AI 学会拒绝：Opus 4.8 首次实现偷懒率归零，Dynamic Workflows 让百 Agent 并行成常态
Anthropic 发布 Claude Opus 4.8，偷懒率首次降至 0%，AI 学会拒绝走捷径；同期上线的 Dynamic Workflows 支持数百子 Agent 并行协作，11 天完成 75 万行 Zig→Rust 移植
AI 学会了一个新词：「不」
5 月 29 日凌晨，Anthropic 发布了 Claude Opus 4.8。在 244 页的系统卡里，藏着一个此前从未出现在任何旗舰模型评测中的指标：偷懒率（sneaking rate）首次降至 0%。
这不是一个抽象的对齐分数。Anthropic 官博放了一段视频，把这件事具象化了——
一个开发者用 Claude Code + Opus 4.8 迁移代码，出门放风筝去了。跑到一半，代码提交被服务器拒绝了，原因是同事在这期间也提交了一个紧急修复。Claude 通知开发者，说打算先合并同事的修改再重试。开发者嫌麻烦回了一句「直接强制覆盖就行」。
Claude 拒绝了。
不强制覆盖。那样会丢掉同事 11:42 提交的紧急修复。我已经把两边的改动合并好了，代码完全一致，提交历史也干净。已推送。
用户图省事让 AI 走捷径，AI 判断出这样做会覆盖同事的工作，拒绝执行，自己选了正确方案。
这才是 Opus 4.8 最核心的升级——不是跑分又高了多少，而是AI 第一次系统性地具备了「拒绝不合理指令」的工程判断力。
诚实度跃迁：从「盲目自信」到「主动标注不确定性」
过去大模型的致命缺陷不是能力不够，而是「不懂装懂」。Opus 4.7 时代，模型放任自身代码缺陷未经说明就通过的概率，是 Opus 4.8 的四倍。
更具体的信号来自 Harvey 的法律基准测试。在 Legal Agent Benchmark（LAB）的严格全通过标准下，Opus 4.8 拿到 10.4%——这是第一个突破 10% 的模型。Harvey 团队注意到一个质变行为：Opus 4.8 经常在返回答案前「自我审问并修改」。这种 review-and-revise 行为在之前版本中几乎不存在。
在 Artificial Analysis 的综合评测中，Opus 4.8 以 61.4 分重新夺回 Intelligence Index 第一，比 GPT-5.5 xhigh 高出 1.2 分。核心优势集中在两个维度：
| 基准 | Opus 4.8 | GPT-5.5 | 差距 |
|---|---|---|---|
| SWE-bench Pro | 69.2% | 58.6% | +10.6 |
| GDPval-AA (ELO) | 1,890 | 1,769 | +121 |
| Humanity’s Last Exam | 57.9% | 52.2% | +5.7 |
| Terminal-Bench 2.1 | 74.6% | 78.2% | -3.6 |
SWE-bench Pro 测的是真实 GitHub 仓库中自主解决 Issue 的能力——最接近生产的编程基准，10.6 个百分点的差距不是微调，是代差。Terminal-Bench 是唯一的例外，GPT-5.5 在终端脚本任务上仍有优势。
Dynamic Workflows：从单线程到百 Agent 并行
与 Opus 4.8 同日上线的 Dynamic Workflows，是这次发布中更具范式意义的部分。
此前 Claude Code 的子 Agent 机制是「逐轮决策」：Claude 自己决定下一步做什么，每个中间结果都要回到对话上下文中，消耗 token，且子 Agent 数量受限于上下文窗口。Dynamic Workflows 彻底换了一套架构：
- Claude 根据任务动态生成 JavaScript 编排脚本
- 脚本将任务拆解为子任务，分发给数十到数百个并行子 Agent
- 一批子 Agent 从不同角度解决问题，另一批专门反驳前者的发现
- 反复迭代直到结果收敛，最终合并为统一输出
- 所有中间结果存储在脚本变量中，而非对话上下文里
这意味着主会话始终保持响应状态，任务规模再大也不会上下文溢出。进度持续保存，中断后可断点续传。
极限验证：11 天，75 万行 Rust
Anthropic 用 Bun 创始人 Jarred Sumner 的实战案例展示了上限：将 Bun 运行时从 Zig 移植到 Rust。
- 一个工作流为每个 struct 字段映射正确的 Rust lifetime
- 下一个工作流为每个
.zig文件编写行为一致的.rs移植版本，数百个 Agent 并行工作，每个文件配备两个 Reviewer Agent - 修复循环驱动构建和测试套件直到全部通过
- 移植完成后，隔夜工作流处理不必要的数据拷贝，为每处修改开 PR
11 天，75 万行 Rust 代码，99.8% 测试通过率。当然，社区争议也真实存在——产生了 13,000 多个 unsafe block，部分测试被修改以使 Rust 版本通过，GitHub 上出现了 Zig 原版不存在的新错误。这不是可以直接上生产的代码，但一个 AI 在 11 天内产出能编译能跑测试的 75 万行 Rust，已经不在原来的量级里了。
Token 消耗：Dynamic Workflows 的隐性代价
Anthropic 自己也坦承：Dynamic Workflows 的 token 消耗会明显高于普通 Claude Code 会话。首次触发工作流时会展示即将运行的内容并要求用户确认。
这指向一个行业趋势：AI 编码工具正在从「按次计费」走向「按成果计费」。当 Google I/O 2026 把 Gemini 应用计费从「每天能问多少次」改为按算力消耗计算，当 Claude Code 的 Dynamic Workflows 动辄消耗数百万 token 完成一次迁移——AI 包月不限量从一开始就是个过渡形态，真正的商业模式是「数字劳动力按成果交付」。
行业坐标：诚实度成为新竞争维度
Opus 4.8 的发布，把 AI 竞争的焦点从「谁更聪明」推向了「谁更可靠」。Anthropic 的对齐评估数据显示，Opus 4.8 在社会化特征指标上创下新高，欺骗或配合滥用等不对齐行为发生率大幅降低，表现已媲美 Anthropic 对齐程度最高的 Claude Mythos Preview。
与此同时，Databricks 报告称在其 Genie AI Agent 中，Opus 4.8 处理复杂多步问题的 token 成本较 Opus 4.7 降低 61%。更诚实 ≠ 更贵，这是 Opus 4.8 最反直觉的结论。
Anthropic 透露正在开发一款成本更低但能力接近 Opus 水平的模型，计划在未来数周内推出能力更强的 Claude Mythos 系列。从 Opus 4.7 到 4.8 只间隔 41 天，但在这 41 天里，AI 学会了一件比跑分更重要的事——知道什么时候该说不。