Claude 发布 Opus 4.8 还是最强的大模型吗？

Anthropic 昨天发布了最新旗舰模型 Claude Opus 4.8，据官方公告，在编码、代理任务和专业工作方面表现更出色，具有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 进行了测评，以下是测评结果与分析。

一、SuperCLUE智能指数

这个智能指数是个综合得分，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）六种任务的综合分数，就是看谁是真·六边形战士。

即使是中文评测，“御三家”仍然保持着领先地位。

Gemini 倒是后来者居上，还是谷歌老牌技术公司有底蕴。

梁圣的 DeepSeek 紧随其后，国产模型和芯片随时有可能类似汽车行业一样，在新的领域中从追赶者变为领路人：DeepSeek 的 10 万亿美元大战略

这个榜单还没纳入新出的小米模型Mimo，实际使用的体验其实也不错。

图片

二、模型象限图

从应用能力、推理能力来划分各家大模型的擅长领域。

新出的Hy3位居最末。

图片

三、性价比区间分布

这个不用说，大家应该知道 DeepSeek-V4-Pro 最具性价比了。

是全球首家宣布降价1/4的大模型平台，让大家用得起便宜又好又的AI。

图片

四、推理效能区间分布

推理最快的，还是御三家把持了前三。

图片

五、总体表现（2026年5月）

图片

测评结果与分析

一、Claude-Opus-4.8在代码生成任务中取得83.58分，位列第一。

领先Gemini-3.1-Pro-Preview（81.47分）超2分，较上个版本（Claude-Opus-4.7）提升超过4.5分。

Claude-Opus-4.8在SWE(软件工程)子任务中表现优异，取得73.33分，占据榜单第一，相较于Opus 4.7提升较大，在独立函数生成和Web Coding子任务中均处于头部位置。

二、Claude-Opus-4.8在幻觉控制任务中取得87.48分，占据榜单第一，相较于Opus 4.7提升超过6分。

三、Claude-Opus-4.8在科学推理任务中取得77.19分，占据榜单第一，相较于Opus 4.7提升8.77分。

四、Claude-Opus-4.8对比Claude-Opus-4.7。

Claude-Opus-4.8 在幻觉控制、科学推理和代码生成上均有较大幅度的提升。

其中幻觉控制由81.11分提升到87.48分，提升超过6分，科学推理由68.42分提升至77.19分，代码生成由79.01分提升至83.58分。

但在智能体(任务规划)、数学推理和指令遵循有一定的下降。

特别是在指令遵循任务上，由56.19分降低到44.76分，下降超过11分。

五、推理速度和性价比相较于Opus 4.7并无明显变化。

Claude-Opus-4.8的推理耗时（97.76秒/题）相较于上个版本（99.34秒/题）几乎持平，依旧位于高效能区间。

Claude-Opus-4.8的API价格和上个版本（74.38元/百万Tokens）保持一致，依旧处于低性价比区间。

更多榜单细节，评测内容，题集等，请访问下面官方地址：

SuperCLUE官网地址：http://www.superclueai.com

CLUE官网：http://www.CLUEBenchmarks.com

Github地址：https://github.com/CLUEbenchmark/SuperCLUE

现在发新模型从以前的半年缩短到数月，再到现在一个月，甚至个别版本就间隔几周。

感觉大家都已经习以为常了，时不时谁家发的新闻，最多就是看一下，日常该用哪个模型还继续用。

好久没有看评测，今天看一下第三方机构对目前的大模型的评测，基本上跟日常使用的体感差不多。

期待6月份的 DeepSeek 新版本：韬定律与DeepSeek齐头并进改变人工智能格局。