一夜兩炸！Opus 4.6 編程能力竟然倒退， OpenAI 炸出首個(gè)自我創(chuàng)造的模型

★ 設(shè)為星標(biāo) | 只講人話，帶你玩轉(zhuǎn)AIGC。

這周一直在蹲 Claude 新版發(fā)布，結(jié)果沒想到幾個(gè)小時(shí)前，AI 圈上演了史上最抓馬（Drama）的一幕。

OpenAI 和 Anthropic 這兩家死對(duì)頭，直接開干了。

本來是 Claude 要發(fā)新版，沒想到 OpenAI 也來攪局了。 對(duì)于這種不講武德，Anthropic 只能提前 15 分鐘偷跑了！

其實(shí)這兩家的火藥味，在前幾天就已經(jīng)藏不住了。

Anthropic 直接在超級(jí)碗廣告里面公開諷刺 OpenAI 在 ChatGPT 里植入廣告，那個(gè)陰陽怪氣的勁兒，簡(jiǎn)直是把桌子都掀了。

既然兩家已經(jīng)撕破臉打起了“明牌”，那我們這些打工人也別客氣了。

今天這篇，就來聊聊這兩個(gè)“神仙”到底誰更能打，以及我們?cè)摪颜l招進(jìn)團(tuán)隊(duì)？

01｜ Claude Opus 4.6：深思熟慮的“老領(lǐng)導(dǎo)”

Opus 4.6 這次主打一個(gè)百萬 token 上下文，以及 Agent team，不過在深入之前，按照慣例我們還是先看看跑分。

圖：Opus 4.6 參數(shù)表

1. “辦公室的神”實(shí)錘了 (Office Tasks & Search)

這是 Claude 最引以為傲的地方。

在辦公任務(wù)（Office Tasks）上，Opus 4.6 拿到了 1606 分，直接碾壓了 GPT-5.2 的 1462 分。

這說明在處理復(fù)雜的文檔、表格、寫報(bào)告這種“白領(lǐng)工作”上，Claude 的優(yōu)勢(shì)巨大。

之前 Claude 已經(jīng)發(fā)過一個(gè) Excel 插件，這次不僅進(jìn)行了大幅升級(jí)。還新出了一個(gè) PPT 插件，看樣子它是準(zhǔn)備把手伸進(jìn) Office 全家桶。

在 Excel里處理完數(shù)據(jù)，能直接在 PowerPoint 里給你生成 PPT，連你公司的品牌字體、配色模板都能自動(dòng)對(duì)齊 。

產(chǎn)品經(jīng)理和咨詢顧問們，顫抖了嗎？

在搜索能力（BrowseComp）上也是遙遙領(lǐng)先，說明 Claude 更擅長(zhǎng)在網(wǎng)頁的海洋里撈出你真正需要的信息，而不是給你扔一堆無關(guān)鏈接。

這對(duì)于一個(gè) Agent 來說是極其重要的。

2. 奇怪的“倒退”：寫代碼居然變差了？ (Agentic Coding)

不知道大家發(fā)現(xiàn)沒有，這里有個(gè)非常有意思的細(xì)節(jié)，甚至可以說是“翻車”現(xiàn)場(chǎng)。

Agentic coding (SWE-bench Verified) Opus 4.6 的得分是 80.8%，而上一代 Opus 4.5 的得分是 80.9%。

這就詭異了，Opus 一直主打一個(gè)編程能力強(qiáng)，新模型居然比老模型低了 0.1%？

雖然這屬于誤差范圍，但在這種級(jí)別的宣傳物料里出現(xiàn)“負(fù)增長(zhǎng)”是非常罕見的。

這可能印證了文中提到的“過度思考”問題，因?yàn)橄氲锰啵炊押?jiǎn)單的代碼寫復(fù)雜了，導(dǎo)致通過率下降。

程序員朋友們注意了，寫代碼這事兒，新版 Claude 沒準(zhǔn)還不如舊版利索，它可能有點(diǎn)“想太多”。

3.智能體實(shí)測(cè)：長(zhǎng)了雙手，但腦子有點(diǎn)亂？

最近的模型看點(diǎn)，其實(shí)已經(jīng)從 AI 的“動(dòng)嘴”能力轉(zhuǎn)移到“動(dòng)手”了，也就是所謂的 Agent 能力。

在電腦操作（Computer Use）上，Claude Opus 4.6 拿到了 72.7% 的高分。

這意味著它不再只是給你寫代碼，而是真的能接管鼠標(biāo)鍵盤，像個(gè)活人一樣幫你點(diǎn)開軟件、配置環(huán)境。

但別高興太早，這里藏著一個(gè)巨大的雷。

在大規(guī)模工具調(diào)度（Scaled Tool Use）上，新模型居然翻車了！

Opus 4.6 的得分只有 59.5%，不僅輸給了死對(duì)頭 GPT-5.2（60.6%），甚至還不如它自己的上一代 Opus 4.5（62.3%）。

這是什么概念？如果你讓它干一件具體的事（比如在終端編程），它很強(qiáng)（Terminal Coding 65.4%）。

但如果你一口氣甩給它幾十個(gè)工具讓它自己調(diào)度，這位“深思熟慮”的老領(lǐng)導(dǎo)可能反而會(huì)因?yàn)橄胩喽炎约豪@暈。

想用它搞復(fù)雜自動(dòng)化流程的開發(fā)者，心里恐怕得打個(gè)鼓了。

除了這個(gè)跑分以外，Opus 4.6 這次還帶了了 2 個(gè)真正重磅的更新。

1. 記憶力怪獸：一口氣吞下 100 萬 Token

Opus 系列第一次支持 100 萬 token 的上下文窗口，比上一代直接翻了 5 被。

100 萬 token 是什么概念？

你把整套《哈利波特》加上你們公司那堆陳年代碼山一起扔進(jìn)去，它不僅吞得下，還能精準(zhǔn)地告訴你第 300 頁代碼里那個(gè)變量名拼錯(cuò)了 。

用它來寫代碼或者寫書、翻譯的人都很清楚，這個(gè)東西是有多重要了。

而且，它終于治好了 AI 的“金魚腦”。

以前我們最怕聊著聊著 AI 就忘了前面的設(shè)定，但 Opus 4.6 搞了個(gè)“記憶壓縮技術(shù)”，在腦容量快爆的時(shí)候自動(dòng)把舊信息打包壓縮 。

這就使得它在很長(zhǎng)的上下文檢索或者長(zhǎng)語境情況下進(jìn)行推理，變得非常強(qiáng)。

這就好比一個(gè)永遠(yuǎn)隨身帶錄音筆和會(huì)議紀(jì)要的秘書，想糊弄它？沒門。

2. 給我配一個(gè)“智能體團(tuán)隊(duì)”

這是我覺得最炸裂的功能。

在 Claude Code 里，你不再是一對(duì)一單挑，而是可以組建一個(gè)團(tuán)隊(duì)（Agent Teams）。

你可以指揮好幾個(gè) AI“分身”同時(shí)開工：一個(gè)負(fù)責(zé)寫代碼，一個(gè)負(fù)責(zé)查 Bug，一個(gè)負(fù)責(zé)寫文檔 。

它們作為一個(gè)團(tuán)隊(duì)協(xié)同工作，共享任務(wù)，互相之間可以進(jìn)行消息傳遞和集中管理。

你呢？你只需要像老板一樣，看著它們干活，哪里不對(duì)點(diǎn)哪里，或者直接接管其中一個(gè)“分身”的操作 。

這哪是寫代碼，這簡(jiǎn)直是在玩《模擬人生》??！

現(xiàn)在，Claude 網(wǎng)頁版和 Claude Code上，Claude Opus 4.6 都已經(jīng)上線了。

不過，有一說一，Opus 4.6 雖然說自己厲害，但對(duì)標(biāo)的都是 GPT 的前一代 5.2，但跟同時(shí)炸出的 5.3 Codex 相比怎么樣呢？

02 GPT-5.3-Codex：手速驚人的“全能工程師”

如果說 Claude 是坐辦公室的管理者，那 OpenAI 的 GPT-5.3-Codex 就是那個(gè)這輩子不知道什么叫累的超級(jí)工程師

1. 唯快不破，且“自我進(jìn)化”

OpenAI 這次就兩個(gè)字：快，強(qiáng)。新模型比上一代 GPT-5.2 快了 25% 。

但最讓我背脊發(fā)涼的是這一點(diǎn)：它是自己把自己造出來的。

OpenAI 的工程師承認(rèn)，他們大量使用了早期版本的 Codex 來找 Bug、調(diào)試訓(xùn)練過程 。

AI 開始自我進(jìn)化了，朋友們，終結(jié)者的劇本是不是翻得太快了點(diǎn)？

2. 編碼及 Agent 能力

OpenAI 這次不裝了，直接給了 AI 一雙手。

它在 OSWorld（電腦操作測(cè)試）上的得分直接起飛，達(dá)到了 64.7%（人類大概是 72%），比上一代基本翻倍了。

看得出來，OpenAI 在猛干 Codex 的 Agent 能力，不過這個(gè)值似乎低于前面的 Opus 4.6（72.7%，已經(jīng)超越了人類？）

但細(xì)心的你會(huì)發(fā)現(xiàn)這里面有貓膩。Opus 的是 OSWorld ，而 OpenAI 這里加了個(gè)個(gè) Verified。

簡(jiǎn)單來說，Verified 是個(gè)升級(jí)版，它的難度系數(shù)更大，所以這里誰強(qiáng)誰弱還真說不準(zhǔn)。（有可能 Codex 更強(qiáng)一點(diǎn)）

這意味著它不僅能寫代碼，還能像你一樣控制鼠標(biāo)鍵盤，在電腦上點(diǎn)來點(diǎn)去。

在測(cè)試?yán)?，OpenAI 甚至讓它從零開始寫了兩個(gè)游戲（賽車和潛水游戲），它就這么自己在電腦上改 Bug、測(cè)試、迭代，幾天就搞定了 。

說到編程能力，這里又和 OSWorld 一樣，兩家的指標(biāo)不一樣。

再次的，OpenAI 采用了更嚴(yán)格的SWE-Bench Pro，而 Opus 用的是SWE-Bench Verified。

SWE-Bench Verified 僅測(cè)試 Python 編碼能力，而SWE-Bench Pro 涵蓋了 4 種語言，它的挑戰(zhàn)性會(huì)高很多。

兩家唯一共同的指標(biāo)，也是爭(zhēng)吵最多的指標(biāo)：Terminal-Bench。

兩家公司前后腳發(fā)布，自然少不了互相拉踩。但這次的數(shù)據(jù)對(duì)比，簡(jiǎn)直是一場(chǎng)“羅生門”。

爭(zhēng)議焦點(diǎn)就是這個(gè) Terminal-Bench 2.0（終端技能）

Anthropic 宣稱： 我們是 No.1！Opus 4.6 拿到了該測(cè)試的最高分。（65.4%）

但僅僅 15 分鐘后，OpenAI 的報(bào)告里赫然寫著：GPT-5.3-Codex 拿了 77.3%。

3. 它是懂“交互”的

以前用 AI 寫代碼，最煩它寫一堆你就干等著。

現(xiàn)在的 GPT-5.3-Codex 會(huì)像個(gè)坐在你旁邊的同事，一邊寫一邊跟你匯報(bào)：“老板，我準(zhǔn)備這么改，你覺得行嗎？”

你可以隨時(shí)打斷它，糾正它 。

這種“結(jié)對(duì)編程”的感覺，真的太像真人了。

寫在最后：變天了

本來這幾天，大家其實(shí)都在等咱們自家的“AI 春晚”（畢竟 DeepSeek R2 還沒動(dòng)靜）。沒想到，大洋彼岸的“科技春晚”先演了一出大戲，還是一場(chǎng)直接掀桌子的硬仗。

拋開剛才的拉踩不談，透過這兩家打得頭破血流的數(shù)據(jù)，我們也該看清一個(gè)事實(shí)：風(fēng)向徹底變了。

現(xiàn)在無論是 Claude 想做“全能文員”，還是 GPT-5.3 開始“自我創(chuàng)造”，大家都在死磕同一個(gè)方向：Agent（智能體）。

也就是，少?gòu)U話，去干活。

未來的 AI 戰(zhàn)場(chǎng)，不再是比拼誰更像個(gè)百科全書，而是比拼誰能真正接管你的鼠標(biāo)和鍵盤。

從寫代碼、修 Bug，到操作 Excel、調(diào)度工具，模型的能力正在從“紙上談兵”轉(zhuǎn)向“真刀真槍”的交付。

這是一個(gè)分水嶺。

未來的 AI 不再是那個(gè)陪你聊天的虛擬網(wǎng)友，而是那個(gè)能坐在你工位上，用你的電腦，把你工作干完的——超級(jí)同事。

美國(guó)的卷完了，接下來，壓力給到國(guó)產(chǎn)模型這邊了。

(看完覺得有啟發(fā)的，點(diǎn)個(gè)“贊”、點(diǎn)個(gè)??，咱們?cè)u(píng)論區(qū)見！)