5 月 28 日，Anthropic 發布了 Claude Opus 4.8，同一時段它也完成650萬美元融資，估值突破9650萬美元，正式反超 OpenAI。

不過單看評測數據，這次拿出來的Opus 4.8 像個平平無奇的小版本升級：價格沒動，各項基準都漲了一些，但幅度不大，官方自己都說這只是“溫和但確實存在”的進步。

不過我們發現一件事很值得關注，Anthropic這次強調的AI能力：誠實。

這個細節背后，藏著 2026 年中美 AI 競賽一次很關鍵的轉向。

Claude Opus 4.8 官方測評數據 Opus 4.8 這次更新，值得說的有四點

“誠實”被當成了主打賣點。 官方說明表示，新模型在自我評估上更誠實：更愿意主動標出自己沒把握的地方，少了對結果打包票的毛病，放過代碼錯誤的概率也明顯降低。

在對齊評估里，它欺騙和配合濫用的比率大幅下降，已經接近被嚴格管控的 Mythos 預覽版。

Opus 4.8 對齊評估中的非對齊行為減少

動態工作流（Dynamic Workflows）。 Claude Code 現在能在一次會話里先把任務規劃好，再并行拉起幾百個子智能體，結果校驗完了才匯報，號稱能從頭到尾搞定跨數十萬行代碼的“代碼庫級”遷移。

努力度滑塊（Effort Control）。 你可以自己決定讓它“想多深”：調高更慎重，調低更快、也更省額度，全計劃都能用。

更快更便宜的 Fast 模式。 比上一代便宜約三倍，速度快約 2.5 倍。

把這幾樣放一塊看，指向其實很清楚，一切都朝向Agent的執行能力上。

降價、提速、可控、肯說“我不確定”、能并行干重活，要的就是讓更多人敢把工作交給它。

為什么“誠實”值得這么大書特書？

因為靠跑分定勝負這條路，正在快速失靈；而與此同時，比拼執行能力的Agent范式，正走在跨越裂谷的路上。

先說說 benchmark 為什么不夠用了。

斯坦福 HAI 今年 4 月那份《2026 AI Index》給了行業一個有點警醒的判斷：模型的能力，正在跑贏用來衡量它的那把尺子。

有個專門設計來為難 AI、對人類專家更有利的高難考試，叫 Humanity’s Last Exam，前沿模型一年之內就把分數拉高了 30 個百分點；不少本以為能難住 AI 好幾年的題目，幾個月就被刷穿了。

再看那些老牌榜單，MMLU、GSM8K、HumanEval 普遍都在 90% 以上，GSM8K 甚至沖到了 99%。當大家都能考 95 分，這張卷子自然就分不出高下。

中美頂尖模型只差 2.7%（兩年前還差著 30% 以上），某種程度上正是“卷子出得太簡單”的結果。

更麻煩的是，評測和現實之間那道溝，并沒有被填上。

《2026 國際 AI 安全報告》專門點了這個“evaluation gap”：實驗室里的高分，常常高估了模型在真實任務里到底有多好用。

一個能拿奧數金牌的 AI，讀對一個模擬時鐘的概率卻只有 50.6%。

模擬時鐘讀取準確率對比圖

說白了，AI的能力沒那么均勻，有的地方強得驚人，有的地方又弱得意外。越想把它塞進真實的工作流，可信賴度就越成了卡脖子的那一環。

大家關心的問題，已經從“AI聰不聰明”，變成了“Agent做得多好、代價多大、又是為了誰”。

這正是 Opus 4.8 押注“誠實”的用意所在。

真正的勝負手：Agent 能不能干活

從“模型有多聰明”，挪到“這個智能體能不能讓人放心地用起來”。

這里有個挺有名的老概念，叫“跨越裂谷（Crossing the Chasm）”，是學者杰弗里·摩爾提出來的：

一項新技術想真正普及，得一關一關過，先是圖新鮮的極客發燒友，再是講實用的早期主流人群，最后才輪到普羅大眾。

難就難在這中間。發燒友愿意為了“看起來很炫的技術”忍受一堆毛病，主流用戶認的卻是省心、可靠、拿來就能用。

同一個東西，兩撥人的要求差著十萬八千里，中間于是裂開一道“死亡之谷”。

跨越裂谷理論

最早的電動車、VR/AR...不少技術就栽在這兒：在極客圈里風光無兩，卻始終邁不過主流那道門檻。

2026 年，進化到 Agent 階段的 AI，正卡在谷口。前哨科技特訓營里我們分享過 agent 滲透率的數據，結論很直接：現在還非常早期。

年初國內那波 OpenClaw 全民裝機、“養龍蝦”的熱鬧就是個好例子。極客圈帶著一大批普通用戶一起上頭，可這股熱乎勁過去之后，現在還有多少人真在天天用呢？

Agent的范式轉變確實已經開始，但它真要滲透到生活的角角落落，還得有段時間。Opus 4.8 這次更新，某種意義上就是在為這一步繼續鋪路。

不要等Agent大軍來了才行動

說到底，模型還會一代一代變強，誰領先個半年，其實沒那么要緊。

這有點像當年的搜索大戰。

各家天天比“我的檢索精度更高”，可對普通用戶來說，真正拉開差距的從來不是哪家引擎更準，是你會不會用搜索，會不會搭關鍵詞，會不會交叉驗證，會不會把搜索揉進自己的工作流。

Agent 時代也是一個道理。與其干等那個“最強模型”，不如現在就把手頭的工具用起來、用順手。把管理 Agent 這些“數字員工”的門道摸透，等它越來越強的時候，你也能跟著一起水漲船高。

前哨 AI 小課，講的就是這件事：從怎么選模型到怎么搭智能體，帶你把 AI 真正變成能托付的生產力，而不只是一條看個熱鬧的跑分新聞。

這周日的這一講，就手把手帶你上手眼下最能“干活”的編程智能體之一：Codex。

OpenAI Codex app 界面截圖

今晚的【前哨 AI 小課】第五季第 13 講，Tina老師將和你一起搞懂：

• ClaudeCode vs Codex ：兩者到底差在哪、該怎么選

• 安裝與配置 Codex ：跟著走一遍，零基礎也能跑通

• 三個實操案例 ：批量處理文件、銷售數據分析與可視化、從零開發一個網站

點擊文末鏈接，鎖定周日晚 8 點直播，先人一步把“用 AI 干活”這門真本事拿到手。

兩年前，我們問的是誰的模型更強。今天更該問的是：當你要把一整天的活兒都交給一個 AI，你敢交給誰？

要回答這個問題，第一步，是先把 AI 用起來。