测试Claude Opus 4.8：红绿色盲与糖果题仍出错

背景

近期，AI 模型迭代迅速，Anthropic 推出的 Claude Opus 系列一直是业界关注的焦点。随着 Any 平台成功上架并支持调用 claude-opus-4.8 模型，社区开始对该模型进行新一轮的能力测试。本文基于 LINUX DO 社区的一篇分享，记录了用户利用该模型进行经典逻辑陷阱测试的过程，旨在评估 claude-opus-4.8 在视觉/逻辑推理及复杂工作流模式下的实际表现。

核心内容

本次测试主要围绕 Anthropic 最新发布的 claude-opus-4.8 模型展开，测试平台为 Any，调用参数设置为 effort: max。测试者选取了两个在 AI 领域极具代表性的“陷阱”问题作为评估基准：

1. 红绿色盲问题：这是一个经典的逻辑与视觉认知测试题，通常用于检验模型是否会被表面文字误导而忽略基本的生理常识或逻辑前提。测试结果显示，claude-opus-4.8 在此题上回答错误。
2. 糖果问题：这是一个涉及数学逻辑或序列推理的经典测试（通常指代如“糖果交换”或“剩余数量”等易错逻辑题）。在默认的 effort: max 模式下，模型同样回答错误。

鉴于 Opus 4.8 引入了新的 effort: ultra code 模式，测试者进一步尝试了该模式下的表现。该模式旨在通过更复杂的计算资源分配来提升代码生成和逻辑推理能力。

• 工作流机制：当启用 effort: ultra code 模式处理糖果问题时，模型自动启动了一个包含 9 个代理（Agents） 的复杂工作流。具体架构为 5 个独立求解代理 并行处理问题，并配合 4 个对抗验证代理 进行交叉检查和纠错。
• 测试结果：尽管采用了这种被称为“大炮打蚊子”的高配工作流，模型在糖果问题上的最终输出结果依然是 29，与默认模式下的错误答案一致，未能纠正逻辑偏差。
• 资源消耗：此次测试消耗了显著的 Token 数量，反映了 ultra code 模式在高负载下的资源密集特性。

测试者指出，上述问题的标准答案（正确答案）可参考 GPT-5.5 在 Cherry Studio 中的输出结果，并引导读者前往 LINUX DO 的相关主题帖（Topic ID: 1854373）查看完整的讨论和更多测试数据。

关键要点

• 模型版本：测试对象为 Anthropic 的 claude-opus-4.8 模型，通过 Any 平台进行调用。
• 基础模式表现：在 effort: max 默认高强度模式下，模型在“红绿色盲”和“糖果”两个经典逻辑陷阱题上均失败。
• 高级模式机制：effort: ultra code 模式会自动触发多代理协作工作流，包含 5 个求解代理和 4 个对抗验证代理，旨在通过并行计算和对抗性验证提升准确性。
• 高级模式局限：即便使用了高成本的“大炮打蚊子”式多代理工作流，模型在糖果问题上的逻辑错误仍未被纠正，最终答案仍为 29。
• 社区互动：测试结果由 LINUX DO 社区用户分享，并鼓励其他用户补充更多问题的测试数据，以形成更全面的模型能力图谱。

意义与影响

此次测试揭示了当前前沿大模型在复杂逻辑推理和抗干扰能力上仍存在显著短板。尽管 Anthropic 通过引入 effort: ultra code 和多代理工作流试图通过增加计算资源（Token 消耗）和验证步骤来弥补模型能力的不足，但测试结果表明，单纯的资源堆砌和流程复杂化并不一定能解决根本性的逻辑认知缺陷。

对于开发者和用户而言，这意味着：

1. 模型选择需谨慎：即使是最顶级的 Opus 系列模型，在处理特定类型的逻辑陷阱时仍可能失效，不能盲目信任其输出。
2. 工作流设计的启示：多代理对抗验证（Agentic Workflow）虽然能提升处理复杂任务的能力，但在面对基础逻辑谬误时，可能需要更针对性的提示词工程（Prompt Engineering）或思维链（Chain-of-Thought）优化，而非仅仅依赖自动化的代理协作。
3. 持续评估的重要性：AI 能力评估是一个动态过程，需要社区持续通过经典基准测试（如红绿色盲、糖果问题等）来监控模型迭代中的性能波动。