📅 最后更新：2026年2月9日

作者：搬石头的马农

立即体验 Claude Opus4.6：👉 点击访问官网

摘要

2026年2月6日，Anthropic 发布了 Claude Opus 4.6，这标志着企业 AI 能力的重大进步，距离其前身发布仅三个月。本评估检验了该模型在编码、推理、知识工作和代理任务执行方面的性能，并与包括 OpenAI 的 GPT-5.2 和 Google 的 Gemini 3 Pro 在内的领先竞争对手进行了比较。

主要发现包括新问题解决能力提升 83%（ARC-AGI 2），功能完整的 100 万 token 上下文窗口，检索准确率达 76%，以及在企业知识工作任务中的行业领先表现。该模型保持了具有竞争力的定价，输入/输出 token 为每百万 $5/$25，同时在代码质量、任务持久性和自主工作流执行方面提供了可衡量的改进。

引言

前沿 AI 模型的快速演进创造了一个日益激烈的竞争格局，其中看似微小的版本号增量可能掩盖着实质性的能力提升。Claude Opus 4.6 就是这样一个案例——一个表面上看起来是小幅版本升级，但实际上在 AI 性能的多个维度上带来了变革性改进。

本分析通过多个视角评估 Opus 4.6：基准测试性能、实际应用测试、功能创新和竞争定位。我们不仅检验模型能做什么，还研究这些能力如何转化为对开发者、知识工作者和企业部署的实际价值。

*相比 Opus 4.5 的主要改进*

*上下文窗口扩展*

从 20 万 token 扩展到 100 万 token 不仅仅是数量上的增加——它从根本上改变了可能完成的任务类型。以前的大型上下文窗口存在「上下文衰减」问题，即随着输入长度增加，性能显著下降。Opus 4.6 通过真正的长距离检索能力解决了这个问题。

在 MRCR v2 基准测试（100 万 token 中的 8 针检索）中，Opus 4.6 达到了 76% 的准确率，而 Opus 4.5 在较短上下文中仅为 18.5%。这 4.1 倍的改进使得在单次推理过程中分析整个代码库、长篇文档和复杂的多文件项目成为可能。

*自适应思考系统*

自适应思考的引入取代了之前的二元「思考开/关」方式，采用动态推理分配。模型现在评估任务复杂度并应用相应的认知努力：

• 低强度：快速响应简单查询

• 中强度：典型任务的平衡方式

• 高强度（默认）：复杂问题的全面推理

• 最大强度：最难挑战的最大能力

该系统允许开发者通过 /effort 参数明确控制质量-速度-成本的权衡，同时模型在未指定时自主决定适当的推理深度。

*代理团队与并行执行*

最具创新性的功能可能是 Claude Code 中的代理团队。Opus 4.6 不是按顺序处理任务，而是可以自主分解复杂工作并生成专门的子代理来并行协调。这反映了高效人类工程团队的工作方式。

在实践中，这意味着跨多个文件的代码审查、同步测试和实现，以及协调的调试工作。早期采用者报告在大规模重构和代码库分析任务上节省了大量时间。Rakuten 记录称，Opus 4.6 在一天内自主关闭了 13 个问题，并在管理 6 个仓库的 50 人组织中正确分配了 12 个额外问题。

*基准测试性能分析*

全面的基准测试揭示了 Opus 4.6 在不同评估类别中的优势。以下部分展示了与 Opus 4.5、GPT-5.2 和 Gemini 3 Pro 的详细性能比较。

*编码与软件工程*

软件开发基准测试展示了 Opus 4.6 在代理编码工作流中的特殊优势。该模型在需要持续推理、多文件协调和自主问题解决的任务中表现出色。

*Benchmark*	*Opus 4.6*	*Opus 4.5*	*GPT-5.2*	*Gemini 3 Pro*
Terminal-Bench 2.0	*65.4%*	59.8%	64.7%	N/A
SWE-bench Verified	80.8%	*80.9%*	80.0%	76.2%
OSWorld (Computer Use)	*72.7%*	66.3%	N/A	N/A
MCP Atlas (Tool Use)	59.5%	*62.3%*	60.6%	54.1%

Opus 4.6 获得了有史以来 Terminal-Bench 2.0 的最高分，展示了在现实终端编码任务中的卓越性能。在 SWE-bench Verified 上的轻微回归（0.1 个百分点）在测量误差范围内，同时模型保持了对竞争系统的领先优势。在 OSWorld 上提升 6.4 个百分点表明在自主计算机控制和 GUI 交互方面取得了特别强劲的进展。

*推理与问题解决*

新颖推理基准测试模型解决陌生问题的能力，而不是对训练数据进行模式匹配。Opus 4.6 在这一类别中显示出显著改进。

*Benchmark*	*Opus 4.6*	*Opus 4.5*	*GPT-5.2*	*Gemini 3 Pro*
ARC-AGI 2	*68.8%*	37.6%	54.2%	N/A
GPQA Diamond	77.3%	N/A	78.1%	*91.9%*
MMLU Pro	*85.1%*	N/A	83.4%	N/A
Humanity's Last Exam	Leading	N/A	Trailing	Trailing

相比 Opus 4.5，ARC-AGI 2 上提升 83% 代表了在前沿模型发展中观察到的最大单一基准测试进步之一。这个基准专门抵制仅通过规模实现的改进，使得结果特别重要。该分数表明在抽象推理和新问题解决能力上取得了真正的进步，应该能够推广到模型从未遇到过的现实世界任务。

*企业知识工作*

GDPval-AA 评估在金融、法律和专业服务领域具有经济价值的知识工作表现。该基准直接衡量与企业部署相关的能力。

*Benchmark*	*Opus 4.6*	*Opus 4.5*	*GPT-5.2*	*Gemini 3 Pro*
GDPval-AA (Elo)	*+190*	Baseline	+46	N/A
BigLaw Bench	*90.2%*	N/A	N/A	N/A
Software Failure Diagnosis	*34.9%*	26.9%	N/A	N/A
BrowseComp (Search)	*84.0%*	67.8%	N/A	N/A

在 GDPval-AA 上比 Opus 4.5 领先 190 个 Elo 点，比 GPT-5.2 领先 144 个 Elo 点，在企业任务的直接比较中转化为约 70% 的胜率。这对部署 AI 进行专业工作的组织来说代表着实质性的实际价值。在 BigLaw Bench 上 90.2% 的分数特别展示了与法律文件分析和合同审查工作流相关的能力。

*长上下文性能*

*Benchmark*	*Opus 4.6*	*Opus 4.5*	*GPT-5.2*	*Gemini 3 Pro*
MRCR v2 (1M tokens)	*76.0%*	18.5%*	N/A	26.3%
Context Window Size	1M	200K	*400K*	2M
Output Token Limit	*128K*	64K	*128K*	N/A

*Opus 4.5 在 20 万上下文中测试，而非 100 万

在 100 万 token 下 76% 的检索准确率表明，Opus 4.6 在整个上下文窗口中保持了实用性能。这与早期模型形成对比，后者的检索能力在超过某些阈值后急剧下降。扩展的 12.8 万输出限制允许全面的响应、大量的代码生成和详细的分析而不会被截断。

*竞争定位*

*对比 GPT-5.2*

与 OpenAI 的 GPT-5.2 相比，Opus 4.6 在企业知识工作（GDPval-AA 上领先 144 个 Elo 点）、代理编码（Terminal-Bench 上领先 0.7 个百分点）和长上下文检索方面展示了明显优势。GPT-5.2 在研究生级推理（GPQA Diamond）方面保持轻微优势，并受益于较低的输出 token 定价（每百万 $15 对 $25）。

对于需要持续自主工作、代码审查或文档分析的实际应用，Opus 4.6 代表了更强的选择。对于数学优化和成本敏感的高容量推理，GPT-5.2 可能更可取。

*对比 Gemini 3 Pro*

Gemini 3 Pro 提供最大的原生上下文窗口（200 万 token）和有竞争力的定价，在多模态理解和多语言任务方面具有特殊优势（MMMLU 上为 91.8%）。然而，Opus 4.6 在可用的长上下文检索（MRCR 上 76% 对 26.3%）、编码任务和知识工作应用方面明显优于它。

关键区别在于理论上下文窗口大小与实际检索能力之间的差异。虽然 Gemini 3 Pro 可以接受更多输入，但 Opus 4.6 展示了在整个推理过程中实际有效使用该信息的卓越能力。

*实际测试结果*

开发者的独立测试提供了超越受控基准的关键验证。多个团队在类似生产环境中对 Opus 4.6 进行了广泛的实际评估。

*编码挑战性能*

数字解决方案专家 Alex Carter 进行了 48 小时的密集测试，在 18 个不同应用程序中比较 Opus 4.6 与 GPT-5.3 Codex。结果以揭示性的方式与基准预测相矛盾。

在 Carter 的标准非代理基准测试中——11 个不允许迭代的快速编码挑战——Opus 4.6 获得了 220 分中的 220 分（100%）的完美分数。这是多年来测试多个 AI 模型中观察到的第一个完美分数。评估包括复杂任务，如为具有适当建筑约束的 1,585 平方英尺公寓生成 3D 平面图，Opus 4.6 以干净的 Three.js 实现和流畅的相机控制完美执行。

关键的是，Carter 指出，虽然 GPT-5.3 Codex 在官方基准测试中的 Terminal-Bench 得分更高，但 Opus 4.6 赢得了对生产工作重要的每一个实际测试。文件处理可靠性成为关键差异化因素，Codex 表现出持续存在的问题，使其在当前状态下不适合专业部署。

*生产环境测试*

Composio 的评估在真实的 Next.js Kanban 看板代码库中测试了 Opus 4.5（前身）、GPT-5.2 Codex 和 Gemini 3 Pro 的生产风格任务。测试专门评估：

• 带回退机制的缓存实现

• 具有适当关注点分离的工具路由器代理构建

• 多文件导航和安全增量更改

结果显示 Opus（4.5）是最安全的总体选择，即使在边缘情况仍然存在的情况下，也能交付具有适当架构的工作演示。Gemini 3 Pro 在缓存实现测试中表现最佳，在 6-7 毫秒内获得完全功能的结果。GPT-5.2 Codex 在 API 版本不匹配方面遇到困难，未能在任一测试中提供干净的工作实现。

*企业部署反馈*

早期访问合作伙伴提供了关于 Opus 4.6 在实际生产部署中性能的反馈：

• *Rakuten（IT 自动化）：*Opus 4.6 在一天内自主关闭了 13 个问题，并将 12 个问题分配给适当的团队成员，管理着跨 6 个仓库的 50 人组织。

• *Box（企业工作流）：*内部评估显示性能提升 10%，达到 68%，而基线为 58%，在技术领域的得分接近完美。

Anthropic 自己的工程团队报告称，与之前的模型相比，Opus 4.6 在没有明确指示的情况下更专注于具有挑战性的任务组件，快速处理简单元素，以更好的判断力处理模糊问题，并在更长的会话中保持生产力。

*新功能与能力*

*用于长时间运行任务的压缩*

压缩通过自动服务器端上下文摘要实现了有效的无限对话。当对话接近 100 万 token 上下文限制时，API 会自动摘要早期部分，同时保留关键信息和最近的上下文。

这个功能对于扩展调试会话、迭代开发工作流和长时间自主任务特别有价值。模型可以继续高效工作，而不会遇到以前会强制任务碎片化或重启的上下文限制。

*快速模式预览*

快速模式为时间敏感的应用程序提供加速推理和减少延迟。早期测试表明，对于典型查询，响应时间减少约 25-30%，对于较短的输出，改进更为显著。

这种模式对于交互式开发环境、实时代码建议以及响应速度优先于最大能力的应用程序特别有用。该功能目前处于预览阶段，需要 beta 标头。

*数据驻留控制*

对数据主权有监管要求的组织现在可以使用 inference_geo 参数指定推理地理位置。选项包括'global'（默认路由）和'us'（基于美国的推理）。

美国路由产生 10% 的价格溢价，但确保所有模型推理发生在美国境内。这满足了政府承包商、受监管行业和具有严格数据本地化政策的组织的合规要求。

*集成增强*

除了核心模型改进之外，Anthropic 还扩展了其产品生态系统的集成能力：

• *Excel 中的 Claude：*增强为在行动前规划、从非结构化数据推断结构，并在单次处理中应用多步转换。现在支持数据透视表、图表和文件上传。

• *PowerPoint 中的 Claude（研究预览）：*能够在 PowerPoint 中直接创建和编辑演示文稿，读取现有布局并保持模板一致性。与 Excel 集成，实现数据到幻灯片的工作流。

• *GitHub Copilot 集成：*通过 Visual Studio Code 中所有模式的模型选择器向 Copilot Pro、Pro+、Business 和 Enterprise 用户提供。

*安全性与对齐*

Anthropic 报告称，Opus 4.6 在所有评估维度上保持或改进了 Opus 4.5 的安全配置文件。具体改进包括：

• *最低过度拒绝率：*减少了拒绝合法请求的倾向，同时保持适当的界限

• *低错位率：*最小的欺骗、奉承或鼓励有害用户行为

• *增强的网络安全探测：*六个新评估专门设计用于检测增强代码分析能力的潜在滥用

• *实时检测：*主动监控以识别和阻止潜在的恶意使用模式

值得注意的是，在预发布安全测试期间，Opus 4.6 在最少人工提示的情况下发现了开源代码中大约 500 个以前未知的漏洞。这展示了增强的代码分析能力以及在适当引导时有益安全应用的潜力。

*定价与可用性*

*API 定价*

*Benchmark*	*Opus 4.6*	*Opus 4.5*	*GPT-5.2*	*Gemini 3 Pro*
Input tokens (per 1M)	$5.00	$5.00	$5.00	$2.00
Output tokens (per 1M)	$25.00	$25.00	$15.00	$12.00
US data residency	*+10%*	N/A	N/A	N/A
Extended context (>200K)	Same	N/A	N/A	Same

Opus 4.6 保持与 Opus 4.5 相同的定价，使现有部署的升级成本中性。该模型通过多个渠道提供，包括 Claude API（模型 ID：claude-opus-4-6）、Claude.ai 和主要云平台（AWS Bedrock、Google Cloud Vertex AI、Azure）。

*结论*

Claude Opus 4.6 代表了企业 AI 能力的有意义进步。功能性 100 万 token 上下文窗口、自适应推理控制、代理团队协调以及在知识工作、编码和推理任务中的一致基准领先地位的结合，确立了它作为当前行业领导者在复杂、持续自主工作方面的地位。

新问题解决能力提升 83%（ARC-AGI 2）、长上下文检索增强 4.1 倍，以及展示出自主管理多仓库工程工作流的能力，表明这是真正的能力提升而非基准优化。实际测试验证了这些收益，开发者报告在以前无法解决的编码挑战上获得了完美分数，生产部署显示出可衡量的效率改进。

对于优先考虑代码质量、持续推理、知识工作自动化和自主任务执行的组织，Claude Opus 4.6 目前代表了最强的可用选项。与 Opus 4.5 保持价格平价使得现有 Anthropic 客户的升级决策变得简单，而新部署应仔细评估总拥有成本，包括从减少迭代需求和更高首次成功率带来的效率提升。

🚀 写在最后

春节前的这波发布只是开始。据传DeepSeek v4也即将登场，国内大模型厂商必然不会坐视不理。

2026年的AI编程工具之战，才刚刚拉开序幕。

你更看好哪一款？欢迎在评论区分享你的看法！

---

📌 关注我，持续分享AI编程工具的最新动态和实战技巧！

---

本文观点仅代表个人看法。*

🔗 立即体验 Claude opus4.6→