同一天，Claude和OpenAI把新模型一起砸了出来

2026年2月6日，今天我熬了个通宵，因为Anthropic和OpenAI居然在同一天先后发新模型，我一边等发布一边记录，把两边的东西全过了一遍。

等了整整两天，凌晨两点，Anthropic的新模型Claude Opus 4.6正式更新。

说实话，我最近被AI圈这些模型和产品折腾得熬夜熬得有点扛不住了。结果更绝望的是，仅仅20分钟之后，OpenAI也发了新模型——GPT-5.3 Codex也来了。这真的是中门对狙，要了亲命了。

这两个模型都必须看，因为此前GPT和Claude几乎就是我唯二的主力模型：GPT-5.2用来做各种搜索、事实核查、研究和编程改BUG，Opus 4.5做创作和主力编程。现在两个同时来了，太刺激了。一个一个说。

一、Claude Opus 4.6

这次Anthropic其实不止发了Claude Opus 4.6，还有个很好玩的东西叫Agent Teams，以及Excel和PPT插件的更新。

先说模型本身。每次新模型发布，第一反应都是看跑分。这次Opus 4.6的跑分确实漂亮，挑几个重点。

Terminal-Bench 2.0测的是AI在终端环境下的编程能力，Opus 4.6拿了65.4%，是所有模型里最高的（在看到GPT-5.3 Codex之前）。GPT-5.2是64.7%，Gemini 3 Pro是56.2%。

让我比较惊讶的是OSWorld，测AI操作电脑的能力，Opus 4.6拿了72.7%，比Opus 4.5的66.3%高了不少。这意味着Claude越来越会用电脑了，能更好地操作鼠标、点击按钮、在不同应用间切换；在Coding能力提升的同时电脑操作能力也大幅进步，这是真要奔着全面Agent化去。

BrowseComp也让我意外，测Agent在网上搜索信息的能力，Opus 4.6拿了84.0%，远超其他模型，第二名GPT-5.2 Pro是77.9%，差了六个多点。我自己一直把GPT-5.2 Pro当作最牛的研究报告生成引擎在用，它比DeepResearch还强，精准度极高幻觉率极低；现在Opus 4.6比它还高6个点，说实话有点离谱。

然后是GDPval-AA，测AI在真实工作任务中的表现，覆盖金融、法律等领域的知识工作。Opus 4.6拿了1606的Elo分，比GPT-5.2高144分，比前代Opus 4.5高190分。144分的Elo差距相当大，也就是说在干活这件事上，Opus 4.6确实是目前最强的，Claude是真的在把自己的编程能力逐渐泛化到其他工作场景。

最离谱的是ARC AGI 2，68.8%，吊打一切。我之前在GPT-5.2发布时的文章里科普过这类题：它考察的是所谓的流体智力（Fluid Intelligence），也就是不依赖已有知识、在全新情境下进行逻辑推理、识别模式和解决问题的能力。说白了，就是你的悟性和开窍的能力。之前ARC-AGI-2上GPT-5.1得分17.6%，GPT-5.2 Pro直接飙到50%多，这次Claude Opus 4.6直接干到68.8%，差点摸到7字头。

从这些跑分看，除了在世界知识和问答上Claude Opus 4.6还弱于GPT-5.2，其他几乎已经全面领先，当之无愧的SOTA。

说实话，我对跑分一直感情复杂。一方面跑分确实能说明问题，另一方面跑分和实际使用体验之间往往有道很深的鸿沟：很多模型跑分很高但用起来不顺手，反过来有些模型整体跑分一般，在某些场景下就是还挺好用。所以我更关注这次更新在产品层面做了什么。

第一个：1M token的上下文窗口。普天同庆，Claude Opus系列终于有1M上下文了，Opus 4.6支持100万token。做Coding的朋友都知道上下文容量有多重要，之前只有200K的小窗口，这次整整翻了5倍。

但我要说一个很重要的点：上下文窗口大，不等于模型能真正用好这么大的上下文。很多模型虽然支持很长的上下文，你真塞进去很多内容之后表现会明显下降，变得很蠢。这个问题业内叫"context rot"，上下文腐烂，用得越久模型能力越差。而这次Claude Opus 4.6在MRCR v2上做了实验，这是大海捞针类测试，在一大堆文本里藏关键信息看模型能不能找到。在100万token、藏8根针的测试里，Opus 4.6直接拿了76%，而Sonnet 4.5只有18.5%，太牛了。上下文推理上也傲视群雄。这对很多实际场景真的非常有用，也是我最喜欢的升级点：不只coding，比如让Claude审查几百页的法律文件，或者分析一个大公司的财报，现在大概率能一次性搞定。

第二个：输出上限提升到128K。以前Claude的输出上限都是64K，这次直接翻倍，听起来不起眼，但对实际使用真的很重要，算相当不错的利好。

第三个：Context Compaction，上下文压缩。这个功能Claude Code里实现很久了，但很有必要说，因为它解决一个很现实的问题：跟AI聊很久或让它执行很长的任务，对话内容越来越多，最终会超过上下文窗口限制。以前要么任务失败，要么手动清理历史。现在Claude能自动把旧内容压缩成摘要，腾出空间给新内容，从而执行更长时间的任务而不中断。这对需要Claude长时间自主工作的场景很实用。以前是在Claude Code里用工程实现的，现在直接模型自带了。

第四个：Adaptive Thinking和Effort控制。以前Claude有"extended thinking"，让它回答前先深度思考一会儿，开启后回答质量提升但速度变慢、成本增加；问题是以前要么开要么关，没有中间状态，简单问题开深度思考有点杀鸡用牛刀。现在有两个新功能解决：一个是Adaptive Thinking自适应思考，开启后Claude自己判断需不需要深度思考，简单问题快速回答，复杂问题多想一会儿；另一个是Effort控制，可以手动设置思考程度，四个档位low、medium、high、max，默认high。两者加起来让Claude的使用更灵活，可以在速度、成本、质量之间找平衡。

然后是Claude Code里很重要的更新——Agent Teams。以前用Claude Code是一个Claude干活，你给它任务它自己做完给你结果。现在不一样了，你可以让一个会话充当团队负责人，协调工作、分配任务并综合结果，然后启动团队成员独立工作，各自在自己的上下文窗口里，并彼此直接通信。

比如做代码审查，要看前端、后端和数据库相关代码，以前可能要分三次让Claude看。现在说"帮我审查这个代码库"，Claude会自动启动3个团队成员，一个看前端一个看后端一个看数据库，同时进行，最后汇总。而且这些成员不是完全独立的，可以相互沟通：比如后端代理发现一个API变更，可以告诉前端代理，让前端去检查调用这个API的地方有没有问题，它们还可以互相质疑、互相挑战、互相发现。

这跟Claude Code里之前的subagents（子代理）不同：子代理在单个会话中运行，只能向主代理报告结果；而Agent Teams是一个团队，成员可以直接与其他成员互动，无需通过负责人。官方也做了非常明确的区分：需要快速、专注的工作人员做反馈时用子代理；当团队成员需要共享发现、相互挑战和自主协调时，用Agent Teams。

然后是两个小更新。Claude in Excel插件把Opus 4.6直接集成进了Excel，现在支持数据透视表编辑、图表修改、条件格式设置、排序和筛选、数据验证以及金融级格式设置，还加了长对话自动压缩和拖放多文件支持等可用性改进。另外还发了Claude in PowerPoint，把Claude集成到PowerPoint侧边栏，让它在创建新内容前先读取现有布局、字体和母版，也能根据客户模板构建演示文稿、对现有幻灯片做针对性编辑。Anthropic真的凭着Claude在B端领域开始大杀四方了，GPT说实话在B端和生产力端的体验稍微落后得有点多。

最后是价格。API价格保持不变，$5/$25每百万token（输入/输出）；超过20万token的上下文有额外定价，$10/$37.50每百万token。目前Claude网页版和Claude Code上Opus 4.6均已全面上线。

二、GPT-5.3 Codex

聊完Claude，到GPT这边。说实话我自己对GPT一直有特殊感情，它依然是我任何时候想到问题、想验证某件事时第一个去问的模型。虽然我不是专业编程大佬，但在我有限的Vibe Coding经验里，我觉得GPT-5.2 Codex在解决BUG和难点问题上要强于Claude Opus 4.5，特别是GPT-5.2 Codex+Codex的改BUG体验比Claude Opus 4.5+Claude Code更强。所以我经常的工作流是用Claude Code写一个大的，再用Codex接手后续调整。我刚好是这两玩意的用户，所以GPT-5.3 Codex更新我自然非常开心。两者中门对狙，开心的自然是我们用户。

这次GPT-5.3 Codex最让我惊讶的不是跑分，而是他们博客里的一句话："GPT-5.3 Codex是我们第一个在创造自己的过程中发挥重要作用的模型。"OpenAI说，Codex团队在开发GPT-5.3过程中，用早期版本的模型来debug自己的训练过程、管理部署、诊断测试结果和评估。人话说就是，AI参与了自己的开发。

这事听起来有点科幻，但逻辑上是通的：AI模型的开发过程本质上也是一堆代码，训练脚本是代码，部署流程是代码，测试框架也是代码。既然AI的coding能力已经这么强，让AI帮忙写这些代码顺理成章。但顺理成章和真的做到了，是两码事。OpenAI团队说，他们被Codex能够加速自身开发的程度震惊了。如果AI越来越多地参与自己的开发，AI进化的速度会不会变得更快？这个问题可能比任何跑分都重要。这个世界真的都在疯狂加速。

然后老规矩看跑分。GPT-5.3 Codex在几个关键编程评测上都拿到最高分。这时你肯定会问：GPT-5.3 Codex和Claude Opus 4.6到底哪个跑分更牛？说实话，两家评测基准细节差异很多，完全没法直接对比。

唯一对齐的基准是Terminal-Bench 2.0，由89个复杂真实任务组成，都在终端环境执行，每个任务运行在独立Docker容器内，2.0版本2025年11月7日发布。Claude Opus 4.6得分65.4%，GPT-5.3 Codex得分77.3%，OpenAI领先11.9个百分点。在这个唯一相同的基准里GPT更胜一筹，而且是大胜，符合我对Codex系列的认知。

然后是OSWorld，评估AI agent操作真实计算机的能力，人类基线72.36%。关键区别在于：Claude Opus 4.6报告的是原版OSWorld（72.7%），GPT-5.3 Codex报告的是OSWorld-Verified（64.7%）。OSWorld-Verified于2025年7月28日发布，是一次全面重构，修复了原版中300多个已识别问题，包括失效URL、反爬CAPTCHA、不稳定HTML结构、含糊指令，以及过严或过松的评测脚本。所以别看这个评测显示Claude更强，两个分数衡量的并不是同一件事。OSWorld-Verified提供更严格、更可控的信号，一般也被认为更难，所以严格意义上说，GPT-5.3 Codex的64.7%甚至可能强于Claude Opus 4.6的72.7%。

再然后是GDPval，在美国GDP贡献最大的9个行业中覆盖44种职业、1320个真实知识工作任务，任务要求产出真实职业交付物，如文档、表格、演示、图表，平均相当于7小时专家工作量。可比性问题在这里最明显：GPT-5.3 Codex的"GDPval wins or ties: 70.9%"用的是OpenAI自己的方法，由职业人类评审盲评AI产出与人类专家产出，判断AI版本是否"与人类一样好或更好"，分母是固定的人类标准；Claude Opus 4.6的"GDPval-AA Elo: 1606"则是独立评测机构Artificial Analysis的体系，用其自有Stirrup agent框架（具备shell与网页浏览能力）跑模型，再由Gemini 3 Pro做两两比较评判，最后用Bradley-Terry模型拟合Elo评分，并以GPT-5.1的1000为锚点。这太难换算了，我也不清楚两边哪个更牛。

接着是SWE-bench，测AI能否通过生成代码补丁修复真实GitHub issue。SWE-bench Verified（Claude Opus 4.6使用，80.8%）是500题、人工验证、仅Python的子集，由OpenAI Preparedness团队2024年8月发布，93位职业开发者验证了每道题都有明确问题描述和公平单测，顶级模型已超过70%，该基准接近饱和。SWE-bench Pro Public（GPT-5.3 Codex使用，56.8%）是731题、多语言基准，由Scale AI创建，覆盖Python、Go、JavaScript、TypeScript等，横跨41个仓库，参考解平均107.4行、4.1个文件，明显比Verified常见的单文件补丁更复杂，还纳入copyleft与专有代码库，专门降低数据污染风险。所以Claude的80.8%与GPT的56.8%不能直接比较，但Pro明显更难——发布时GPT-5和Claude Opus 4.1在Pro上都只有约23%，不到各自Verified分数的三分之一。

所以说，整体跑分上虽然看着GPT-5.3 Codex的得分都低一点，但含金量更足。非要我结合过去的测试印象说的话，单开发这一块，可能是GPT-5.3 Codex更强更实用一点。当然还有最关键的一点：GPT……它不封号呀= =

跑分是一回事，能做什么是另一回事。OpenAI在博客里展示了两个用GPT-5.3 Codex做的游戏，一个赛车游戏和一个潜水游戏，都不只是随处可见的简单demo，而是完整的、可玩的游戏。赛车游戏有不同的赛车、八张地图，还有道具系统；潜水游戏有不同的珊瑚礁可以探索，有氧气和压力管理系统，还有危险要素。关键是这些游戏全是GPT-5.3 Codex自己做的。OpenAI说他们在Codex产品里，用这个模型和一个叫develop web game的Skills，加上一些通用的跟进提示（比如"修复这个bug"或"改进这个游戏"），让GPT-5.3 Codex在几天时间里自主迭代了数百万个token，最终做出了这些游戏。说实话有点牛逼。

而且这次有个很棒的更新：你可以在GPT-5.3 Codex工作时跟它互动，随时介入、随时调整方向，终于不用先停下来了，这个小能力还挺香。目前已经在Codex上线，我已经开始用起来。直观感受，在Codex上运行GPT-5.3 Codex真的快了非常多。博客里没有这块数据，但奥特曼在自己的X上写出来了："完成相同任务所需的令牌数不到5.2-Codex的一半，且单令牌速度快25%以上！"

写在最后

这篇又写了个通宵，基本把我对这两个模型的理解都写进去了，应该没啥漏的。至于实际测试，这么点时间实在测不出来，可能我得需要一整个周末，正儿八经开发几个产品，才能感受到明显差异。不过有一点：现在的模型几乎都奔着Coding和Agent去，这块的提升基本都很明显，跟手机一样，用新不用旧。直觉上我的工作流还是不太会变——Claude Opus 4.6 + Claude Code打草稿，GPT-5.3 Codex + Codex进行后续精准开发。

今天真的是AI行业的大日子。Anthropic发了Opus 4.6，OpenAI发了GPT-5.3 Codex，两家头部公司在同一天放出大招，这在历史上也是罕见的。现在就等着Gemini还能玩出什么花活了。

从模型能力上看，两家都在快速进步，差距在缩小；从产品形态上看，两家都在押注Agent，但侧重点不同；从行业影响上看，传统SaaS公司开始感到压力，软件行业绝对正在经历一场自诞生以来最大的范式转变。我不知道一年后这个行业会变成什么样，但我知道现在绝对是一个需要密切关注、积极学习的时期，错过这一波，可能就真的错过了。

毕竟，未来已经来了。只是，还没均匀分布。