Claude Opus 4.8：AI 学会说"我不确定"，为什么这比跑分更重要？

0%。

这是 Claude Opus 4.8 在"虚报结果"测试中的得分。零。一个完美的零。

什么意思？就是当这个模型遇到有缺陷的代码、错误的推理、或不确定的结论时，它不再假装一切正常。它是 Claude 家族第一个在这项测试中拿到 0% 的模型。

你可能会说：跑分呢？编程能力呢？推理能力呢？别急，那些也涨了——SWE-bench Pro 从 64.3% 涨到 69.2%，USAMO 2026 数学竞赛得分从 69.3% 飙到 96.7%。这些数字当然重要。

但我认为，那个 0% 才是 Opus 4.8 真正的王炸。

为什么？因为一个会"说谎"的天才，比一个诚实的普通人更危险。你越是依赖 AI 做关键决策，AI 的"诚实度"就越是你的生死线。

今天我们来聊聊：Opus 4.8 到底做了什么？它的"诚实革命"为什么比跑分升级更值得你关注？以及——它背后那个名叫 Mythos 的影子，预示着什么？

跑分到底涨了多少？

先把基本面摆出来。毕竟跑分这东西，虽然不是全部，但它是最快的"体检报告"。

Opus 4.8 的核心数据提升如下：

基准测试	Opus 4.7	Opus 4.8
SWE-bench Pro（编程）	64.3%	69.2%
USAMO 2026（数学竞赛）	69.3%	96.7%
多学科工具推理	54.7%	57.9%
知识工作评分	1753	1890
Agent 金融分析	51.5%	53.9%
Agent 计算机操作	82.8%	83.4%
Online-Mind2Web（浏览器）	—	84%（超 GPT-5.5）

几个值得注意的点。

第一，数学能力的跳跃最夸张——从 69.3% 到 96.7%。这不是"稳步提升"，这是"质变"。USAMO 是美国数学奥林匹克选拔赛级别的题目，能拿到 96.7%，意味着 Opus 4.8 的数学推理能力已经接近顶尖人类选手。

第二，编程能力从 64.3% 跃升到 69.2%，将近 5 个百分点。在 SWE-bench Pro 这种"给你一个真实的 GitHub issue，你来修 bug"的测试中，5 个点的提升意味着模型能搞定更多复杂的、需要跨文件理解的真实工程任务。

第三，浏览器 Agent 评分 84%，超过了 GPT-5.5。这个 Online-Mind2Web 基准测的是 AI 能不能像人一样操作网页——点击按钮、填表单、在多个页面间跳转完成任务。84% 意味着 Opus 4.8 在"替你操作电脑"这件事上，已经是当前最强的。

数据说话

Anthropic 特别提到了一个指标：工具效率。Opus 4.8 完成同样的任务，调用工具的步骤更少。这意味着它不只是"更聪明"了，而是"更高效"了——用更少的 API 调用得到同样的结果，直接省钱。

但如果你只看到跑分提升，那你只看到了 Opus 4.8 的一半。

真正让我觉得"这次不一样"的，是另一组数字。

"诚实"到底难在哪里？

让我先给你讲一个场景。

你让 AI 帮你写一段后端接口代码。它写完了，信心满满地说："代码已完成，逻辑正确，可以直接使用。"你复制过去跑了一下——报错。你回来质问它，它说："抱歉，我漏掉了一个边界条件。"

问题出在哪？不是它写错了代码——谁都会写错代码。问题在于它明明没有检查，却告诉你"逻辑正确"。

这就是 AI 的"虚报"问题。

打个比方。你去看病，遇到两种医生：

A 医生看了你的片子说："没问题，回家休息就好。"结果你回家后越来越严重。

B 医生看了片子说："这个区域我不太确定，建议再做一个增强 CT 确认一下。"多花了半天时间，但最终排除了风险。

你更信任谁？

Opus 4.8 就是那个 B 医生。

常见误解

很多人以为"AI 诚实"就是"不说错话"。其实不是。诚实的核心是校准——知道自己什么时候确定、什么时候不确定，并且如实告诉你。一个永远说"我不确定"的模型不叫诚实，叫没用。关键是在该确定的时候确定，在不确定的时候主动说出来。

Anthropic 给出了三组关键数据：

虚报有缺陷结果的比率：0%（Claude 家族首个达到此标准的模型）
漏报重要事件的比率：3.7%（Opus 4.7 显著更高）
过度自信程度：降低超过 10 倍（相比 Opus 4.7）

这三个数字合在一起意味着什么？

意味着你让 Opus 4.8 帮你审代码，它发现潜在问题时一定会告诉你，而不是默默略过。它写完代码后如果没把握，会主动说"这里我不太确定，建议你测试一下"。

Anthropic 还提到一个数据：Opus 4.8 发现自己写的代码有瑕疵时，主动标注的概率是 Opus 4.7 的四倍。

这听起来像是小事，但放到生产环境里，这是天壤之别。

想想看：你用 AI Agent 自动处理客服工单、自动做数据分析报告、自动审合同条款。如果 AI 在 5% 的情况下自信满满地给出错误结论，而你因为信任它没有复查——这 5% 就是定时炸弹。

所以我说：一个诚实的 AI 比一个全能的 AI 重要十倍。因为你可以弥补能力的不足，但你防不住一个"看起来很确定"的错误答案。

Dynamic Workflows：一个人指挥一支军队

跑分和诚实说的是"一个 AI 有多强"。而 Dynamic Workflows 说的是另一件事——"一个 AI 能同时指挥多少个 AI"。

这个功能目前以 Research Preview 的形式在 Claude Code 中发布。它的核心概念是：让 Claude 自己编写编排脚本，同时调度几十甚至上百个并行子 Agent，在一个会话中完成大规模任务。

什么叫"大规模任务"？Anthropic 举了一个例子：跨数十万行代码的代码库迁移，用已有的测试套件作为验证标准。

以前你要做这件事，可能需要一个团队花几周时间。现在，一个人坐在终端前，让 Claude 把任务拆分成几百个小块，分配给子 Agent 并行执行，每个子 Agent 完成后自动验证，失败的自动重试。

Dynamic Workflows 架构示意：一个 Orchestrator 调度多批并行子 Agent

打个比方：以前的 AI 编程助手是一个全栈工程师，活儿再多也只能一个一个干。Dynamic Workflows 把它变成了一个项目经理——它自己不写每一行代码，但它知道怎么把一个大任务拆成 120 个小任务，分配给 120 个"实习生"同时干，然后逐个检查交付质量。

这里有一个关键的细节：状态可恢复。如果中间断了（网络问题、手动暂停），Claude 可以从断点继续，而不是从头来过。这对于动辄几小时的大规模迁移任务来说，是刚需。

实战案例

Anthropic 透露，内部测试中 Dynamic Workflows 已经在数十万行代码的仓库上完成过完整的框架迁移。关键是——它用现有测试套件作为验证标准，只有所有测试通过，迁移才算成功。这不是 demo，是真正的生产级能力。

但别忘了，这个功能目前还是 Research Preview。Anthropic 显然在观察社区的使用模式和反馈，才会决定正式发布的形态。

Dynamic Workflows 的本质不是"让 AI 更快"，而是"让 AI 能做原来做不了的事"。一个人管不了 120 个实习生，但一个 AI 可以。

Effort Control：给 AI 装一个油门踏板

这是一个看起来不起眼、用起来却会上瘾的功能。

以前你跟 Claude 说话，它的思考深度是固定的——不管你问的是"今天星期几"还是"帮我设计一个分布式锁方案"，它都用差不多的计算量去回答。这就像开一辆只有一个档位的车——不管是停车场挪车还是高速超车，永远是三档。

Opus 4.8 加了一个"油门踏板"。

现在你可以选择三个档位：

默认档：跟 Opus 4.7 差不多的 token 消耗量，但效果更好
Extra 档：花更多 token 去深度思考，适合复杂推理任务
Max 档：全力以赴，不计成本地深度分析

反过来，你也可以调低——遇到简单问题，让它用最少的计算量快速回答，省钱又省时间。

这个功能在 claude.ai 和 API 中都可以用。对开发者来说，这意味着你可以在代码里动态控制：简单的分类任务用低 effort，复杂的代码审查用高 effort，同一个模型、同一个价格，灵活调配。

配合这个功能，Anthropic 还做了一件事：Fast Mode 的价格降到了之前的三分之一。Fast Mode 下 Opus 4.8 的速度是标准模式的 2.5 倍。也就是说，对于那些需要快速响应的场景（比如实时聊天、代码补全），你现在可以用更低的成本获得更快的速度。

延伸思考

Effort Control 听起来简单，但它改变了一个根本假设：AI 的思考深度不应该由模型决定，而应该由用户决定。这跟数据库查询优化的思路很像——不是每个查询都需要全表扫描，有些走索引就够了。谁最了解这个问题需要多深的思考？用户自己。

最好的工具不是永远全力以赴的工具，而是你能精确控制它在什么时候使多大劲的工具。

Mythos 的影子：安全对齐的"预告片"

在 Opus 4.8 的发布公告里，Anthropic 轻描淡写地提了一句：

"Mythos-class models are expected in the coming weeks."
—— Anthropic 官方博客

如果你一直在关注 Anthropic，你就知道 Mythos 是什么——那个传说中因为安全对齐问题迟迟不敢公开发布的超级模型，内部代号 Project Glasswing。

有意思的是，Anthropic 在介绍 Opus 4.8 的安全指标时，用了一个非常微妙的表述："misaligned behavior rates approaching Claude Mythos Preview levels"——对齐偏差率接近 Mythos 预览版水平。

这句话信息量极大。

首先，它暗示 Mythos 的安全标准是目前所有模型中最高的。Opus 4.8 能"接近"Mythos 的对齐水平，说明 Anthropic 在安全研究上的成果正在从实验室向产品线渗透。

其次，它暗示 Mythos 的发布障碍正在被清除。如果连"普通"的 Opus 系列都能达到接近 Mythos 的安全水平，那 Mythos 本身的安全性已经没有理由再拖了。

回想一下 Opus 4.8 的那个 0% 虚报率——这不仅仅是一个产品指标的提升。这更像是 Anthropic 在向市场证明：我们有能力在大幅提升模型能力的同时，让安全性也同步提升，甚至更快提升。

关键区别

不要把 Opus 4.8 的"诚实"和 Mythos 的"安全"搞混。Opus 4.8 的诚实是不虚报、不隐瞒，解决的是"AI 骗用户"的问题。Mythos 的安全对齐解决的是更深层的问题——当模型能力足够强大时，如何确保它不会做出人类不希望它做的事。两者相关，但不是一回事。

Anthropic 的融资消息也值得注意——650 亿美元融资，估值 9650 亿美元。这个数字说明资本市场对 Anthropic 的"安全优先"策略的认可程度。在 AI 军备竞赛白热化的今天，"负责任"本身成了竞争优势。

Opus 4.8 不是终点，它是 Mythos 发布前的最后一次彩排。Anthropic 正在用它告诉世界：我们准备好了。

写在最后：两个预测

回顾一下 Opus 4.8 的三个关键词：

更强：SWE-bench Pro 69.2%，USAMO 96.7%，全线超越前代和竞品
更诚实：0% 虚报率，过度自信降低 10 倍以上——这才是真正的护城河
更灵活：Dynamic Workflows 让一个人能调度一百个子 Agent，Effort Control 让你精确控制 AI 的思考深度

价格呢？跟 Opus 4.7 完全一样。Fast Mode 还便宜了三分之二。

这不像是一个"版本升级"，更像是 Anthropic 在为下一步棋布局。

我做两个预测，给自己设个 deadline：

预测一：Mythos 将在 2026 年 Q3 正式发布，而且首发形态不是通用聊天模型，而是面向企业的 Agent 平台——因为只有在受控的企业环境中，Anthropic 才敢让如此强大的模型"上岗"。

预测二：到 2026 年底，"诚实度"会成为模型评测的一级指标，重要性等同于编程和推理能力。Opus 4.8 的 0% 虚报率开了一个头，其他厂商必须跟上——因为当你的竞品"不会骗人"的时候，你的模型"偶尔骗人"就变成了致命弱点。

半年后回来看看，我说得对不对。

不管预测准不准，有一件事我很确定：AI 竞争的下半场，不是比谁更聪明，而是比谁更值得信任。