【导读】Claude Opus 4.7 发布不到一个月,一位开发者在 X 上直言"big disappointment"——跟 GPT-5.5 比,它更像蒸馏版,还要烧掉更多 reasoning tokens。评论区迅速分成两派:一方认为 Anthropic 把方向搞反了,另一方认为长任务场景下多花 token 可能是值得的。第三方数据显示 GPT-5.5 确实在速度和简洁度上领先,但 Arena 榜单里 Opus 4.7 仍占据多个第一。大模型竞争的战场,正在从"谁的分高"转向"谁让人更省心"。
"Big disappointment"——一个开发者的当面差评
2026 年 5 月 11 日,X 用户 Haider(@haider1)发了一条帖子,把 Claude Opus 4.7 和 GPT-5.5 放在天平上称了一遍。
结论?"大失望。"
"opus 4.7 is a big disappointment for me. unlike gpt-5.5, it feels more like a distill or smaller version of a bigger model. maybe mythos?"
「Opus 4.7 让我很失望。跟 GPT-5.5 不同,它更像某个更大模型的蒸馏版或缩小版。也许是 Mythos?」
不只是体感问题。他还提到了一个更刺眼的细节:
"it needs far more reasoning tokens than earlier opus models, which makes it look like anthropic is moving in the wrong direction"
「它比早期 Opus 需要多得多的 reasoning tokens,这让 Anthropic 看起来像是在朝错误方向走。」
▲ Haider 在 X 上发帖称 Opus 4.7 是"大失望",引发开发者圈讨论
评论区很快热了起来。
评论区两极分化:token 烧得多,到底换来了什么?
争论焦点集中在一个核心问题上:Opus 4.7 消耗更多 reasoning tokens,输出质量真的同比提升了吗?
开发者 @Fiducial_AI 指出,如果 token 增加没有带来同等的质量提升,那么在长会话和 Claude Code 等场景下,成本曲线会迅速变得"brutal"(残酷)。
@HadiInTech 的观点更直接:开发者最敏感的两个指标——latency 和 cost。如果需要更多 reasoning tokens 才能达到类似结果,真实应用很难承受。
@ptr_steve 怀疑这可能是 overtraining 或 regression to the mean——模型在通用任务上反而更容易出现误解,增量指导和 persona prompt 都无法稳定修正。
但也有人给出了完全相反的判断。
@cdiamond 认为,reasoning-heavy 可能对应的是另一种优化目标:用延迟换长尾可靠性。关键指标也许应该看 p95 success rate,单任务 token 数反而没那么重要。
@SteadtlerA58435 给出了最冷静的判断:
"latest model isnt always the best depending on your use case."
「最新的模型未必总是最好的,取决于你的用例。」
Anthropic 怎么定义 Opus 4.7?官方说了三件事
回到官方口径。Anthropic 在 4 月 16 日发布 Opus 4.7 时,给出了明确定位:
第一,它是当前最强的 GA 模型,在高级软件工程任务上相对 Opus 4.6 有显著提升,尤其在最难的任务上表现突出。
第二,它强调长期任务的严谨性——更注意指令、处理复杂长期任务更一致,并且会在给出结论前主动验证输出。
第三,也是最容易被忽略的一点:Anthropic 在同一公告中承认,Opus 4.7 的广泛能力不如 Claude Mythos Preview。
"although it is less broadly capable than our most powerful model, Claude Mythos Preview"
「虽然它的广泛能力不如我们最强的模型 Claude Mythos Preview。」
▲ Anthropic 官方发布页:Claude Opus 4.7 已 GA,但明确低于 Mythos Preview
Haider 帖子里那句"maybe mythos?"恰好点中了一个微妙的产品定位问题——用户把 Opus 4.7 当成 Anthropic 的绝对旗舰来期待,但官方的真正王牌是尚未全面开放的 Mythos Preview。
期待和现实之间的落差,成了吐槽的燃料。
GPT-5.5:OpenAI 正在争夺"默认模型"的位置
再看对面。
OpenAI 的 GPT-5.5 在 4 月 23 日正式亮相,被官方定位为"面向复杂推理和编码的旗舰模型"。
OpenAI 文档页面开头就建议:
"If you're not sure where to start, use gpt-5.5"
「如果你不确定从哪个模型开始用,选 GPT-5.5。」
▲ OpenAI 文档直接把 GPT-5.5 标为 Latest,建议作为复杂任务的默认选择
CNBC 对 GPT-5.5 发布的报道里,Greg Brockman 着重强调了一个能力:"less guidance"——模型能在更少指导下完成更多事情,面对不明确的问题能自己想出下一步该做什么。
"how much more it can do with less guidance."
「它能在更少指导下完成更多事情。」
这恰好打中了 Haider 对 Opus 4.7 吐槽的反面:一个需要更多 reasoning tokens 和 hand-holding 的模型 vs 一个强调"少操心"的模型。
用户的体感天平,自然会偏向后者。
第三方数据怎么说?
感受归感受,来看数据。
Artificial Analysis 的模型对比提供了一组可量化的参考:
|
|
|
|
|---|---|---|
|
|
|
#1 |
|
|
|
60 |
|
|
|
56.7 tok/s |
|
|
|
75M |
▲ Artificial Analysis 评估页面:Opus 4.7 在 146 个模型中综合排名第 3,被评为"slower than average and very verbose"
▲ Artificial Analysis 评估页面:GPT-5.5 在 146 个模型中综合排名第 1
这组数据与用户体感高度吻合:GPT-5.5 更快、更简洁、智能评分更高;Opus 4.7 更慢、更啰嗦。
但有两个细节需要注意:
一,价格并非单向碾压。Opus 4.7 的输出单价($25/MTok)低于 GPT-5.5($30/MTok)。但 Opus 4.7 的 verbosity 更高——真实使用中,总花费取决于"单价 × 输出长度 × 重试率"的综合计算,只看价目表意义有限。
二,Artificial Analysis 只是众多评测口径之一,不等于所有任务场景下的定论。
但 Opus 4.7 真的全面落后了吗?Arena 的答案是"没有"
如果只看上面这组数据,容易得出"Opus 4.7 不行"的结论。但 Arena 竞技场榜单给出了不同的图景。
在 Arena 的多个分类榜单中,Claude Opus 4.7(thinking 模式)仍然占据头部位置:
- Text 榜单
:claude-opus-4-7-thinking#1,GPT-5.5-high #8 - WebDev 榜单
:claude-opus-4-7-thinking#1,claude-opus-4-7 #2,GPT-5.5-high #9 - Vision、Document 榜单
:Opus 4.7 同样排在前列
这说明,用户的"失望"更多集中在日常交互的体感层面——速度、token 效率、响应简洁度;而在需要深度推理的特定任务上,Opus 4.7 的实力仍然在。
问题在于:大多数用户的日常使用场景,恰恰就是前者。
大模型竞争进入「体验显微镜」阶段
这场争论背后,核心命题已经变了。
当 GPT-5.5 和 Opus 4.7 这个级别的模型都足够强时,用户的比较维度开始变细:每个任务花多少 token?需要多少次手动纠正?长会话到第几轮开始丢上下文?价格是否值得?
Anthropic 把 Opus 4.7 设计成了一个更严谨、更擅长复杂长期任务、会主动验证输出的模型。这些特质在 benchmark 和竞技场里能拿高分,但在日常 coding、聊天、快速问答里,用户感知到的可能只有"慢、啰嗦、贵"。
OpenAI 的 GPT-5.5 走了另一条路——强调"less guidance",让模型在更少提示下完成更多工作。这种"省心感"在日常场景里更容易被用户记住。
最后回到那条帖子。Haider 的吐槽未必是严格评测,但它戳中了一个真实痛点:当模型都够聪明时,决定用户选谁的,可能就是那几秒的等待时间、那多出来的几千个 token、和那种"我不需要多解释它就懂了"的感觉。
大模型的下一场竞争,已经从"能不能做"转向了"用起来爽不爽"。
— END —

