Claude Opus 4.5 和 GPT 到底多大

大家常把前沿 AI 想成「越大越猛」。但這件事，現在沒那麼直線了。GPT-4 曾被外界估到 1.6 兆參數。GPT-4o 的估計卻掉到 200B 到 300B。差很多，真的差很多。

這也讓 Anthropic 的 Claude Opus 變得更有意思。官方沒講參數數字，但市場早就不只看大小。大家更在意成本、延遲、吞吐量，還有模型到底能不能把活做好。

講白了，參數數量不是全部。可它還是很有參考價值。因為它會直接影響訓練成本、伺服器成本，還有產品能不能大規模上線。對開發者來說，這比「聽起來很大」重要太多。

參數大小，為什麼還是很重要

參數數量是一個粗糙指標。可是它很常反映現實世界的帳單。模型越大，訓練通常越貴。推論時也更吃 GPU，尤其是 dense model。

如果一個模型接近 1.6T 參數，那它的運行壓力就很大。反過來，200B 到 300B 的模型，通常更容易壓低服務成本。這也是為什麼很多公司開始追求更精簡的架構。

但你也不能只看數字。資料品質、訓練配方、MoE 路由、後訓練、工具調用，這些都會改變結果。說真的，有時候一個比較小的模型，實際用起來反而更順。

• GPT-4：外界常估約 1.6T 參數
• GPT-4o：常見估計落在 200B 到 300B
• Claude Opus：官方沒公開參數數字
• 推論成本：通常跟模型大小高度相關

公開線索到底透露了什麼

OpenAI 沒公開 GPT-4 和 GPT-4o 的參數數字，所以外界只能從間接線索拼圖。研究者會看模型表現、基礎設施痕跡、以及和合作夥伴相關的公開資訊。這不是精準答案，但方向很清楚。

GPT-4 長期被當成超大模型。1.6T 這個數字在技術圈流傳很久。到了 GPT-4o，敘事就變了。它更快，也更像是「夠大，但沒大到離譜」的那一類。

這裡可以直接引用一個老實又經典的觀點。Richard Sutton 在 The Bitter Lesson 裡寫過一句話，現在還是很有殺傷力。

“The bitter lesson is that general methods that leverage computation are ultimately the most effective, and by a large margin.” — Richard Sutton

這句話的意思很直接。別太迷信手工巧思。真正能打的系統，常常是把算力和訓練方法吃滿。只是現在多了一層：不一定要把參數做得超大，才叫強。

Claude Opus 4.5 可能走哪條路

Claude 4 系列沒有公開參數數字。這很正常。前沿模型廠商現在幾乎都不愛講這件事。因為市場已經不太買單單純比大小了。

Anthropic 近年的重點很明顯。它很在意 coding、長上下文、工具使用，還有 agent 工作流。這些能力對產品比較實際。你拿來寫程式、整理文件、跑流程，才真的有感。

所以如果 Claude Opus 4.5 或 4.6 的參數規模，落在 GPT-4o 類似區間，我一點也不意外。現在的競爭重點，早就不是誰喊出最大數字，而是誰用更少成本做出更好的體驗。

• Anthropic 沒公開 Claude Opus 的參數數字
• OpenAI 也沒公開 GPT-4 系列的完整大小
• GPT-4o 的 200B 到 300B，明顯低於 1T 級別想像
• 較小部署腳印，通常更利於大規模上線

對開發者和買家，差在哪裡

如果你真的要選模型，別只盯著排行榜。很多產品根本不需要 1.6T 那種級別。200B 到 300B 的模型，只要速度夠快、價格合理、回答品質穩，就已經很夠用。

這對 SaaS 團隊很重要。因為 AI 成本現在常常不是訓練，而是每天的推論帳單。只要使用量一上來，GPU 成本就會咬人。模型越能省，產品越容易活下來。

還有一個現實問題。你要做的是客服、摘要、程式輔助，還是多步驟 agent？不同任務對模型的要求差很多。對很多場景來說，延遲低 30%，比參數多 3 倍更有感。

• 訓練成本：通常會隨模型規模快速上升
• 服務成本：常是 AI 產品真正的瓶頸
• 延遲：模型越精簡，通常回應越快
• 產品適配：coding、摘要、agent 常看效率，不看面子

為什麼大家開始少談參數

這幾年，模型廠商越來越少公開參數數字。原因很簡單。第一，大家學會了參數不是全部。第二，公開太多，競爭對手也能更快推測架構方向。

另外，市場也變成熟了。以前大家會拿 7B、13B、70B 互相比。現在更常問的是：上下文長度多少？工具調用穩不穩？coding 表現如何？價格每百萬 Token 幾美元？

我覺得這是好事。因為這代表討論終於回到實用面。開發者要的不是一個好看的數字，而是一個能穩定跑在產品裡的模型。

所以 Claude Opus 4.5 到底多大

老實說，外部沒辦法精準知道。沒有官方數字，就只能看公開線索和產品表現。可是方向已經很清楚了：前沿模型正在往更高效率走。

如果 Claude Opus 4.5 真的跟 GPT-4o 站在同一個量級，那它的重點就不是「多大」，而是「每個參數能做多少事」。我會押注這條路。接下來你該看的，也不是誰喊出更誇張的數字，而是誰能把成本壓低，還維持品質。

對開發者來說，最實際的問題只有一個：你的產品，真的需要超大模型嗎？很多時候，答案其實是否定的。