# Opus 4.7、旧版 Opus 4.6 与新版 Opus 4.6：Zod 编码任务研究

Stet publishes a public search API over its indexed pages; the guide is at https://www.stet.sh/agents/agent-access.

Source: https://www.stet.sh/zh/blog/opus-4-7-zod
Source observed: 2026-11-08T19:52:06.426Z
Last checked: 2026-11-08T19:52:06.426+00:00
Indexed: 2026-11-08T20:48:32.764+00:00

---

# Opus 4.7 vs 旧版 Opus 4.6 vs 新版 Opus 4.6

我们在 Stet 上比较三个 Opus 快照：2026 年 3 月 19 日的早期 Opus 4.6、2026 年 4 月 16 日的新 Opus 4.6，以及同日运行的 Opus 4.7。实验使用 28 个历史 Zod 任务；三个实验臂的测试通过率完全相同，都是 **12/28（42.9%）**。越过测试门槛后，4.7 在补丁紧凑度、等价性、纪律性和任务时间方面表现出不同形态，但没有形成类别意义上的全面跃升。

**核心判断：Opus 4.7 更有纪律性，而不是根本上更聪明。**

这篇研究由 Stet 创始人 Ben 撰写，发布日期为 **2026 年 4 月 17 日**，更新于 **2026 年 5 月 1 日**，标注阅读时间为 8 分钟。[作者：Ben，Stet 创始人](https://www.stet.sh/about)

## 结论摘要

- 三个实验臂都通过 **12/28** 个任务。
- Opus 4.7 的单任务成本为 **$8.11**，低于 2026 年 3 月 Opus 4.6 的 **$8.93**，但高于新版 Opus 4.6 的 **$6.65**。
- Opus 4.7 的总 token 为 **44.0M**，低于 3 月 Opus 4.6 的 **49.1M**，高于新版 Opus 4.6 的 **35.6M**。
- Opus 4.7 的平均任务时间为 **3m 12s**，快于 3 月 Opus 4.6 的 **3m 26s** 和新版 Opus 4.6 的 **7m 58s**。
- 完成 28 个任务的整轮运行时间：Opus 4.7 为 **1h 30m**，3 月 Opus 4.6 为 **1h 36m**。
- 4.7 的等价性最高、足迹风险最低、纪律性最好；新版 Opus 4.6 是最弱的实验臂。

## 方法

| 实验臂 | Reasoning effort | 它代表什么 |
| --- | --- | --- |
| Opus 4.6，2026 年 3 月 19 日 | high | 同一任务集上的早期 Opus 4.6 运行 |
| Opus 4.6，2026 年 4 月 16 日 | high | 同一任务集上的新 Opus 4.6 复跑 |
| Opus 4.7，2026 年 4 月 16 日 | high | 同一任务集上的新 Opus 4.7 运行 |

对于每个任务，我们从 Zod 中采样一个已合并 commit 作为基线，在 Claude Code 中运行每个 Opus 快照以复现相同变更，再在测试通过率之外评分：

- **等价性**：无论测试是否捕捉到，补丁是否解决了预期问题。
- **代码审查通过**：补丁看起来是否值得合并的二元判断。
- **足迹风险**：补丁与已接受变更相比有多发散；越低越好。
- **工艺（0–4）**：简洁性、连贯性、意图性、健壮性和清晰度。
- **纪律性（0–4）**：指令遵循、范围纪律和 diff 最小化。

评审模型为 `gpt-5.4`，三个实验臂使用相同的 rubric 版本。每个补丁独立评分，评审只看到补丁和任务，不看到实验臂标签或模型名称。没有双评审校准，因此绝对分数应视为方向性信号；跨实验臂的差值更值得关注。

## 4.7 改变了什么

对于编码智能体工作，最大的变化不是原始任务完成率，而是补丁形态。Opus 4.7 更常避免失控会话和高足迹补丁，也更常产出被等价性评分器判断为与人工变更对齐的补丁。

取舍是触达不足：4.7 值得在自己的 repo 上测试，但不应期待简单的通过率跃升。改进主要体现在足迹和对齐，而不是可见测试通过数量。

## 头条结果

| 指标 | Opus 4.6 — 2026-03-19 | Opus 4.6 — 2026-04-16 | Opus 4.7 — 2026-04-16 |
| --- | ---: | ---: | ---: |
| Pass rate（测试门槛） | 42.9% | 42.9% | 42.9% |
| 等价性 | 39.3% | 32.1% | 46.4% |
| Code-review pass | 39.3% | 25.0% | 25.0% |
| 足迹风险；越低越好 | 0.210 | 0.221 | 0.090 |
| 平均任务时间；越低越好 | 3m 26s | 7m 58s | 3m 12s |
| 单任务成本；越低越好 | $8.93 | $6.65 | $8.11 |
| 总 token；越低越好 | 49.1M | 35.6M | 44.0M |

三个实验臂通过的测试完全相同。4.7 唯一没有领先的维度是二元代码审查门槛：3 月 19 日的运行通过 11 个，4.7 通过 7 个；新版 4.6 的单任务成本略低。

4.7 并不比 3 月 4.6 更贵：$8.11/任务对比 $8.93，44.0M token 对比 49.1M。新版 4.6 最便宜，但花费 **2.3 倍时间**，产出的补丁更松散、更不等价。等价性、足迹风险、可发布补丁的可维护性和平均任务时间方面，4.7 都是三者中最强的。

新版 Opus 4.6 是最弱的实验臂：等价性更低、足迹风险更高、任务耗时更长。尽管它花了 2.3 倍时间，输入 token 仍比 3 月运行少约 28%。

## 足迹风险是最清晰的信号

足迹风险衡量补丁是否比已接受变更更大或更发散。4.7 的平均值为 **0.090**，相对两个 4.6 实验臂下降超过 2 倍；它也是唯一没有高足迹补丁的实验臂。

| 实验臂 | 低足迹 | 中足迹 | 高足迹 | 平均值 |
| --- | ---: | ---: | ---: | ---: |
| opus 4.6 — mar 19 | 26 | 1 | 1 | 0.210 |
| opus 4.6 — apr 16 | 22 | 3 | 3 | 0.221 |
| opus 4.7 — apr 16 | 27 | 1 | 0 | 0.090 |

新版 Opus 4.6 更常做出触及代码多于必要范围的变更；Opus 4.7 没有高足迹补丁。

## 等价性

等价性衡量补丁是否解决了预期问题，而不只是可用测试是否捕捉到它。4.7 的补丁与人工编写的 Zod 变更更加等价。

| 实验臂 | 等价性 |
| --- | ---: |
| opus 4.6 — mar 19 | 39.3% |
| opus 4.6 — apr 16 | 32.1% |
| opus 4.7 — apr 16 | 46.4% |

## Rubric 分数

我们使用两个 0–4 rubric：**review** 只在通过二元代码审查门槛的补丁上运行，**discipline** 在每个补丁上运行。分数越高越好。

### Review：仅可发布补丁

| 维度 | Opus 4.6 — mar 19 | Opus 4.6 — apr 16 | Opus 4.7 — apr 16 |
| --- | ---: | ---: | ---: |
| correctness | 1.38 | 2.00 | 2.15 |
| bug risk | 2.08 | 2.46 | 2.54 |
| edge cases | 2.00 | 2.46 | 2.46 |
| maintainability | 2.00 | 2.46 | 2.85 |
| overall | 1.87 | 2.35 | 2.50 |

4.7 并非在 review 的每个方面都“一律更正确”。更准确的描述是：当 4.7 产出看起来可发布的补丁时，该补丁往往更干净、更可维护；可维护性从 2.00 上升到 2.46，再到 2.85，是 review 区块中最大的差距。

### Discipline：全部补丁

| 维度 | Opus 4.6 — mar 19 | Opus 4.6 — apr 16 | Opus 4.7 — apr 16 |
| --- | ---: | ---: | ---: |
| instruction adherence | 2.39 | 2.41 | 2.58 |
| scope discipline | 2.84 | 2.98 | 3.29 |
| diff minimality | 3.02 | 3.07 | 3.39 |
| mean | 2.75 | 2.82 | 3.09 |

4.7 在 discipline 的每个维度上领先。相对两个 4.6 实验臂，范围纪律差距为 **+0.31 到 +0.45**，diff 最小化差距为 **+0.32 到 +0.37**。

工艺均值（0–4 上的简洁性、连贯性、意图性、健壮性和清晰度）为 **2.86 / 2.84 / 2.93**，在 n=28 下约在 0.1 以内，应视为与噪声一致。意图性是明显分隔点：**2.98 → 3.27 → 3.58**。

### 评分器叙述中的模式

**三者共有的弱点：** 静默 fallback 分支会隐藏根因，而不是传播诊断，例如把未知 precision 当成 unrestricted，给只含 null 的 tuple 发出空 `anyOf`，给未映射类型打印原始英文标签，或在递归上限命中时返回原对象。调用点上的类型系统逃生舱包括 `as any`、内联 `_zod` intersection 和整表达式 `SafeParseResult` cast。

**旧版 Opus 4.6：** 典型问题是“不该有的管线铺设”：添加未被消费的字段和 helper，例如 `ProcessParams.parent`、`Sizable.verb`、`Identity` 类型和只有一个调用方的 `~validate` 方法；生产文件中还保留注释掉的草稿代码。面对 Deno 和 Node 镜像表面的任务时，有些变更能干净镜像，另一些留下过期的 `deno/lib`。

**新版 Opus 4.6：** 典型问题是“签入生成产物”：vendored `node_modules/.pnpm` 树、`node_modules/.bin/attw`、`.pytest_cache` 和编译出的 `.pyc` 文件；有个任务的补丁膨胀到 2.6 GB。其他问题包括把 `"draft-04"` 写成 `"draft-4"`、把本应是 patch release 的版本 bump 到 `4.2.0`、未被要求却添加 `recheck` 依赖，以及在平行 locale 表面重复 lookup table。

**Opus 4.7：** 补丁紧紧留在任务直接暗示的一个或两个文件内，不做无关重构；弱点是范围过窄。多点位重构可能被缩到单个示例位置，OpenAPI-3.0 null 修复可能只处理 tuple 分支而留下 primitive 和 union case，`Writeable` cast 可能替代让 generic constraint 感知 readonly。它能遵守“不要执行代码审查”这类元指令，并保持新 API 表面为 additive，而不是替换已有 alias。

## 补丁为什么失败

按照测试通过门槛，三个实验臂都在相同的 28 个任务中的 **16 个**上失败。失败原因分布如下：

| 失败类别 | Opus 4.6 — mar 19 | Opus 4.6 — apr 16 | Opus 4.7 — apr 16 |
| --- | ---: | ---: | ---: |
| 非等价补丁：解决了不同问题 | 13/16 | 12/16 | 8/16 |
| 等价补丁但测试仍失败：看起来正确，测试不接受 | 3/16 | 4/16 | 8/16 |
| 达到时间预算：耗尽时间 | 1/16 | 4/16 | 0/16 |

4.7 从不耗尽时间，完成了每个任务。“等价补丁但测试仍失败”在 4.7 上从 3 增至 8；“非等价”从 13 降至 8。它的失败更多转向“看起来正确但测试不同意”：更多补丁被独立审查者判断为等价于已接受变更，更少补丁完全错过意图。

这个变化仍需结合上下文：它可能意味着 4.7 写出了更干净的补丁但漏掉测试套件捕捉到的细微义务，也可能意味着等价性评分器对紧足迹补丁更宽容。

### Opus 4.6 输在广度

两次 4.6 运行反复错过需要并行更新 Node 和 Deno 的任务中的 Deno 镜像，让 localization pass 保持部分状态，并错过共享的 NEVER export、mini-schema 支持和整族断言移除等 API 表面。新版复跑还提交了 vendored `node_modules` 树、错误的发布目标字符串和与预期 release 不匹配的版本 bump。

### Opus 4.7 输在触达不足

4.7 失败时常停在狭窄的局部修复：任务要求四个相关 inference 变更时只更新 `ZodMiniType.check`；应用 tuple-local 的 OpenAPI workaround，却留下 union-with-null 语义；或用 `Writeable` cast 绕过 readonly discriminated union，而不是让类型感知 readonly。补丁对触及内容来说干净且低风险，但触及范围不够。

### 三者共同的结构性困难

共同困难包括保留嵌套 inferred type 的 `deepPartial`、不会静默接受超限 case 的递归 cutoff、把 parent link 带到 finalization 的 refinement clone、在 mini schema 上感知 predicate 的 refine，以及完整的希伯来语 localization pass。

## 结论

对于这个 Zod 切片，Opus 4.7 在方向上更好，但不是类别意义上的更好。它没有通过更多测试，二元代码审查通过次数少于 3 月的 Opus 4.6，新版 4.6 在单任务成本上略胜一筹。

不过，4.7 在足迹风险上明显胜出，等价性、纪律性、可发布补丁的可维护性和任务时间也领先。失败模式同步变化：错题式补丁更少、耗尽时间的会话更少，但更多失败停在狭窄修复上。我们的心智模型是：**更有纪律性的编码者，而不是根本上更聪明的编码者。**

Zod 是一个 TypeScript schema library。你的 repo 会不一样，因此更有用的做法是在自己的工作上测量，而不是只看公共基准测试。[了解 Stet](https://www.stet.sh/)。

## 常见问题

### Opus 4.6 vs Opus 4.7：4.7 通过了更多编码任务吗？

没有。在这个 28 任务的 Zod 基准测试中，Opus 4.7 和两个 Opus 4.6 快照都通过了 28 个测试中的 12 个。差异出现在测试门槛之上：4.7 的等价性更强、足迹风险更低、纪律性更好，平均任务时间也更快。

### Claude Opus 4.7 对编码智能体来说比 Opus 4.6 更好吗？

在这个 Stet 基准测试中，Claude Opus 4.7 在方向上更好，但不是类别意义上的更好。它产出了更紧凑、更等价的补丁，没有提升原始测试通过率，而且通过二元代码审查门槛的次数少于 3 月的 Opus 4.6 运行。

### Opus 4.7 的主要编码弱点是什么？

主要弱点是触达不足。补丁干净、足迹低，但有些失败只停在狭窄的局部修复，没有把变更贯穿到所有受影响的表面。

数据来自 28 个历史 Zod 任务，在 Claude Code 中针对三个 Opus 快照运行；2026 年 4 月 16 日使用相同的 rubric 版本评分。[方法论](https://www.stet.sh/methodology)

---

[Read this page’s summary](https://www.stet.sh/agents/api/public/v1/page-tldr?url=https%3A%2F%2Fwww.stet.sh%2Fzh%2Fblog%2Fopus-4-7-zod&trace=t_5da45423e484)

## Ask a follow-up about this page

Need a more specific answer? Ask the exact question you have. It returns a fresh, cited answer from Stet’s knowledge base. No account or API key required.

Open this URL with your own question, URL-encoded. Include your question in q. All research inputs are optional; no account or setup.

`GET https://www.stet.sh/agents/agent/faq?q={question}&trace=t_5da45423e484`

[Tool guide and examples](https://www.stet.sh/agents/agent-access) · [OpenAPI](https://www.stet.sh/agents/api/public/v1/openapi.json) · [Page TLDR form](https://www.stet.sh/agents/agent-tools/page-tldr?url=https%3A%2F%2Fwww.stet.sh%2Fzh%2Fblog%2Fopus-4-7-zod). Opening a form does not execute a tool.