Выпуск Opus 4.8: Хорош ли он? (Реальные тесты и обзор)

Anthropic выпустила Opus 4.8, примерно на 40% быстрее, чем 4.7, и разработчик называет это настоящим возвращением после 4.7 pretty much trash.

Честный маркетинг, наконец

Anthropic недооценила 4.8 вместо того, чтобы раздувать её. Карточка модели делает упор на слово honesty повторно, а заметки о выпуске указывают на четырёхкратное улучшение в misalignment behavior, с пользовательскими тестами, показывающими, что она почти в пять раз честнее. Разработчик интерпретирует это как то, что Anthropic извлекла урок после 4.7: they want to underell and over deliver now.

Всё ещё отстаёт в агентном кодировании

Opus 4.8 набирает 74,6% в EnnC coding's Sbench Pro, по сравнению с 78% у GPT 5.5. Создатель подтверждает, что это соответствует тому, что они наблюдали в версии 4.7, когда Opus fade from view и разработчики перешли на GPT 5.5 в Codex. Само описание модели 4.8 признает это still not so good on a thing, чему создатель приписывает необычную прозрачность.

Тесты в реальных условиях: игры и 3D

Тестировалось на futuristic space shooter with physics based movement, particle effects, combo system, and wave based enemy spawning как один запрос, Opus 4.8 поставлял работающую сборку с вторичной стрельбой, суперболтом на удержании и управлением теплом. Результат был definitely лучше, чем тот же запрос на Kimmy, и most certainly лучше, чем версия DeepSeek V4 Pro, хотя the physics effect is still lacking behind — без дрожания экрана, в отличие от теста Qwen 3.7 Max.

Тест 3D китайского здания показал, что Opus все еще сбрасывает крышуthe roof is on the floor), ошибка, которой обладает и Кимми. GPT 5.5 правильно строит крышу, но теряет колонны. В клоне Minecraft (Voxal World) и тесте Pelican riding a bike , у GPT 5.5 есть more flare — создатель говорит, что Opus is now more boring, обратное его старой репутации.

Почему оно кажется более плавным

Важное недооцененное изменение: 4.8 калибрует response length в соответствии со сложностью задачи, вместо использования фиксированной многоречивости. Создатель говорит, что это very underrated и является основной причиной, почему 4.8 кажется better than glory days of 4.6 несмотря на более низкие показатели в бенчмарках.

Ограничения и стоимость

Не запускайте сразу тяжёлые команды агентов. Создатель вызвал подозрительную активность на Opus, израсходовав 80% to 90% 5-часового лимита токенов. 30 minutes и был заблокирован. Anthropic сбросила лимиты использования, чтобы пользователи могли тестировать, но сделка SpaceX по аренде серверов за $1 млрд (теперь рассчитанная на 6 месяцев) определит, является ли 4.8 настоящей вехой или очередным упрощённым релизом. В конечном счёте: I do say it's back, но создатель воздерживается от суждений до выхода Mythos.