AI圈迎來了新年的第一個雙響炮啊，

Anthropic剛發(fā)了Claude Opus 4.6，OpenAI也發(fā)了GPT?5.3-Codex，在Codex app里已經(jīng)能用了。我這稿子寫一半直接重新寫啊。馬上來看看這兩模型的評分，它們強化了那些點，以及除了模型本身，還帶來了什么更新。

先看跑分。

Anthropic是第一次給Opus系列模型上100萬tokens的上下文窗口，在MRCRv2八針1M （大海撈針）測試里，比Sonnet 4.5高了57個點，我第一反應(yīng)就是我一定要在clawdbot體驗一把Opus 4.6。

除了記憶好，Opus 4.6在GDPval-AA（44個不同崗位的知識工作任務(wù)）上也超了GPT5.2 200多分，感覺Cowork又可以升級一波了。

隔壁的GPT?5.3-Codex定位是個編程模型，融合了GPT-5.2-Codex的編碼性能和GPT-5.2的推理能力及專業(yè)知識，速度提升了 25%（codex有救了），離譜的是OSWorld-Verified（視覺桌面操作）上提升了快30個點，

夯爆了。

我仔細對比了一下兩張官方表，發(fā)現(xiàn)它們重合的數(shù)據(jù)集只有一個，Terminal-Bench 2.0，是在終端命令行里進行編程的測試。光看這個評分，GPT-5.3-Codex可以說是把Claude Opus 4.6給拉爆了，高了12個點。

其他展示出來的數(shù)據(jù)不能直接拿來硬比，

SWE-Bench（Agent編程）數(shù)據(jù)集人OpenAI用的是Pro版本，包含了四種語言。Claude Opus 4.6測評的SWE-Bench Verified只測試Python。

OpenAI測試OSWorld-Verified比Claude Opus 4.6測的OSWorld測評出來的分數(shù)會更加可信，因為Verified修復(fù)了300多個數(shù)據(jù)問題。

還是來看看它們單個都更新了啥，

Claude Opus 4.6還在高難度Agent 搜索（DeepSearchQA / BrowseComp）上單 Agent比GPT-5.2 Pro多6個點，在多學(xué)科推理（Humanity's Last Exam / ARC AGI 2）上，同樣是工具配置拉滿的狀態(tài)下，比GPT5.2Pro多了3個點。

GPT-5.3-Codex有個指標高到離譜，

OSWorld-Verified（視覺桌面操作），

用人話說就是讓AI看截圖換成各種電腦任務(wù)，人類基準是72%，GPT-5.2-Codex是38.2%，GPT-5.2是37.9%，

融合這個兩個模型的優(yōu)勢的GPT-5.3-Codex直接干到64.7%，跟這個比起來，其他的SWE-Bench Pro（Agent編程），Cybersecurity Capture The Flag Challenges（Agent安全攻防）和SWE-Lancer IC Diamond（修bug賺100萬挑戰(zhàn)）的5，6個點的提升都是常規(guī)操作了。

再來看看應(yīng)用案例。

Anthropic這次都沒有放出Claude Opus 4.6跑的case，而且選擇把自家產(chǎn)品線更新了，

Claude Code新功能agent teams（智能體團隊），可以讓多個Agent并行工作，適合用在像大規(guī)模代碼檢查之類可以被拆成很多個獨立子任務(wù)的場景。

Claude in Excel也更新了，更新了規(guī)劃模式，還能給亂七八糟的非結(jié)構(gòu)化數(shù)據(jù)，自動做一個合適的表格結(jié)構(gòu)。

還給PPT新出了 research preview，Claude能識別公司品牌的ppt模版，保證布局，字體，顏色都不會變，能針對單張幻燈片簡化文本和添加圖表，也可以一次性生成10張幻燈片再微調(diào)。

OpenAI把更多時間放在showcase上，

他們放了兩個用GPT-5.3-Codex構(gòu)建的新游戲，但沒有像GPT-5.2-Codex那樣把完整提示語放出來。

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

兩個游戲我都完整打了一把，這個賽車真的不是抄馬里奧賽車的嗎，道具箱里還有泡泡和香蕉。

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

潛水我也玩了，本來是想當(dāng)個超人，一口氣潛到最底的，但是潛到一半就體驗到為什么神秘園會說，那些專業(yè)人士潛進去就出不來了。。。

他們還放出來一個我覺得很蠢的網(wǎng)頁case，理由是GPT-5.3-Codex做這個價格頁面的時候，會把年費展示成打個折的月費，而不是總金額。。。

奧特曼沒活了可以去咬個打火機

關(guān)于API和定價，Anthropic這次給API加了Adaptive thinking（自適應(yīng)思考），由Claude 來判斷什么時候打開thinking模式。

還有四檔Effort（努力程度）可選，默認是high（高），還有l(wèi)ow（低），medium（中）和max（最大）。

還有一個beta功能，當(dāng)長期對話或者Agent任務(wù)快到打到上下文上限的時候，會自動把上下文壓縮成摘要，用摘要替換上下文。價格我做成表格了，

GPT-5.3-Codex還沒有API，不過在app，CLI，IDE插件and網(wǎng)頁版都能用了，上線就全量，這很不openai。

說句題外話，api形式的gpt4o一周后就沒了，這波屬于是時代的眼淚了。

最后說說安全。

這次兩家都花了不小的篇幅來談安全問題。我們還是用人話來解讀一下。

Anthropic上來先亮了個圖，說這次升級沒有影響我們模型的安全性，這段時間我們做了兩件事。

第一件事，努力搞清楚模型腦子里到底在想什么。

他們在做一種可解釋性的新方法，目標是讓研究人員能看見模型為什么會在某些情況下給出某種回答。這樣做的好處是，很多問題在標準測評里不一定暴露，但當(dāng)你能追到原因，就更容易提前發(fā)現(xiàn)風(fēng)險，比如模型在某些邊緣場景會突然變得很會誤導(dǎo)人。

第二件事，在模型擅長的領(lǐng)域加了更嚴的防護。

他們發(fā)現(xiàn) Opus 4.6 在網(wǎng)絡(luò)安全上能力更強，能修bug，也能拿去攻擊。所以他們做了六個新的網(wǎng)絡(luò)安全探針，用來檢測模型有沒有在輸出可能被濫用的內(nèi)容。

隔壁OpenAI在安全上也下了苦功夫，

他們現(xiàn)在給開源項目免費做體驗，把一些熟悉的壞套路整理成話術(shù)識別規(guī)則，當(dāng)我們給gpt發(fā)的問題跟某個套路很像的時候，模型就會自動降低問答的詳細程度。

這次模型更新后，

明顯感覺我的預(yù)期值變高了，以前更新模型我通常還會去測一下文本，代碼，3D的表現(xiàn)，

但現(xiàn)在隨著Claude Code，Cowork，Clawdbot三連擊，我對于模型的表現(xiàn)處于薛定諤的貓狀態(tài)。

太簡單的測起來沒意思，

我們現(xiàn)在用Claude Code加一些模型，

也能夠做到這樣的上限。

太復(fù)雜的，我想以Agent的形式，

放到我們已有的工作流里長時間來評估它的差異。

說不定后面模型的更新會成為一種日常的迭代，

發(fā)布會也不開了，

開始卷Agent形態(tài)了，

我就一個愿望，

別光跟整理桌面較勁了，

我桌面都快沒文件了。

@ 作者 / 卡爾

最后，感謝你看到這里如果喜歡這篇文章，不妨順手給我們點贊｜在看｜轉(zhuǎn)發(fā)｜評論

如果想要第一時間收到推送，不妨給我個星標

如果你有更有趣的玩法，歡迎在評論區(qū)和我聊聊

更多的內(nèi)容正在不斷填坑中……