老金的分享
返回博客

Claude Opus 4.6 VS GPT-5.3-Codex

2026年2月6日

Anthropic 与 OpenAI 同日发布新模型，Opus 主打深度思考，Codex 强调极速交互，两种 AI 正面碰撞

今天，Anthropic 和 OpenAI 几乎同时发布了新模型：Claude Opus 4.6 与 GPT-5.3-Codex。

两款模型代表了两种不同的发展方向：

  • Claude Opus 4.6：解决长上下文记忆问题，引入多智能体协作，定位为深度思考的"自主顾问"
  • GPT-5.3-Codex：强调速度与交互性，宣称"协助构建了自身"，定位为快速迭代的"超级协作者"

开发者实测显示：Codex 胜在速度执行力，Opus 胜在深度推理与风险识别。

Anthropic Claude Opus 4.6：深度思考的架构革命

Claude Opus 4.6 的核心卖点不仅在于参数量的增加，更在于其对长上下文处理能力的质的飞跃，以及全新引入的"智能体团队"（Agent Teams）工作流。

终结"上下文腐烂"（Context Rot）

在大型语言模型（LLM）的发展历程中，上下文窗口（Context Window）的大小一直是一个关键指标。从 GPT-4 的 128k 到 Gemini 的 1M+，数字不断攀升。然而，实际应用中存在一个被称为"上下文腐烂"的顽疾：随着输入文本量的增加，模型在中间部分的检索能力会显著下降，即所谓的"大海捞针"（Needle In A Haystack）失败 。

技术突破： Claude Opus 4.6 声称已有效解决了这一问题。在 MRCR v2（多轮上下文检索）基准测试中，Opus 4.6 取得了 76% 的得分。作为对比，其前代产品 Sonnet 4.5 在该测试中仅获得 18.5% 的分数 。

这一数据的提升代表了"可用性"的质变。

  • 实际意义： 以前，用户虽然可以上传一本100万字的技术手册，但不敢确信模型能找到第50万字处的一个注脚。现在，Opus 4.6 将这100万 token 变成了真正可信赖的"工作内存"。这意味着律师可以上传整个案件的所有卷宗，程序员可以上传包含数十年历史遗留代码的整个仓库，而模型能够保持全局的连贯性和准确性 。

  • 竞争对比： 尽管 Google 的 Gemini 3 Pro 在较短的 128k 上下文下也能达到类似分数，但在百万级 token 的真实高压测试下，Anthropic 目前处于领先地位，重新定义了长文档分析的标准 。

智能体团队（Agent Teams）与 Claude Code

利用其庞大的上下文能力，Anthropic 推出了 Claude Code 中的 Agent Teams 功能。这标志着 AI 辅助编程从"结对编程"（Pair Programming）向"工程管理"（Engineering Management）的范式转变 。

工作机制： 在传统的 Chat 模式下，用户与 AI 是线性的问答关系。而在 Agent Teams 模式下，Opus 4.6 扮演一个"主架构师"的角色。

  1. 任务拆解： 用户下达一个模糊的高层指令（例如："将此 Python 后端迁移到 Rust，并保持 API 兼容"）。
  2. 并行执行： 模型会自动将任务拆解为数据库迁移、API 接口重写、单元测试编写等子任务。
  3. 多智能体协作： 系统会以此生成多个独立的"子智能体"并行工作。一个智能体写代码，另一个智能体同时写测试用例，第三个智能体负责审查文档。
  4. 自主协调： 智能体之间可以互相通信，主智能体会汇总结果并进行最终的一致性检查。

这种模式极大地缩短了复杂任务的交付时间（Wall-clock time），尽管消耗的总 Token 数量（以及成本）可能会增加，但在企业环境中，时间往往比计算成本更昂贵 。

基准测试与性能表现

Opus 4.6 在多个针对复杂推理和长程任务的基准测试中表现出色：

  • Terminal-Bench 2.0: 得分 65.4% 。虽然这一分数低于 OpenAI 的 Codex 5.3，但 Anthropic 强调其模型在操作终端时的安全性与谨慎性。

  • OSWorld (GUI操作): 得分 72.7%，显著高于 Codex 5.3 的 64.7% 。这表明 Opus 4.6 在理解图形用户界面、视觉上下文以及跨应用操作方面具有优势，这对于自动化涉及非 API 软件（如旧版企业 ERP 系统）的工作流至关重要。

  • GDPval-AA: 这是一个衡量模型在金融、法律等高经济价值领域表现的指标。Opus 4.6 在此超越了 GPT-5.2，证明了其在专业知识领域的深度 。

OpenAI GPT-5.3-Codex：递归进化的速度引擎

如果说 Anthropic 走的是"深思熟虑"的路线，OpenAI 的 GPT-5.3-Codex 则展示了"唯快不破"和"自我进化"的极客哲学。

"自我构建"的 AI 与奇点临近

在 GPT-5.3-Codex 的发布博文中，最引人注目的声明莫过于："这是第一个在自身创造过程中发挥关键作用的模型" 。

根据 OpenAI 的工程披露，Codex 团队利用早期版本的 Codex 模型完成了以下任务：

  • 调试训练运行： 自动分析训练损失曲线的异常，定位数据管道中的错误。
  • 管理部署： 编写 Kubernetes 配置和部署脚本，管理大规模 GPU 集群的调度。
  • 诊断评估结果： 分析模型在测试集上的失败案例，并提出改进建议。

这种递归自我改进（Recursive Self-Improvement）的迹象引发了业界的广泛讨论。如果 AI 能够承担自身研发过程中 30% 或 40% 的工作，那么下一代模型（GPT-6）的研发周期将被大幅压缩。这被认为是通向"技术奇点"的具体路径之一——当 AI 构建 AI 的速度超过人类工程师时，技术进步将呈指数级爆发 。

速度与"可操纵性"（Steerability）

GPT-5.3-Codex 的架构优化主要集中在交互体验上：

  • 推理速度提升 25%： OpenAI 宣称新模型比前代 Codex 快了四分之一 。在编写代码的场景中，延迟是破坏心流（Flow）的最大杀手。社区推测，这一速度提升可能得益于 OpenAI 大规模部署了 NVIDIA 最新的 Blackwell GB300 芯片，相较于 Anthropic 可能使用的 Google TPU 集群，在单批次推理延迟上占据优势 。

  • 实时交互与可操纵性： 与 Opus 的"离线批处理"模式不同，OpenAI 推出的 Codex macOS App 强调"人机协同"。用户可以看着模型在屏幕上操作，并在其犯错的瞬间（例如打开了错误的文件）通过语音或键盘打断它："不，不是这个文件，去查阅 utils.py。"这种设计理念将 AI 视为一个极速的结对编程伙伴，而非一个拿了需求就消失的黑盒外包商 。

基准测试：代码领域的统治力

OpenAI 将 Codex 5.3 打造为极致的编程工具：

  • Terminal-Bench 2.0: 得分 77.3%，大幅领先 Opus 4.6 。这显示了 Codex 在命令行脚本、服务器运维和环境配置方面的强大能力。对于 DevOps 工程师而言，Codex 5.3 是更锋利的工具。

  • SWE-Bench Pro: OpenAI 声称在这一软件工程基准测试中达到了"业界最高水平"（State-of-the-art）。尽管具体对比数据存在争议，但其针对编程任务的微调显然比通用模型更为激进 。

安全与"可信访问"

鉴于 Codex 5.3 能够自主操作计算机和编写复杂脚本，OpenAI 将其列为"网络安全高能力"（High Capability for Cybersecurity）模型。这是 OpenAI 准备框架（Preparedness Framework） 下的首个此类模型。为了防止其被用于编写恶意软件或自动化攻击，OpenAI 并未完全开放 API，而是推出了"网络安全可信访问"（Trusted Access for Cyber）计划，仅允许经过审查的防御者和企业使用其最高级功能 。

"Swiftagon" 挑战与社区实测：两种哲学的碰撞

脱离官方宣传，真实的开发者体验更能说明问题。Reddit 社区的一位资深开发者进行了一场名为"Swiftagon"的对比测试，让两个模型对一个包含 4200 行代码的 Swift 语言 macOS 相机应用进行"冷读"审计 。

测试环境与结果

  • 任务： 对一个涉及实时计算机视觉、Grand Central Dispatch (GCD) 并发、Swift Actors 和 @MainActor 复杂交互的 iOS/macOS 代码库进行架构分析和代码审查。
  • 条件： 两个模型均基于最高能力的设置（Opus 4.6 High Effort vs Codex 5.3 High），均未接触过该私有代码库。
指标Claude Opus 4.6 (Anthropic)GPT-5.3-Codex (OpenAI)
耗时 (Wall Clock Time)10 分钟4 分 14 秒
发现问题数量19 个 (3高危, 9中危)12 个 (2高危, 5中危)
工作风格深度审计员 (Deep Auditor)高效工程师 (Efficient Engineer)
特有发现资源双重释放 (Double-release)、线程安全边缘案例快速定位主要逻辑错误
自我修正具备 (输出中自我降级严重性)较少 (二元判断，更加自信)

深度解析：为什么 Opus 赢在深度？

在"Swiftagon"测试中，Opus 4.6 展现了令人印象深刻的推理深度。

  • 竞态条件（Race Conditions）： Opus 发现了一个极难察觉的"双重释放"漏洞，这涉及到对 startSession 状态机在特定挂起（await）点的重入分析。这是一个典型的"人类专家级"发现，需要对时间维度上的状态变化有深刻理解，而不仅仅是静态的代码模式匹配 。

  • 自我修正： Opus 在输出过程中，最初将一个问题标记为 HIGH，但在随后的推理文本中，它自我反驳，认为现有的防护措施虽然不完美但已足够，从而将其降级为 MEDIUM。这种"思考过程"的透明化增加了用户对结果的信任度。

深度解析：为什么 Codex 赢在效率？

Codex 5.3 的优势在于极致的速度和精准的执行。

  • 速度差异： 4分钟 vs 10分钟。在日常开发中，等待 AI 10分钟往往会打断开发者的思路，而4分钟是可以接受的咖啡时间。
  • 交互哲学： Codex 的用户更倾向于将其作为"自动补全的终极形态"。它能够快速理解用户的意图并生成样板代码。一位用户提到 Codex "一次性成功"（One-shot）实现了一个 Opus 失败了四次的 Google Maps 地址自动填充功能，这表明在常见库和API的即时调用上，Codex 的训练数据可能更具针对性 。

社区情绪分析

从 Reddit 和 X 的讨论来看，开发者群体正在发生分化 ：

  • 后端/架构师阵营： 倾向于支持 Claude Opus 4.6。他们认为在处理复杂的后端逻辑、金融模型或并发系统时，准确性高于一切。他们愿意为更少的 Bug 支付更多的时间和金钱。
  • 前端/全栈阵营： 倾向于支持 Codex 5.3。对于 Web 开发、快速原型制作和脚手架搭建，Codex 的速度和对主流框架（React, Next.js）的熟练度使其成为更佳选择。
  • 价格敏感度： 两个模型都推高了订阅成本。用户开始讨论是否需要同时订阅两个"Pro"计划（总计约 $400/月），或者在这两者之间做出艰难的选择。一些用户对 Anthropic 在高价套餐中仍对 1M 上下文窗口设限表示不满 。

如今，老金还是混合着用 Claude 和 Codex，很高兴见到 Codex 在编码速度上的提升，之前的体验确实很慢，现在感觉快了不少。Claude 在文档处理上还是很好用，当前也用得比较顺手，不会切到 Codex 上去。