一夜兩炸！Opus 4.6 編程能力竟然倒退， OpenAI 炸出首個自我創造的模型

★ 設為星標 | 只講人話，帶你玩轉AIGC。

這周一直在蹲 Claude 新版發布，結果沒想到幾個小時前，AI 圈上演了史上最抓馬（Drama）的一幕。

OpenAI 和 Anthropic 這兩家死對頭，直接開干了。

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

其實這兩家的火藥味，在前幾天就已經藏不住了。

Anthropic 直接在超級碗廣告里面公開諷刺 OpenAI 在 ChatGPT 里植入廣告，那個陰陽怪氣的勁兒，簡直是把桌子都掀了。

既然兩家已經撕破臉打起了“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“神仙”到底誰更能打，以及我們該把誰招進團隊？

01｜ Claude Opus 4.6：深思熟慮的“老領導”

Opus 4.6 這次主打一個百萬 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 參數表

1. “辦公室的神”實錘了 (Office Tasks & Search)

這是 Claude 最引以為傲的地方。

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

這說明在處理復雜的文檔、表格、寫報告這種“白領工作”上，Claude 的優勢巨大。

之前 Claude 已經發過一個 Excel 插件，這次不僅進行了大幅升級。還新出了一個 PPT 插件，看樣子它是準備把手伸進 Office 全家桶。

在 Excel里處理完數據，能直接在 PowerPoint 里給你生成 PPT，連你公司的品牌字體、配色模板都能自動對齊 。

產品經理和咨詢顧問們，顫抖了嗎？

在搜索能力（BrowseComp）上也是遙遙領先，說明 Claude 更擅長在網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鏈接。

這對于一個 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)

不知道大家發現沒有，這里有個非常有意思的細節，甚至可以說是“翻車”現場。

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 一直主打一個編程能力強，新模型居然比老模型低了 0.1%？

雖然這屬于誤差范圍，但在這種級別的宣傳物料里出現“負增長”是非常罕見的。

這可能印證了文中提到的“過度思考”問題，因為想得太多，反而把簡單的代碼寫復雜了，導致通過率下降。

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

3.智能體實測：長了雙手，但腦子有點亂？

最近的模型看點，其實已經從 AI 的“動嘴”能力轉移到“動手”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鍵盤，像個活人一樣幫你點開軟件、配置環境。

但別高興太早，這里藏著一個巨大的雷。

在大規模工具調度（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（Terminal Coding 65.4%）。

但如果你一口氣甩給它幾十個工具讓它自己調度，這位“深思熟慮”的老領導可能反而會因為想太多而把自己繞暈。

想用它搞復雜自動化流程的開發者，心里恐怕得打個鼓了。

除了這個跑分以外，Opus 4.6 這次還帶了了 2 個真正重磅的更新。

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去，它不僅吞得下，還能精準地告訴你第 300 頁代碼里那個變量名拼錯了 。

用它來寫代碼或者寫書、翻譯的人都很清楚，這個東西是有多重要了。

而且，它終于治好了 AI 的“金魚腦”。

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

這就使得它在很長的上下文檢索或者長語境情況下進行推理，變得非常強。

這就好比一個永遠隨身帶錄音筆和會議紀要的秘書，想糊弄它？沒門。

2. 給我配一個“智能體團隊”

這是我覺得最炸裂的功能。

在 Claude Code 里，你不再是一對一單挑，而是可以組建一個團隊（Agent Teams）。

你可以指揮好幾個 AI“分身”同時開工：一個負責寫代碼，一個負責查 Bug，一個負責寫文檔 。

它們作為一個團隊協同工作，共享任務，互相之間可以進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，哪里不對點哪里，或者直接接管其中一個“分身”的操作 。

這哪是寫代碼，這簡直是在玩《模擬人生》啊！

現在，Claude 網頁版和 Claude Code上，Claude Opus 4.6 都已經上線了。

不過，有一說一，Opus 4.6 雖然說自己厲害，但對標的都是 GPT 的前一代 5.2，但跟同時炸出的 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 就是那個這輩子不知道什么叫累的超級工程師

1. 唯快不破，且“自我進化”

OpenAI 這次就兩個字：快，強。新模型比上一代 GPT-5.2 快了 25% 。

但最讓我背脊發涼的是這一點：它是自己把自己造出來的。

OpenAI 的工程師承認，他們大量使用了早期版本的 Codex 來找 Bug、調試訓練過程 。

AI 開始自我進化了，朋友們，終結者的劇本是不是翻得太快了點？

2. 編碼及 Agent 能力

OpenAI 這次不裝了，直接給了 AI 一雙手。

它在 OSWorld（電腦操作測試）上的得分直接起飛，達到了 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，不過這個值似乎低于前面的 Opus 4.6（72.7%，已經超越了人類？）

但細心的你會發現這里面有貓膩。Opus 的是 OSWorld ，而 OpenAI 這里加了個個 Verified。

簡單來說，Verified 是個升級版，它的難度系數更大，所以這里誰強誰弱還真說不準。（有可能 Codex 更強一點）

這意味著它不僅能寫代碼，還能像你一樣控制鼠標鍵盤，在電腦上點來點去。

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

說到編程能力，這里又和 OSWorld 一樣，兩家的指標不一樣。

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

SWE-Bench Verified 僅測試 Python 編碼能力，而SWE-Bench Pro 涵蓋了 4 種語言，它的挑戰性會高很多。

兩家唯一共同的指標，也是爭吵最多的指標：Terminal-Bench。

兩家公司前后腳發布，自然少不了互相拉踩。但這次的數據對比，簡直是一場“羅生門”。

爭議焦點就是這個 Terminal-Bench 2.0（終端技能）

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

但僅僅 15 分鐘后，OpenAI 的報告里赫然寫著：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。

現在的 GPT-5.3-Codex 會像個坐在你旁邊的同事，一邊寫一邊跟你匯報：“老板，我準備這么改，你覺得行嗎？”

你可以隨時打斷它，糾正它 。

這種“結對編程”的感覺，真的太像真人了。

寫在最后：變天了

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

拋開剛才的拉踩不談，透過這兩家打得頭破血流的數據，我們也該看清一個事實：風向徹底變了。

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

也就是，少廢話，去干活。

未來的 AI 戰場，不再是比拼誰更像個百科全書，而是比拼誰能真正接管你的鼠標和鍵盤。

從寫代碼、修 Bug，到操作 Excel、調度工具，模型的能力正在從“紙上談兵”轉向“真刀真槍”的交付。

這是一個分水嶺。

未來的 AI 不再是那個陪你聊天的虛擬網友，而是那個能坐在你工位上，用你的電腦，把你工作干完的——超級同事。

美國的卷完了，接下來，壓力給到國產模型這邊了。

(看完覺得有啟發的，點個“贊”、點個??，咱們評論區見！)