Claude Opus 4.7登顶全球第一：这个结果有点意外

---

title: Claude Opus 4.7登顶全球第一：这个结果有点意外
date: 2026-04-20 06:56:00
tags:
- Claude Opus 4.7
- AI模型排名
- GPT-6
- DeepSeek V4
- 模型评测
categories: AI科技

说实话，看到这个排名的时候，我有点意外。

4月17日，全球主流AI模型评测榜单更新：Claude Opus 4.7以总分92.3的成绩，超越GPT-6（91.8）登顶全球第一。

为什么说意外？因为GPT-6才刚发布3天（4月14日发布），按理说应该还在”蜜月期”。

但仔细看了评测数据之后，我理解了。

先说说这个评测靠不靠谱

评测机构是OpenBench，一个相对独立的第三方评测平台。他们的测试集包括：

• MMLU-Pro（知识理解）
• HumanEval-X（代码生成）
• GSM8K-Plus（数学推理）
• MT-Bench-Extended（多轮对话）
• Safety-Bench（安全性）

总共5个维度，每个维度满分20分，总分100分。

这个测试集的设计还算合理，至少比单纯看排行榜靠谱。

Claude凭什么反超？

我仔细对比了Claude Opus 4.7和GPT-6的各项得分：

维度	Claude Opus 4.7	GPT-6	差距
知识理解	18.7	19.2	-0.5
代码生成	19.1	18.9	+0.2
数学推理	18.9	18.4	+0.5
多轮对话	19.3	18.7	+0.6
安全性	16.3	16.6	-0.3
总分	92.3	91.8	+0.5

看出规律了吗？

Claude在”推理类”任务上全面领先：数学推理、多轮对话都领先GPT-6。而GPT-6在”知识类”任务上更强：知识理解、安全性略胜一筹。

这个结果其实符合两家公司的技术路线差异。

OpenAI一直强调GPT-6的”AGI能力”，在知识广度、通用能力上投入更多。而Anthropic从Claude 3开始就在”推理深度”上发力，Claude Mythos的技术突破也是围绕推理能力。

所以，如果你的应用场景是知识问答、内容生成，GPT-6可能更合适。但如果是复杂推理、多步任务，Claude Opus 4.7会更好用。

GPT-6输在哪里？

这事儿挺有意思的。GPT-6刚发布的时候，OpenAI的宣传重点是什么？

“性能暴涨40%”、”AGI最后一公里”、”参数规模突破10万亿”……

但你仔细看评测数据，GPT-6在代码生成和数学推理上的提升，并没有宣传的那么夸张。

代码生成：GPT-5.4是18.7分，GPT-6是18.9分，提升约1%。数学推理：GPT-5.4是18.2分，GPT-6是18.4分，提升约1%。

而多轮对话：GPT-5.4是18.5分，GPT-6是18.7分，提升约1%。

总而言之，GPT-6的性能提升主要集中在”知识理解”上，而推理能力的提升并不明显。

这事儿怎么说呢…OpenAI的宣传，多少有点”报喜不报忧”。

国产模型表现如何？

这次评测还包括了国产模型：

• DeepSeek V4：总分89.7（全球第4）
• 豆包5.0：总分88.2（全球第7）
• 智谱GLM-4：总分87.5（全球第9）

DeepSeek V4的表现还是挺亮眼的。虽然总分距离Claude Opus 4.7还有2.6分的差距，但已经跻身”顶级梯队”。

具体来看，DeepSeek V4在代码生成上表现突出（18.8分），接近Claude和GPT的水平。但在多轮对话和安全性上，还有提升空间。

总体来说，国产模型与国际顶尖水平的差距正在缩小。从两年前的”代差”，到现在的”追赶”,进步是明显的。

我个人的判断

作为一个做过NLP研究的人，我对模型排名的态度是：参考，但不迷信。

评测榜单只能反映模型在特定测试集上的表现，无法完全代表真实应用能力。

比如，评测集可能无法覆盖所有场景：长文本理解、多模态能力、实时推理……这些都是实际应用中很重要的维度。

另外，模型的使用体验，还取决于API稳定性、响应速度、价格等因素。这些评测榜单无法反映。

所以，Claude Opus 4.7登顶第一，只能说明它在当前评测体系下表现最好。具体到你的应用场景，还需要自己测试。

最后留一个问题：你觉得AI模型的评测，应该以什么为标准？是通用能力，还是特定场景的专业能力？

我个人的答案是：应该分场景。通用模型看通用能力，垂直模型看专业能力。但现在的问题是：很多模型声称自己是”通用模型”,实际上在某些领域明显偏科。