Anthropic于周四发布了一款新型AI模型,但这并非外界期待的Claude Mythos预览版。Claude Opus 4.7现已正式上线,主要面向开发者和编程爱好者,帮助他们应对复杂的编程任务。
指令遵循能力全面升级
Opus 4.7在指令遵循方面有了显著提升,就像一只训练有素的工作犬,能够更精准地执行命令。Anthropic在其博客中指出,Opus 4.7会"逐字"执行用户指令,而此前的模型版本往往会跳过或宽泛解读提示词。此外,该模型对基于文件的记忆系统进行了改进,能够更有效地调取历史对话和文档中的信息。在图像处理方面,Opus 4.7也能够处理更大体积的图像文件,并更轻松地从图表中提取和分析数据。
界面生成更具美感
Anthropic表示,该模型在创建界面、文档和幻灯片时,表现得更加"精致且富有创意"。不过,Anthropic并未就"好品味"与"差品味"的具体评判标准给出详细说明。
Claude Mythos Preview的前情回顾
本月早些时候,Anthropic曾因发布Claude Mythos Preview而引发广泛关注。这款下一代模型在识别安全漏洞方面表现出色,以至于公司决定仅向思科、CrowdStrike和亚马逊云服务(AWS)等科技及互联网基础设施企业开放,以便这些企业利用Mythos发现的问题来修复自身系统。
其背后的逻辑在于:如果科技公司能借助AI提升自身系统的安全性,就能更有效地抵御那些同样可以使用公开AI模型的恶意攻击者。
网络安全防护机制初显雏形
尽管Opus 4.7与Mythos并非同一产品,但Anthropic已在Opus 4.7中测试部分新型网络安全防护机制。根据公司博客的描述,这些防护措施能够"自动检测并拦截涉及违禁或高风险网络安全用途的请求",是未来"Mythos级"模型中相应功能的简化版本。但在AI被广泛应用于攻防两端的今天,这些功能的重要性依然不容忽视。
Q&A
Q1:Claude Opus 4.7和Claude Mythos Preview有什么区别?
A:Claude Opus 4.7是Anthropic正式发布的通用模型,面向开发者和编程用户,重点提升了指令遵循、文件记忆和图像处理能力。而Claude Mythos Preview是下一代模型,因其在发现安全漏洞方面能力过强,目前仅向思科、CrowdStrike、AWS等基础设施企业开放,尚未公开发布。两者定位和开放范围均不相同。
Q2:Claude Opus 4.7在网络安全方面有哪些新功能?
A:Claude Opus 4.7内置了部分新型网络安全防护机制,能够自动检测并拦截涉及违禁或高风险网络安全用途的请求。这些防护措施是未来"Mythos级"模型中完整网络安全功能的简化版,主要目的是防止AI被用于恶意攻击行为,在AI日益渗透攻防两端的背景下具有重要意义。
Q3:Claude Opus 4.7对文件记忆系统做了哪些改进?
A:Claude Opus 4.7对基于文件的记忆系统进行了优化升级,使模型能够更有效地从历史对话记录和上传文档中调取相关信息。这意味着用户在多轮对话或处理长文档时,模型能够保持更好的上下文连贯性,减少重复输入同类信息的需要,从而提升整体使用效率。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。