智東西
作者｜王涵
編輯｜心緣

智東西2月6日?qǐng)?bào)道，今天凌晨，Anthropic正式發(fā)布旗艦?zāi)Ｐ?strong>Claude Opus 4.6，是Anthropic首款開啟100萬token上下文窗口測(cè)試功能的旗艦級(jí)模型。

Opus 4.6具備更縝密的規(guī)劃能力，能維持更長(zhǎng)時(shí)間的智能體任務(wù)執(zhí)行，可以在龐大代碼庫(kù)中穩(wěn)定運(yùn)行，并能夠進(jìn)行自我糾錯(cuò)。

在基準(zhǔn)測(cè)試中，Opus 4.6在智能體編程評(píng)估Terminal-Bench 2.0中獲得最高分，于綜合性多學(xué)科推理測(cè)試Humanity’s Last Exam中也坐穩(wěn)了第一名的寶座。

針對(duì)金融、法律等經(jīng)濟(jì)價(jià)值領(lǐng)域的GDPval-AA評(píng)估中，Opus 4.6也是第一，并較第二名的GPT-5.2拉開約144個(gè)Elo分差，較前代版本Claude Opus 4.5提升了190分。

就在Opus 4.6發(fā)布后幾分鐘，OpenAI把GPT-5.3-Codex也搬了出來“正面硬剛”。截至北京時(shí)間2月6日11點(diǎn)，X平臺(tái)上有關(guān)“Claude VS Codex”的話題下已有4.1萬條討論。

Varick Agent的CEO“vas”發(fā)帖稱：“Claude 4.6 Opus僅用一次調(diào)用就重構(gòu)了我的整個(gè)代碼庫(kù)。25次工具調(diào)用，新增3000多行代碼，創(chuàng)建了12個(gè)全新文件。它模塊化了所有內(nèi)容，拆解了單體架構(gòu)，理順了混亂的邏輯。結(jié)果沒一個(gè)能運(yùn)行，但重構(gòu)后的代碼，實(shí)在是美得驚人?！?/p>

有網(wǎng)友展示出他用Opus 4.6一次性做出的k線成交量分布表。評(píng)論區(qū)紛紛感嘆：這要是真的，那一切都結(jié)束了。

在話題討論中，有不少網(wǎng)友都自發(fā)測(cè)評(píng)了Opus 4.6與GPT-5.3 Codex這兩款模型，還曬出了測(cè)試Agent在復(fù)雜現(xiàn)實(shí)世界任務(wù)中的表現(xiàn)的Terminal-Bench，結(jié)果顯示GPT-5.3 Codex比Opus 4.6領(lǐng)先了11.9%。

在網(wǎng)友的測(cè)評(píng)中，在編程方面GPT-5.3 Codex獲得的好評(píng)似乎更多。有網(wǎng)友發(fā)出對(duì)比：“Opus 4.6有100萬上下文+企業(yè)/知識(shí)工作+發(fā)現(xiàn)500個(gè)零日漏洞+Claude代碼中的Agent集群-基準(zhǔn)測(cè)試成績(jī)不如Codex 5.3；而gpt-5.3-codex有代碼基準(zhǔn)測(cè)試勝出+速度更快+任務(wù)中轉(zhuǎn)向，但上下文窗口不到Opus的一半。”

還有網(wǎng)友放出了更直觀的性能對(duì)比圖：

價(jià)格上，在200K上下文以內(nèi)（包括200K），Opus 4.6輸入每百萬token的價(jià)格為5美元（約合人民幣34.69元），輸出每百萬token的價(jià)格為25美元（約合人民幣173.45元）；超過200K上下文，Opus 4.6輸入每百萬token的價(jià)格為10美元（約合人民幣69.38元），輸出每百萬token的價(jià)格為37.5美元（約合人民幣260.18元）。

此外，Anthropic還將向Pro與Max用戶限時(shí)贈(zèng)送價(jià)值50美元（約合人民幣346.9元）的額外使用額度，不適用于Team版、企業(yè)版及API/控制臺(tái)用戶。

使用額外額度的用戶需同時(shí)滿足以下兩個(gè)條件：

1、已于2026年2月4日（太平洋時(shí)間）晚11:59前開通Pro或Max訂閱；

2、在2026年2月16日（太平洋時(shí)間）晚11:59前啟用額外用量功能。

Claude Opus 4.6即日起在claude.ai官網(wǎng)、API接口及所有主流云平臺(tái)同步上線。開發(fā)者可通過Claude API調(diào)用claude-opus-4-6模型。

一、“大海撈針”測(cè)試得分76%，緩解“上下文衰減”問題

在多語言編程測(cè)試SWE-bench Multilingual中，Opus 4.6的成績(jī)較Opus 4.5提升1.6分；在網(wǎng)絡(luò)安全漏洞復(fù)現(xiàn)測(cè)試CyberGym中，Opus 4.6獲得66.6分，較Opus 4.5提升15.6分，是Sonnet 4.5分?jǐn)?shù)的兩倍多。

Opus 4.6在長(zhǎng)文本連貫性測(cè)試Vending-Bench 2中以 8017.59 的分?jǐn)?shù)大幅領(lǐng)先，在計(jì)算生物學(xué)BioPipelineBench測(cè)試中也以53.1分的成績(jī)位居第一。

Opus 4.6在從海量文檔中檢索相關(guān)信息方面能力較上一代有所提升。這一優(yōu)勢(shì)延伸至長(zhǎng)上下文任務(wù)，它能在處理數(shù)十萬token時(shí)更穩(wěn)定地保持和追蹤信息，減少信息漂移，并能捕捉到可能遺漏的深層細(xì)節(jié)。

Anthropic團(tuán)隊(duì)在博客中稱，用戶常抱怨AI模型存在“上下文衰減”問題——即對(duì)話超過一定token數(shù)量后性能會(huì)下降。

對(duì)此，研究團(tuán)隊(duì)對(duì)Opus 4.6進(jìn)行了MRCR v2的“8針-100萬”變體測(cè)試，這是類似于一種在浩瀚文本中檢索隱藏信息的“大海撈針”式基準(zhǔn)測(cè)試。在這個(gè)測(cè)試中Opus 4.6得分達(dá)76%，而Sonnet 4.5僅得18.5%。

Opus 4.6的綜合基準(zhǔn)測(cè)試如下圖所示?？偠灾?，Opus 4.6在長(zhǎng)上下文中查找信息更精準(zhǔn)，吸收信息后的推理能力更強(qiáng)。

二、行為失范率極低，新增六類網(wǎng)絡(luò)安全探測(cè)工具

智能水平的飛躍并未以犧牲安全性為代價(jià)。在Anthropic的自動(dòng)化行為審計(jì)中，Opus 4.6的行為失范率極低，行為失范包括欺騙、奉承、助長(zhǎng)用戶妄想以及配合濫用等情形。

其安全對(duì)齊程度與前代旗艦?zāi)Ｐ?，即迄今為止?duì)齊度最高的Claude Opus 4.5保持同等水準(zhǔn)。

值得注意的是，Opus 4.6在所有近期Claude模型中展現(xiàn)出最低的過度拒絕率，即模型未能回應(yīng)良性查詢的情況。

在博客中，Anthropic團(tuán)隊(duì)透露，針對(duì)Opus 4.6，他們開展了迄今最全面的安全評(píng)估體系，首次應(yīng)用多項(xiàng)全新測(cè)試方法并對(duì)既有評(píng)估方案進(jìn)行升級(jí)。Anthropic團(tuán)隊(duì)新增了用戶福祉評(píng)估、更復(fù)雜的危險(xiǎn)請(qǐng)求拒答能力測(cè)試，并更新了模型隱蔽執(zhí)行有害行為的評(píng)估標(biāo)準(zhǔn)。

同時(shí)，其運(yùn)用可解釋性科學(xué)的新方法進(jìn)行實(shí)驗(yàn)，開始探究模型特定行為背后的成因，以期發(fā)現(xiàn)標(biāo)準(zhǔn)測(cè)試可能遺漏的問題。

針對(duì)Opus 4.6在特定領(lǐng)域可能被危險(xiǎn)利用的突出能力，研究團(tuán)隊(duì)同步部署了新的防護(hù)機(jī)制。尤其鑒于該模型顯著增強(qiáng)的網(wǎng)絡(luò)安全能力，他們開發(fā)了6種新型網(wǎng)絡(luò)安全探測(cè)工具以幫助追蹤不同形式的潛在濫用行為。

同時(shí)，Anthropic也在加速推進(jìn)Opus 4.6在網(wǎng)絡(luò)防御領(lǐng)域的應(yīng)用，通過其協(xié)助發(fā)現(xiàn)并修復(fù)開源軟件漏洞。

他們認(rèn)為網(wǎng)絡(luò)防御者利用Claude這類AI模型來平衡攻防態(tài)勢(shì)至關(guān)重要。網(wǎng)絡(luò)安全領(lǐng)域發(fā)展迅速，Anthropic將根據(jù)對(duì)潛在威脅的認(rèn)知持續(xù)調(diào)整和更新防護(hù)措施，近期其可能啟動(dòng)實(shí)時(shí)干預(yù)機(jī)制以阻斷濫用行為。

三、API新增自適應(yīng)思考功能，Claude Code現(xiàn)可多智能體并行

通過API接口，開發(fā)者們還可以獲取到更精細(xì)的模型算力控制方案，并為長(zhǎng)期運(yùn)行的智能體任務(wù)帶來更高靈活性。具體新增以下功能：

1、自適應(yīng)思考：此前開發(fā)者僅能在啟用或禁用深度思考模式間二選一?，F(xiàn)在通過自適應(yīng)思考功能，Claude可自主判斷何時(shí)需要深度推理。在默認(rèn)算力等級(jí)（高）下，模型會(huì)在必要時(shí)啟動(dòng)深度思考，開發(fā)者也可通過調(diào)整算力等級(jí)來改變其觸發(fā)頻率。

2、算力調(diào)控：現(xiàn)提供四個(gè)可調(diào)節(jié)的算力等級(jí)：低、中、高（默認(rèn)）、極致。

3、上下文壓縮（測(cè)試版）：長(zhǎng)程對(duì)話與智能體任務(wù)常觸及上下文窗口限制。當(dāng)對(duì)話接近可配置閾值時(shí)，上下文壓縮功能將自動(dòng)總結(jié)并替換早期對(duì)話內(nèi)容，使Claude能夠執(zhí)行更長(zhǎng)任務(wù)而不受限制。

4、100萬token上下文（測(cè)試版）：當(dāng)提示內(nèi)容超過20萬token時(shí)，將適用高級(jí)定價(jià)。

5、128k輸出token：Opus 4.6支持最高128k token的輸出長(zhǎng)度，使Claude能完整處理需要大規(guī)模輸出的任務(wù)，無需拆分為多次請(qǐng)求。

6、美國(guó)境內(nèi)推理：對(duì)于需要在美國(guó)境內(nèi)運(yùn)行的工作負(fù)載，可選擇美國(guó)專屬推理服務(wù)，定價(jià)為標(biāo)準(zhǔn)token費(fèi)用的1.1倍。

在Claude與Claude Code平臺(tái)，Anthropic新增了多項(xiàng)功能：

Claude Code中新增智能體團(tuán)隊(duì)的研究預(yù)覽功能?，F(xiàn)在用戶可以啟動(dòng)多個(gè)并行工作的智能體，它們將自主協(xié)同配合，特別適用于代碼庫(kù)審查這類可拆分為獨(dú)立、重讀取的子任務(wù)。

在與常用辦公工具的協(xié)作體驗(yàn)方面，Claude Excel集成版現(xiàn)在能夠處理長(zhǎng)時(shí)程與高難度任務(wù)，支持先規(guī)劃后執(zhí)行、自主解析非結(jié)構(gòu)化數(shù)據(jù)并推斷正確格式，還能單次完成多步驟修改。

Excel集成版還能搭配PowerPoint集成版使用，用戶可先在Excel中處理并結(jié)構(gòu)化數(shù)據(jù)，再通過PowerPoint實(shí)現(xiàn)可視化呈現(xiàn)。

PowerPoint集成功能現(xiàn)已面向Max、Team及企業(yè)版用戶開放研究預(yù)覽。

四、放手兩千次會(huì)話，Opus 4.6率智能體團(tuán)隊(duì)“煉”出十萬行C編譯器

Anthropic官方還給出了一個(gè)開發(fā)者使用并行Claude智能體團(tuán)隊(duì)構(gòu)建C語言編譯器的案例。在這個(gè)案例中，開發(fā)者指派Opus 4.6率領(lǐng)智能體團(tuán)隊(duì)構(gòu)建一個(gè)C語言編譯器，隨后便基本放手任其運(yùn)行，僅用兩周，就完成了一個(gè)小團(tuán)隊(duì)一個(gè)月的工作。

（視頻）

在為期兩周、近2000次Claude Code會(huì)話中，Opus 4.6消耗了20億個(gè)輸入token并生成1.4億個(gè)輸出token，總成本略低于2萬美元（約合人民幣13.88萬元），這個(gè)成本僅相當(dāng)于開發(fā)者個(gè)人獨(dú)立完成所需投入的零頭。

最終Opus 4.6做出了一個(gè)有著10萬行代碼規(guī)模的編譯器，并且是凈室實(shí)現(xiàn)，即開發(fā)全程Claude無網(wǎng)絡(luò)訪問權(quán)限，僅依賴Rust標(biāo)準(zhǔn)庫(kù)。

這個(gè)編譯器能在x86、ARM和RISC-V架構(gòu)上構(gòu)建可啟動(dòng)的Linux 6.9內(nèi)核，還能編譯QEMU、FFmpeg、SQLite、PostgreSQL、Redis等大型項(xiàng)目。

該編譯器在包括GCC torture測(cè)試套件在內(nèi)的大多數(shù)編譯器測(cè)試中達(dá)到99%通過率，甚至通過了編譯器、操作系統(tǒng)等底層技術(shù)的 “終極測(cè)試”：成功編譯并運(yùn)行第一人稱射擊游戲《Doom》。

經(jīng)過多輪實(shí)踐，開發(fā)者總結(jié)出了協(xié)調(diào)多個(gè)Claude高效協(xié)作的四大核心方法：

1、改進(jìn)測(cè)試框架：

在項(xiàng)目后期，Claude每次實(shí)現(xiàn)新功能時(shí)都會(huì)頻繁破壞現(xiàn)有功能。為此開發(fā)者構(gòu)建了持續(xù)集成流水線，實(shí)施更嚴(yán)格的檢查機(jī)制，讓Claude能更好地測(cè)試自身工作，確保新提交不會(huì)破壞現(xiàn)有代碼。

2、站在Claude的視角設(shè)計(jì)適配環(huán)境：

每個(gè)智能體都啟動(dòng)于無上下文的新容器中，會(huì)花費(fèi)大量時(shí)間自我定位，尤其在大型項(xiàng)目中。甚至在運(yùn)行測(cè)試前，為幫助Claude自助，開發(fā)者需要在說明中要求維護(hù)詳細(xì)的README文檔和進(jìn)度文件，并需頻繁更新當(dāng)前狀態(tài)。

3、簡(jiǎn)化并行機(jī)制：

當(dāng)存在多個(gè)獨(dú)立失敗的測(cè)試時(shí)，并行化輕而易舉，但當(dāng)智能體開始編譯Linux內(nèi)核時(shí)卻陷入困境。與包含數(shù)百個(gè)獨(dú)立測(cè)試的套件不同，編譯Linux內(nèi)核是單項(xiàng)巨型任務(wù)，所有智能體都會(huì)遇到相同的bug，修復(fù)后卻互相覆蓋修改，運(yùn)行16個(gè)智能體也不行，因?yàn)樗鼈兌伎ㄔ诮鉀Q同一問題上。

為此，開發(fā)者編寫了新測(cè)試框架，將GCC作為在線驗(yàn)證編譯器進(jìn)行比對(duì)。這讓每個(gè)智能體都能并行工作，在不同文件中修復(fù)不同bug，直至Claude的編譯器最終能編譯所有文件。

4、多元智能體角色分工：

LLM編寫的代碼常重復(fù)實(shí)現(xiàn)現(xiàn)有功能，因此開發(fā)者指派了一個(gè)智能體專門合并發(fā)現(xiàn)的重復(fù)代碼。另一個(gè)負(fù)責(zé)優(yōu)化編譯器本身的性能，第三個(gè)則專攻輸出高效的編譯代碼，還讓一個(gè)智能體以Rust開發(fā)者視角批判項(xiàng)目設(shè)計(jì)并進(jìn)行結(jié)構(gòu)性改進(jìn)，另設(shè)智能體專注文檔工作。

開發(fā)者稱，該成果已經(jīng)逼近Opus的能力邊界，但仍有需要提升的方面：

1、16位x86編譯器缺失：缺乏從實(shí)模式啟動(dòng)Linux必需的16位x86編譯器，該環(huán)節(jié)需調(diào)用GCC（x86_32和x86_64編譯器為自主實(shí)現(xiàn)）；

2、匯編器與鏈接器不完善：這兩部分是Claude最后開始自動(dòng)化的模塊，目前仍存在較多缺陷。演示視頻中使用的是GCC匯編器與鏈接器；

3、兼容性未達(dá)全替代標(biāo)準(zhǔn)：雖能成功構(gòu)建眾多項(xiàng)目，但尚不能完全替代真實(shí)編譯器；

4、代碼生成效率偏低：即使啟用所有優(yōu)化選項(xiàng)，其輸出代碼效率仍低于禁用優(yōu)化的GCC；

5、Rust代碼質(zhì)量有限：代碼質(zhì)量尚可，但遠(yuǎn)未達(dá)到專業(yè)Rust程序員的水準(zhǔn)。

結(jié)語：Anthropic在安全性上下了狠功夫

Opus 4.6在長(zhǎng)上下文理解、復(fù)雜推理與智能體協(xié)作等方面的性能提升，為企業(yè)級(jí)高密度、長(zhǎng)周期任務(wù)提供了新的解決方案。

同時(shí)，在Anthropic的博客中，他們用了很大篇幅來寫新模型的安全性。Anthropic通過增強(qiáng)安全評(píng)估體系與部署主動(dòng)防護(hù)機(jī)制，展現(xiàn)出對(duì)AI風(fēng)險(xiǎn)治理的前置性投入。