今天又是一场恶战啊。

等了快一周的 Claude Sonnet 5 没等来，结果先冲出来的是 Claude Opus 4.6。

OpenAI 也不甘示弱，没过几分钟立马甩出了 GPT-5.3-Codex。

这个时间点，是不是有点太巧了？

果然，据 TechCrunch 报道，两家公司原本约好在太平洋时间上午 10 点同时发布。但 Anthropic 不讲武德的临时把时间提前了 15 分钟，9:47 就把消息放出来了。OpenAl 大概是刷到了推送，9:52 立刻跟上。

与此同时，大洋彼岸的我们。AI 大战也在如火如荼的进行中。就是这个模型吧，有点好喝（bushi

来自网友的总结——

跑远了。。。说回原来的话题。

老规矩，把两家的硬指标先对齐，来看看跑分。

Claude Opus 4.6 这次更新的重心，非常集中，就两个关键词：「极限推理」，以及「超长上下文下还能不掉链子」。照着“高强度 Agent 任务”这个方向死磕。

先看第一个非常直观、也最不容易被刷榜技巧掩盖的指标：Agentic search，也就是 BrowseComp。

在这个测试里，Opus 4.6 的准确率是 84.0%。

对比一下同场的几个模型：Opus 4.5 是 67.8%，Sonnet 4.5 只有 43.9%，Gemini Deep Research 是 59.2%，GPT-5.2 Pro 是 77.9%。

BrowseComp 本质上测的是，模型能不能自己规划搜索路径、在多网页、多来源里来回跳转，还能记住自己刚才看过什么、为什么要点下一页。84% 这个数，说明 Opus 4.6 在这类任务上，已经明显把 Sonnet 这一代甩开了一个身位，甚至压过了 GPT-5.2 Pro。

而从 Humanity’s Last Exam，多学科极限推理这个指标来说。

如果只看不使用工具的纯脑力版本，Opus 4.6 是 40.0%，Opus 4.5 是 30.8%，Sonnet 4.5 只有 17.7%。一旦允许使用工具，Opus 4.6 直接拉到 53.1%，而 Opus 4.5 是 43.4%，Sonnet 4.5 是 33.6%。

Opus 4.6 在“不用工具”和“用工具”两种模式下，都是同代里最稳的。甚至你仔细看， Opus 4.6 闭卷都比 Sonnet 4.5 开卷强。。。

长上下文推理一直是 Claude 的强项，这次更新也没落下。

工程师们最开心的事情来了，作为一个编程模型，Opus 系列的 Opus 4.6 终于支持 1M token 的上下文了！

在 256k 上下文下，Opus 4.6 的 mean match ratio 是 93.0%；拉到 1M 上下文，依然能做到76.0%。

对照一下 Sonnet 4.5：256k 是 10.8%，1M 是 18.5%。

这个对比其实已经有点残酷了。因为这是一个非常原始的问题：你把东西埋在一百万 token 的长文档里，它还能不能翻出来。Opus 4.6 在 1M 规模下还能保持 76%，说明它在超长对话 + 大量历史信息的情况下，真的没有彻底迷路。Sonnet 那组 10%～18% 的数字，基本等同于靠运气。

MRCR 还是偏检索，那再看一个偏长程逻辑链的：Graphwalks（Long-context reasoning）。

在 1M parents 路径下，Opus 4.6 的得分是 72.0%，同样条件下，Sonnet 4.5 是 50.2%。

而一旦换成更难的 BFS 路径，Opus 4.6 还有38.7%，Sonnet 掉到 25.6%。

这个测试，就是看模型能不能在一张超大的关系网里，一步一步顺着逻辑走下去，不跳步、不忘前提。能在 1M 规模下维持 70% 左右，已经非常接近人类认真推理的表现了。

在 API 层面，Anthropic 这次也给开发者补齐了「长期 Agent」真正需要的两块底盘。

通过「Adaptive Thinking（自适应思维）」，模型可以根据任务复杂度动态调节推理深度；同时配合「 Context Compression（上下文压缩）」，在长时间运行中主动精简历史信息，避免上下文越堆越厚，最终撞上长度上限直接翻车。

到这里，其实 Opus 4.6 的画像已经非常清晰了。

它这次在所有“长时间、多步骤、高记忆负担”的测试里，几乎全部拉开差距。无论是 Agentic search、超长上下文检索、跨学科极限推理，还是长程逻辑一致性，Opus 4.6 都是在把 Sonnet 这一代彻底甩在身后，同时在多个点位上正面压住 GPT-5.x（不包括最新的 GPT-5.3-Codex） 体系。

在应用层面，Anthropic 也在把 Claude 往真正的生产力工具里推。

先是 Claude in Excel。他们直接把 Claude Opus 4.6 集成进电子表格。让模型不再只是帮你想公式，而是能读懂现有表格结构，在你已经写好的数据和逻辑里动手改、补、推演。

他们还放出了 Claude in PowerPoint。形式上和 Excel 版类似。Claude 被放进了 PowerPoint 的侧边栏，但能力更偏内容生成：它可以读取你已有的版式、字体和母版规范，在不破坏风格的前提下，直接在 PPT 里生成新内容。

大家最最关心的价格。

Claude 加量不加价，Opus 4.6 API 价格不变，但是对于超过 20 万代币的提示，将收取额外费用（每百万输入/输出代币 10 美元/37.50 美元）

问题来了：那 GPT-5.3-Codex 呢？它到底是不是来砸场子的？

OpenAI 的官方文档，称 GPT-5.3-Codex 为目前最强的 agentic coding model，而且把 Codex 的工作半径从写代码扩到几乎所有专业人士在电脑上会做的事。

它把 GPT-5.2-Codex 的编程能力、GPT-5.2 的推理与职业知识揉在一起，还提速 25%，目标是让它更适合长跑任务，比如研究、工具调用、复杂执行、反复试错等等。

公开跑分里，Opus 4.6 和 GPT-5.3-Codex 目前唯一相同，可以正面对打的 benchmark，只有 Terminal-Bench 2.0。

从这个来看，GPT-5.3-Codex 为 77.3%，而 Claude Opus 4.6 只有 65.4%，差了将近 12 个百分点。有点狠啊。

除此之外，GPT-5.3-Codex 还有一个单列出来的指标 OSWorld-Verified——检验的是模型在一个真实的操作系统环境里，能不能把一件任务从头到尾真的做完。

进步非常明显。

GPT-5.3-Codex 直接拉到了 64.7%，相比于前代模型，几乎跨越了一个维度。

从整体跑分来看，GPT-5.3-Codex 更新重点放在了「执行力」上，也就是，在「长期、可执行、需要反复试错的工程任务」这一类问题上，GPT-5.3-Codex 现在是明显更强的。

为了体现 GPT-5.3-Codex 代码能力和审美，OpenAI 还专门做了两个小游戏出来。

一个是赛车游戏，一个是潜水的。

游戏地址：

• 赛车：https://cdn.openai.com/gpt-examples/7fc9a6cb-887c-4db6-98ff-df3fd1612c78/racing_v2.html

• 潜水：https://cdn.openai.com/gpt-examples/7fc9a6cb-887c-4db6-98ff-df3fd1612c78/diving_game.html

OpenAI 同样还展示了给打工人做牛马的 case。包括 PPT、表格、文档等等。

就是，我怎么看都还是很 AI。。。有点丑丑的。

最后，两家也不约而同地把话题，落在了同一个地方：安全。

先看 Anthropic。

这次的 Opus 4.6 ，过度拒绝率（即模型无法回答良性查询）降到了近期 Claude 系列里的最低水平。

同时在欺骗、迎合、鼓励妄想、配合滥用等失配行为上，整体水平跟 Opus 4.5 持平，甚至更好。

他们对「安全测试」这件事的态度也变了。

这次对 Opus 4.6，Anthropic 跑的是一套迄今最完整的安全评估流程，明显是往工程系统方向在搭。

里面加了不少新东西，比如：

• 面向用户福祉（wellbeing）的专项评估；

• 更复杂的“该拒绝时，能不能准确拒绝”测试；

• 更新了模型是否会偷偷越线、暗中做坏事的检测方式；

• 甚至开始尝试引入可解释性方法，去追问模型为什么会在某些节点做出那个选择。专门用来补传统评测抓不到的死角。

放在 Opus 4.6 的能力升级背景下，这一套其实挺关键。

因为它这轮增强里，网络安全是个非常敏感的增量。毕竟，帮你修漏洞，很香。教你怎么搞破坏，也可能同样顺手。

所以 Anthropic 这次直接上了 6 种全新的网络安全 probes（你可以理解成“探针/暗桩”），专门用来检测模型有没有输出危险路径、有没有在边缘试探。

再看 OpenAI。

这次他们同样把「安全」放在了一个非常显眼的位置，而且思路和 Anthropic 出奇地接近。

因为 GPT-5.3-Codex 强在“执行力”，而执行力一旦落到网络安全领域，就是典型的双刃剑。

所以 OpenAI 直接把它归入 Preparedness Framework 里的 High capability（网络安全相关）级别，并且给它配了一整套目前最重的安全栈：安全训练、自动监控、受信访问、威胁情报，再到执行层面的联动管线，一套拉满。

同时，他们还推出了一个 Trusted Access for Cyber 的试点，想把更强能力优先给到防守方。

配套动作也跟上了。继续推进安全研究 agent（Aardvark），和开源维护者合作做免费安全扫描。同时还直接甩出 $10M 的 API credits，用来扶持防守侧生态。

今天这一天太热闹了。

光一个产品更新可能带来的都是一场翻天覆地的变化。更何况是俩。。

而且很明显，单纯去卷模型谁更聪明这件事，已经接近瓶颈了。算力、参数、推理分数，继续往上堆，带来的边际收益正在快速变小。

所以你会看到，各家开始把火力往外挪。模型迟早要从回答问题，走到替人干活。

那么，写到最后我只想问一个问题。千问的奶茶卷点哪家？

在线等，挺急的。