2026年2月6日
首页默认分类

Claude Opus 4.6 vs GPT-5.3-Codex 同日发布深度整理

By  默认分类  评论 0

整理日期：2026-02-06 | 发布日期：2026-02-05 Anthropic 在 2 月 5 日下午 6:40 发布 Opus 4.6，OpenAI 仅 20 分钟后发布 GPT-5.3-Codex，堪称 AI 编程领域的”神仙打架”。

一、Claude Opus 4.6 核心特点

1.1 关键升级

特性Opus 4.5Opus 4.6
上下文窗口200K tokens1M tokens（beta，约 75 万字 / 1500 页）
Agent 模式单 Agent 串行Agent Teams（多 Agent 并行协作）
ARC AGI 237.6%68.8%（近乎翻倍）
MRCR v2（长上下文）18.5%76%
自适应思维无根据任务复杂度自动调整推理深度

1.2 核心亮点

  • Agent Teams（智能体团队）：最重大的新功能。多个 Agent 可以拆分大型任务，各自负责一部分并直接协调，而非单个 Agent 串行处理。在 Claude Code 中尤为显著。
  • 1M 上下文窗口（beta）：首个支持百万 token 的 Opus 模型，可以在一次任务中处理整个代码库、大量文档或内部数据。
  • PowerPoint 集成：研究预览中直接集成到 Microsoft PowerPoint，可读取现有幻灯片的布局、字体和模板，生成或编辑幻灯片并保留设计元素。
  • 安全漏洞发现：发布数小时内，Opus 4.6 在开源代码中发现了 500+ 个此前未知的安全漏洞。
  • 金融分析排名第一：以 1606 Elo 评分在金融分析任务中排名首位。
  • Humanity’s Last Exam 最高分：在这项复杂多学科推理测试中领先所有前沿模型。

1.3 演示案例

  • 一次生成完整物理引擎：在测试中一次性（one-shot）生成了一个完整可用的物理引擎，处理大范围多模块任务。
  • 幻灯片自动生成：将电子表格数据直接转化为专业演示文稿，保持设计一致性。
  • 开源代码安全审计：自动扫描并发现数百个安全漏洞。

1.4 可用性

  • 已在 claude.ai、API、以及所有主要云平台上线
  • 已集成至 GitHub Copilot
  • 已集成至 Google Cloud Vertex AI

1.5 定价

  • API 定价与前代一致（具体价格未在公告中明确更新）

二、GPT-5.3-Codex 核心特点

2.1 关键升级

特性GPT-5.2-CodexGPT-5.3-Codex
速度基准快 25%
Terminal-Bench 2.064.0%77.3%
OSWorld38.2%64.7%
SWE-Bench ProSOTA新 SOTA（行业最高）
自我参与构建无首个参与自身构建的模型

2.2 核心亮点

  • 自我构建（Self-Built）：GPT-5.3-Codex 是首个在自身构建过程中发挥关键作用的模型——早期版本被用于调试训练、管理部署、诊断测试结果和评估。
  • 全自主开发：首个能”启动后离开，回来时看到可运行软件”的编码模型。有记录的自主运行超过 8 小时不退化。
  • 端到端开发闭环：独立完成编码、测试、部署、日志审查、迭代修复的完整开发生命周期。
  • 类人判断力：在提示缺乏细节时，做出的假设”与人类开发者惊人地相似”。
  • 实时协作交互：工作过程中频繁更新进展，用户可实时提问、讨论方案、引导方向。
  • 代码质量提升：产出更干净的架构，更少的临时补丁和隐蔽 bug。
  • 像人一样使用电脑：OSWorld 64.7% 的成绩意味着它能像人一样操作计算机完成任务。

2.3 演示案例

  • 8 小时自主编码：在无人干预下持续运行超 8 小时，交付完整可运行软件。
  • 跨仓库工作：无缝处理 Railway CLI 部署和跨代码仓库的协作任务。
  • 多 Agent 协作：多个 Agent 自然分工、专注各自工作流，展现协作能力提升。

2.4 可用性

  • 面向 ChatGPT 付费用户，通过 Codex App、CLI、IDE 扩展和 Web 界面提供
  • 开发者完整访问权限因安全考量延迟开放

2.5 安全警告

  • 这是 OpenAI 首个被标记为网络安全领域”High”能力的模型，触发了 Preparedness Framework 的相关安全措施。
  • Fortune 报道指出其引发了”前所未有的网络安全风险”。
  • OpenAI 以异常严格的控制措施推出此模型。

三、正面交锋：Benchmark 对比

基准测试Opus 4.6Codex 5.3说明
Terminal-Bench 2.065.4%77.3%Codex 大幅领先
SWE-Bench Pro强新 SOTACodex 行业最高
OSWorld–64.7%Codex 电脑操作能力
Humanity’s Last Exam最高分–Opus 多学科推理最强
ARC AGI 268.8%–Opus 新颖问题解决翻倍
MRCR v2（长上下文）76%–Opus 长上下文大幅提升
金融/法律实务+144 Elo基准Opus 在专业领域领先
LFG Bench（实测）9.25/107.5/10Opus 在复杂项目中更强

Every.to LFG Bench 实测详情（4 项任务）

  1. React 落地页 — 两者表现接近
  2. Three.js 3D 岛屿场景 — 两者表现接近
  3. Streamlit 数据面板 — Opus 略优
  4. Next.js 电商网站 — Opus 完成所有功能，Codex 遗漏了结账流程；差距明显拉大

四、早期用户口碑

4.1 Opus 4.6 用户评价

正面反馈：

  • Cursor 联合创始人 Michael Truell：「Opus 4.6 在最难的问题上表现卓越。它展现了更强的持久性、更强的代码审查能力，以及在长任务中坚持到底的能力——其他模型往往在这里放弃。」
  • 在 Windsurf 中体验显著优于 Opus 4.5，尤其在调试和理解陌生代码库等需要仔细探索的任务上。
  • 一次性生成完整物理引擎的案例令人印象深刻。
  • 企业级大型代码库和设计系统的处理能力有实质性提升。

负面/争议反馈：

  • 写作质量下降：用户报告编码能力提升但写作质量（尤其技术文档）退化。
  • Reddit 上出现大量”lobotomized（被做了前脑叶切除术）”和”nerfed（被削弱了）”的描述，数小时内获得大量关注。
  • 早期用户建议：编码用 4.6，写作留 4.5。
  • 社区反应两极分化。

4.2 Codex 5.3 用户评价

正面反馈：

  • Matt Shumer（HyperWrite 创始人）：「这是第一个让完全自主开发开始变得真正可行的编码模型。」
  • 用户报告代码库在模型处理后状态更好，更少 hacky 补丁和死代码。
  • 多 Agent 测试显示真正的协作改进，Agent 们自然分化出不同专长。
  • 在缺乏细节的提示下做出的判断「与我本人的决策惊人地相似」。

负面/争议反馈：

  • 速度较慢：运行时间通常需要数小时，显著慢于 Opus 4.5。
  • 状态可见性不足：叙述中断和任务复选框更新延迟降低了运行透明度。
  • 最终总结技术性过强，非专业人员需要”翻译”。
  • 网络安全风险引发争议，OpenAI 延迟了完整的开发者访问权限。
  • 不太适合 prompt 设计和 Agent 架构设计等创意性工作。

五、选型建议（来自 Every.to 等多方评测总结）

场景推荐模型原因
复杂/开放性编程问题Opus 4.6更高上限、更强探索能力
长时间自主编码任务Codex 5.3可靠性更强、自主运行不退化
大型代码库理解Opus 4.61M 上下文窗口优势
日常稳定编码Codex 5.3输出更可预测、更少意外
多学科推理/金融法律Opus 4.6专业领域 Elo 评分更高
需要像人一样操作电脑Codex 5.3OSWorld 64.7% 领先
写作/文档生成Opus 4.5（而非 4.6）4.6 写作质量有争议性退化
快速原型/样式迭代Opus 4.6速度更快、更有创意

六、行业观察

  • Every.to 的结论：两个模型正在趋同——Opus 4.6 获得了 Codex 系列的精确风格，而 Codex 5.3 则吸收了 Opus 的温度、速度和主动性。
  • Simon Willison 将此称为 AI 编码领域的”大趋同”时刻。
  • VentureBeat 称此为”AI 编码战争升温”。
  • 36氪报道标题：「ChatGPT 和 Claude 同时重大更新——无法掌握 AI 的工人将被淘汰」。

七、信息来源

 

小尾巴==========================
公众号：托尼不是塔克
交流群
知识星球
==============================

 



相关文章

关于作者

tony

某人

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注