Anthropic说Opus 4.7工具错误降了2/3，我拿30个MCP工具实测了一下

Opus 4.7 昨天上线，官方说"tool errors reduced to a third"。巧了，我昨天刚做完一个 MCP 工具数量与调用准确率的实验。同一套测试跑一遍 Opus 4.7，看看这个说法到底硬不硬。

背景：我昨天刚测完工具数量的影响

昨天我做了一个实验：逐步给 AI 增加 MCP 工具数量（5→30 个），测试工具选择的准确率。结论是工具超过 12 个之后准确率断崖式下降。当时用的模型是 DeepSeek V4。

昨晚 Anthropic 发布了 Opus 4.7，发布博客里有一句话很吸引我：

“a 14% improvement in multi-step agentic reasoning with a third of the tool errors”

工具调用错误降到三分之一？那我正好有一套现成的测试框架，跑一遍就知道了。

Opus 4.7 速览（30 秒版）

先过一遍关键参数，不展开讲：

两个重点：价格没涨（这很少见），effort 参数新增了 xhigh 档位。

实验一：重跑 30 工具准确率测试

用和昨天完全相同的实验框架：

• 40 个固定测试任务，8 个类别
• 工具数量从 5 递增到 30
• 每组跑 3 次取平均
• temperature 0.3

唯一的变量：把模型从 DeepSeek V4 换成 Opus 4.7（xhigh effort）。

通过 TheRouter 网关调用，改一行 model 参数就行：

fromopenaiimportOpenAI client=OpenAI(base_url="https://api.therouter.ai/v1",api_key="your-key")# 昨天: model="deepseek/deepseek-v4"# 今天: model="anthropic/claude-opus-4-7"response=client.chat.completions.create(model="anthropic/claude-opus-4-7",messages=messages,tools=tool_definitions,)

结果对比

几个观察：

1. 工具越多，Opus 4.7 的优势越大。5 个工具时差距只有 2.5pp（大家都很准），30 个工具时差距扩大到了 20.9pp。这说明 Opus 4.7 的改进重点确实在复杂场景——工具少的时候大家差不多，工具多了才拉开差距。

2. “错误降到 1/3” 的说法基本成立。30 个工具场景下，DeepSeek V4 的错误率是 46.7%（100%-53.3%），Opus 4.7 是 25.8%。25.8/46.7 ≈ 0.55——没有降到 1/3 那么夸张，但降了将近一半。考虑到 Anthropic 的基准测试条件和我的测试条件不同，这个差距可以接受。

3. 拐点推迟了。DeepSeek V4 的拐点在 12-15 个工具，Opus 4.7 的拐点推迟到了 18-20 个。也就是说你可以给 Opus 4.7 挂更多工具而不用担心准确率暴跌——但 20 个还是上限，超过了还是会掉。

幻觉率对比

这个差距更明显：

30 个工具时，DeepSeek V4 有 12.5% 的概率编造不存在的工具。Opus 4.7 只有 4.2%。降到了 1/3——这一项上 Anthropic 的说法完全准确。

实验二：effort 参数对比

Opus 4.7 新增了 xhigh 档位。Claude Code 已经把默认值从 high 改成了 xhigh。那这几档之间差距多大？

固定 20 个工具、40 个任务，分别测 high、xhigh、max：

# 通过 API 设置 effort 参数response=client.messages.create(model="claude-opus-4-7",messages=messages,tools=tool_definitions,# effort 参数控制推理深度thinking={"type":"enabled","effort":"xhigh"})

xhigh 是性价比最优档。从 high 到 xhigh，准确率提升 5pp，延迟多 1.4 秒。从 xhigh 到 max，准确率只多 1.7pp，延迟却多了 2.9 秒。

用一个图来理解：

准确率 90% ──────────────────── max (89.2%) ↑ +1.7pp, +2.9s 88% ──────────────────── xhigh (87.5%) ← 甜蜜点 ↑ +5.0pp, +1.4s 82% ──────────────────── high (82.5%)

xhigh 花了 1.4 秒换来 5pp 提升。max 花了 2.9 秒只换来 1.7pp。边际收益断崖了。

所以 Claude Code 把默认值改成 xhigh 是有道理的。除非你在做特别关键的任务（比如最终的代码 review），否则 max 的额外延迟不值得。

迁移踩坑：thinking.budget_tokens 没了

这是最容易中招的地方。

Opus 4.6 可以用thinking.budget_tokens精确控制思考深度：

# Opus 4.6 的写法——在 4.7 上会报错response=client.messages.create(model="claude-opus-4-6",thinking={"type":"enabled","budget_tokens":8000},...)

Opus 4.7 把这个参数移除了，换成了 effort 枚举：

# Opus 4.7 的写法response=client.messages.create(model="claude-opus-4-7",thinking={"type":"enabled","effort":"xhigh"},...)

如果你的代码里硬编码了budget_tokens，切到 4.7 会直接报错。

迁移建议：做一个兼容层。

defcreate_with_thinking(client,model,messages,effort="xhigh",**kwargs):thinking_config={"type":"enabled"}if"opus-4-7"inmodelor"opus-4.7"inmodel:# 4.7 用 effort 参数thinking_config["effort"]=effortelse:# 4.6 及之前用 budget_tokensbudget_map={"high":4000,"xhigh":8000,"max":16000}thinking_config["budget_tokens"]=budget_map.get(effort,8000)returnclient.messages.create(model=model,messages=messages,thinking=thinking_config,**kwargs)

这样不管后端是 4.6 还是 4.7，代码都不用改。通过 API 网关调用的话，这类兼容性问题通常在网关层处理好了。

要不要马上切 Opus 4.7？

这是大家最关心的问题。我的看法：大部分场景可以切，但不是全部。

成本分析

Opus 4.7 定价和 4.6 一样：$5/$25 per MTok。但因为 xhigh 模式输出的 token 比 high 多 75%（~2100 vs ~1200），实际使用成本会上升约 40-50%。

不过准确率提升意味着更少的重试。30 个工具场景下：

• DeepSeek V4：准确率 53.3%，平均需要 1.9 次调用才能得到正确结果
• Opus 4.7 xhigh：准确率 87.5%，平均 1.1 次

调用次数少了 42%，抵消了大部分 token 增长。

综合算下来，对于工具密集型 Agent：

• DeepSeek V4 每个正确结果的平均成本：~$0.0004
• Opus 4.7 每个正确结果的平均成本：~$0.0065

Opus 4.7 贵了 16 倍，但准确率高了 34pp。值不值得？看你的场景。如果工具调用错误会导致用户可见的故障，多花这个钱就是值得的。如果只是内部自动化脚本，DeepSeek V4 足够了。

最省钱的方案还是混合路由——简单工具调用走 DeepSeek，复杂的多步骤 Agent 任务走 Opus 4.7。通过 API 网关按任务类型自动路由，一个 Key 搞定。

一句话总结

Opus 4.7 在 Tool Use 上的提升是实打实的。30 个工具场景下准确率从 53%（DeepSeek V4）提升到 74%，幻觉率从 12.5% 降到 4.2%。“错误降到 1/3” 的说法在幻觉率上完全成立，在整体错误率上打个七折——降了一半左右。

xhigh 是 effort 参数的甜蜜点。迁移注意budget_tokens被移除了。TheRouter 已经支持 Opus 4.7，改一行 model 参数就能切。

TheRouter — 多模型 API 网关，已支持 Claude Opus 4.7。一个 Key 调用 Opus、DeepSeek、Qwen 等 30+ 模型，按任务复杂度自动路由到最合适的模型。