Anthropic 昨天发布了最新旗舰模型 Claude Opus 4.8，官方公告称其在编码、袋里任务和专业工作方面表现更出色，具备持续处理长期任务所需的稳定性和自主性。SuperCLUE 团队基于中文大模型测评基准体系对 Claude Opus 4.8 进行了全面测试，以下是具体的测评结果与分析。

一、SuperCLUE 智能指数

这个智能指数是一个综合得分，涵盖幻觉控制、数学推理、科学推理、精确指令遵循、代码生成、智能体（任务规划）六种任务，相当于看谁才是真正的“六边形战士”。即使在中文评测环境下，“御三家”依然牢牢占据领先位置。Gemini 后来居上，老牌技术公司的底蕴确实深厚。DeepSeek 紧随其后，国产模型和芯片随时有可能像汽车行业那样，在新的领域从追赶者变为领路人。这个榜单目前还未纳入新出的小米模型 Mimo，但从实际体验来看，它的表现也不错。

图片

二、模型象限图

从应用能力和推理能力两个维度绘制各家大模型的擅长领域。新出的 Hy3 位于最末。

图片

三、性价比区间分布

这部分的结论很直观：DeepSeek-V4-Pro 最具性价比。作为全球首家宣布降价四分之一的模型平台，它让大家能用上便宜又好用的 AI。

图片

四、推理效能区间分布

推理速度最快的仍然是“御三家”包揽前三。

图片

五、总体表现（2026年5月）

图片

测评结果与分析

一、代码生成：Claude-Opus-4.8 以 83.58 分位列第一

领先 Gemini-3.1-Pro-Preview（81.47 分）超过 2 分，相比上个版本（Claude-Opus-4.7）提升超过 4.5 分。在 SWE（软件工程）子任务中表现尤为亮眼，取得 73.33 分，占据榜单第一，相比 Opus 4.7 提升较大，同时在独立函数生成和 Web Coding 子任务中均处于头部位置。

二、幻觉控制：87.48 分，榜单第一

相比 Opus 4.7 提升超过 6 分。

三、科学推理：77.19 分，榜单第一

相比 Opus 4.7 提升 8.77 分。

四、Claude-Opus-4.8 与 Claude-Opus-4.7 对比

新版在幻觉控制、科学推理和代码生成上均有较大幅度提升。其中幻觉控制从 81.11 分提升到 87.48 分（+6.37 分），科学推理从 68.42 分提升至 77.19 分（+8.77 分），代码生成从 79.01 分提升至 83.58 分（+4.57 分）。但在智能体（任务规划）、数学推理和指令遵循方面有一定下降，尤其是指令遵循任务，从 56.19 分降至 44.76 分，下降超过 11 分。

五、推理速度和性价比无明显变化

Claude-Opus-4.8 的推理耗时（97.76 秒/题）与上个版本（99.34 秒/题）几乎持平，依旧位于高效能区间。API 价格也和上个版本（74.38 元/百万 Tokens）保持一致，仍处于低性价比区间。

如今新模型的发布周期从半年缩短到数月，再到一个月，个别版本甚至只间隔几周。大家似乎都已经习以为常了——时不时看到某家发布新模型，最多看一眼，日常该用哪个还是继续用。这次第三方机构对主流大模型的评测结果，基本和日常使用体感差不多。至于 6 月份的 DeepSeek 新版本，值得关注。