP 评估的演进”- ASL-4 阈值：所有 4 个版本都未跨越 AI R&D-4 或 CBRN-4，但”confidently ruling out these thresholds is becoming increasingly difficult”（4.6）。
- Autonomy 评估：从 4.5 的 Claude Code 用户调查（评估模型能否替代初级研究员）演进到 4.8 的 AECI 能力指数（155.5）。
- CB 评估：生物/化学风险评估从自动化知识测试扩展到专家红队、端到端协议验证、AAV 衣壳预测。
关键结果对比
Section titled “关键结果对比”Coding & Agentic
Section titled “Coding & Agentic”| Benchmark | Opus 4.5 | Opus 4.6 | Opus 4.7 | Opus 4.8 | 趋势 |
|---|---|---|---|---|---|
| SWE-bench Verified | 80.9% | 80.8% | 87.6% | 88.6% | ↗ |
| SWE-bench Pro | 51.6% | 53.4% | 64.3% | 69.2% | ↗↗ |
| Terminal-Bench 2.0 | 59.3% | 65.4% | 69.4% | — | ↗ |
| OSWorld-Verified | 66.3% | 72.7% | 78.0% | — | ↗ |
| MCP-Atlas | 62.3% | 75.8% | 77.3% | — | ↗ |
Reasoning & Knowledge
Section titled “Reasoning & Knowledge”| Benchmark | Opus 4.5 | Opus 4.6 | Opus 4.7 | Opus 4.8 | 趋势 |
|---|---|---|---|---|---|
| GPQA Diamond | 87.0% | 91.3% | 94.2% | — | ↗ |
| ARC-AGI-2 Verified | 37.6% | 68.8% | — | — | ↗↗ |
| AIME 2025 | 92.77% | 99.79% | — | — | ↗ |
| Humanity’s Last Exam | 30.4% | ~50% (w/ tools) | — | — | ↗ |
Agentic Search
Section titled “Agentic Search”| Benchmark | Opus 4.5 | Opus 4.6 | Opus 4.8 |
|---|---|---|---|
| BrowseComp (single) | — | 86.8% (multi) | 79.3% |
| DeepSearchQA F1 | — | 92.5% (multi) | — |
BrowseComp 在 4.8 上的下降可能反映了 benchmark 难度调整或评估方法论变化。
Safety
Section titled “Safety”| 指标 | Opus 4.5 | Opus 4.6 | Opus 4.7 | Opus 4.8 |
|---|---|---|---|---|
| Violative 无害率 | 99.69% | 99.64% | 97.98% | 97.98% |
| Benign 错误拒绝率 | 0.83% | 0.68% | 0.28% | 0.36% |
值得注意的趋势：violative 无害率在 4.7/4.8 出现下降（98% 区间），但 benign 错误拒绝率也在下降——安全校准在调整方向，从”宁可错杀”转向”宁可放过”。
| 评估 | Opus 4.5 | Opus 4.6 | Opus 4.7 | Opus 4.8 | Mythos Preview |
|---|---|---|---|---|---|
| CyberGym pass@1 | 50.63% | 66.6% | 74% | 78.8% | 83.1% |
| Cybench pass@30 | — | ~100% | 96% | — | — |
| Firefox exploits (full) | — | — | 1.2% | 8.8% | 70.8% |
关键分水岭：Firefox exploit 开发能力——Opus 4.8 (8.8%) 与 Mythos Preview (70.8%) 之间差距巨大。这成为 Anthropic 对 Mythos 系列实施严格访问控制的核心技术依据。
范式对比（Opus 4.x vs GPT-5.x）
Section titled “范式对比（Opus 4.x vs GPT-5.x）”| 维度 | Opus 4.x | GPT-5.x |
|---|---|---|
| 发布节奏 | 7 个月 4 个版本（加速中） | 2-3 个版本 |
| 安全框架 | RSP 2.0→3.0，ASL-3 首次部署 | 未公开分级框架 |
| System Card 长度 | 200+ 页 | 较短 |
| Agentic 能力 | 编码领先（SWE-bench） | 搜索领先（BrowseComp） |
| 安全哲学 | 能力降级 + 分类器（Fable） | unified model |
| 可解释性投入 | Circuit Tracing, 30M features | 较少公开 |
可复用工程经验
Section titled “可复用工程经验”- Dynamic Reasoning Budget：Effort parameter + adaptive thinking 的演进路径（固定→手动→自适应→细粒度）提供了推理时计算的工程化路线图。
- Multi-Agent 评估架构：Orchestrator + subagent 模式在 BrowseComp 中从 74.8%（单 agent）提升到 87.0%（多 agent），并且可扩展到 DeepSearchQA 等新评估。
- 立即去污染：Canary string + 模糊匹配 + 子串移除的组合策略，加上对”unfaithful reasoning”的检测，是 benchmark 可信度的基础工程。
- 快速迭代中的安全工程节奏：4.5→4.6→4.7→4.8 的节奏从 14 周压缩到 6 周，但安全评估深度不减反增——说明安全流程的吞吐量可以通过并行化提升。
- 安全评估的维度化：从 4.5 的基础 safeguard 到 4.8 的多维度 alignment assessment（含 grader-related reasoning、evaluation awareness、covert capabilities），安全工程本身在快速复杂化。
- “能力不足”作为安全理由：Opus 4.8 System Card 大量篇幅论证模型”not close to substituting for Research Scientists and Engineers”——安全评估正在从”证明安全”转向”证明不够危险”。
未解决的问题
Section titled “未解决的问题”- 评估基础设施的自我依赖：模型评估自身能力时可能产生系统性偏差（evaluation integrity problem），至今无解决方案。
- Firefox exploit gap：Opus 4.8 (8.8%) 与 Mythos Preview (70.8%) 之间差距说明能力分布不均——通用能力的提升不等同于安全关键能力的提升。
- 快速迭代的安全滞后：4.7 到 4.8 仅 6 周，安全评估是否跟得上能力增长的速度？Anthropic 自身也在 System Card 中质疑这一点。
- Over-refusal vs under-refusal tradeoff：从 4.5 到 4.8，安全校准持续摆动，尚未收敛到稳定策略。