Anthropic 刚刚发布了其旗舰模型 Claude Opus 的最新版本——4.6。这次升级被认为是其“最智能模型”的一次重要迭代，新模型在多个关键基准测试中都展现了卓越的性能，尤其是在衡量抽象推理能力的 ARC-AGI 2 测试中取得了 68% 的成绩，显著超越了当前的其他主流竞争对手。
核心能力提升
Opus 4.6 在编程能力上有了实质性的进步。它能够更周密地规划任务，在大型代码库中的操作也更加可靠，代码审查和调试的技能也得到了增强。对于开发者而言，这些改进意味着更高效的生产力工具。
值得一提的是，这是 Opus 系列首个提供 100 万 token（测试版）上下文窗口的模型。这意味着它能处理更长的文档和更复杂的多轮对话，在需要超长信息关联的任务中潜力巨大。
在日常办公场景下，新模型能够运行财务分析、进行深度研究，并熟练地创建和编辑文档、电子表格及演示文稿。在 Anthropic 的 Cowork 协作环境中，Opus 4.6 可以自主运用这些技能为用户提供服务，向真正的“智能助手”又迈进了一步。
基准测试表现
除了 ARC-AGI 的突出表现外，Opus 4.6 在一系列前沿评估中均达到了行业领先水平：
- 在 Terminal-Bench 2.0 代理编码 评估中取得了最高分。
- 在 Humanity‘s Last Exam 这类复杂的多学科推理测试中，领先于所有其他前沿模型。
- 在衡量经济价值的实际工作任务评估 GDPval-AA 中，其得分比行业次优模型（OpenAI GPT-5.2）高出约 144 个 Elo 点。
对于这样的成绩，社区反应不一。有评论惊叹：“ARC-AGI 2 的得分太疯狂了，几个月内这个领域就会饱和。”同时也有声音质疑，这些基准测试究竟能在多大程度上衡量模型解决实际、复杂问题的“有意义的能力”。关于大模型能力的评估体系，一直是人工智能领域的热门讨论话题。
实际应用反馈
从早期测试合作伙伴的反馈来看，评价颇为积极。Notion 称其为“Anthropic 发布的最强模型”，GitHub 指出它在“复杂的多步骤编码工作”上表现出色，Replit 则评价其在代理规划方面实现了“巨大飞跃”。这些来自一线应用方的声音，或许比单纯的基准分数更能说明其实际价值。
定价保持不变
尽管性能提升显著，但 Anthropic 保持了 Opus 模型的定价策略：每百万 token 输入 5 美元，输出 25 美元。这一决定让部分期待因性能提升而获得降价或“加量不加价”福利的用户感到些许失望。
安全性能
Anthropic 特别强调，此次智能的提升并未以牺牲安全性为代价。在自动化的行为审计中，Opus 4.6 显示出较低的错误对齐行为发生率，例如欺骗、不当奉承、鼓励用户妄想或合作滥用等。
开发者新功能
对于通过 API 集成的开发者，本次更新也带来了几项实用的新功能：
- 自适应思考：模型可以自行判断何时需要进行深度、缓慢的推理，以应对复杂问题。
- 努力控制：提供四个可调节的智能水平选项，让开发者能在速度、成本和推理深度之间取得平衡。
- 上下文压缩：模型可以自动总结和替换上下文中较旧的部分，这对于管理超长对话和降低成本很有帮助。
- 128k 输出 token 支持：单次生成长文本的能力得到进一步增强。
目前，Claude Opus 4.6 已通过 claude.ai 网站、API 及所有主要云平台提供。对于那些需要处理复杂任务、依赖长期记忆和代理工作流程的用户和开发者来说，这次升级无疑值得重点关注和测试。技术的快速迭代总是能带来新的可能性，也促使我们不断思考工具与工作的未来形态。 | 
发表于 16 小时前
|
查看: 1|
回复: 0
