Claude Opus 4.6杀死编程比赛！挖出500个day0漏洞

来源：市场资讯

（来源：智东西）

智东西

作者｜王涵

编辑｜心缘

智东西2月6日报道，今天凌晨，Anthropic正式发布旗舰模型Claude Opus 4.6，是Anthropic首款开启100万token上下文窗口测试功能的旗舰级模型。

Opus 4.6具备更缜密的规划能力，能维持更长时间的智能体任务执行，可以在庞大代码库中稳定运行，并能够进行自我纠错。

在基准测试中，Opus 4.6在智能体编程评估Terminal-Bench 2.0中获得最高分，于综合性多学科推理测试Humanity’s Last Exam中也坐稳了第一名的宝座。

针对金融、法律等经济价值领域的GDPval-AA评估中，Opus 4.6也是第一，并较第二名的GPT-5.2拉开约144个Elo分差，较前代版本Claude Opus 4.5提升了190分。

就在Opus 4.6发布后几分钟，OpenAI把GPT-5.3-Codex也搬了出来“正面硬刚”。截至北京时间2月6日11点，X平台上有关“Claude VS Codex”的话题下已有4.1万条讨论。

Varick Agent的CEO“vas”发帖称：“Claude 4.6 Opus仅用一次调用就重构了我的整个代码库。25次工具调用，新增3000多行代码，创建了12个全新文件。它模块化了所有内容，拆解了单体架构，理顺了混乱的逻辑。结果没一个能运行，但重构后的代码，实在是美得惊人。”

有网友展示出他用Opus 4.6一次性做出的k线成交量分布表。评论区纷纷感叹：这要是真的，那一切都结束了。

在话题讨论中，有不少网友都自发测评了Opus 4.6与GPT-5.3 Codex这两款模型，还晒出了测试Agent在复杂现实世界任务中的表现的Terminal-Bench，结果显示GPT-5.3 Codex比Opus 4.6领先了11.9%。

在网友的测评中，在编程方面GPT-5.3 Codex获得的好评似乎更多。有网友发出对比：“Opus 4.6有100万上下文+企业/知识工作+发现500个零日漏洞+Claude代码中的Agent集群-基准测试成绩不如Codex 5.3；而gpt-5.3-codex有代码基准测试胜出+速度更快+任务中转向，但上下文窗口不到Opus的一半。”

还有网友放出了更直观的性能对比图：

价格上，在200K上下文以内（包括200K），Opus 4.6输入每百万token的价格为5美元（约合人民币34.69元），输出每百万token的价格为25美元（约合人民币173.45元）；超过200K上下文，Opus 4.6输入每百万token的价格为10美元（约合人民币69.38元），输出每百万token的价格为37.5美元（约合人民币260.18元）。

此外，Anthropic还将向Pro与Max用户限时赠送价值50美元（约合人民币346.9元）的额外使用额度，不适用于Team版、企业版及API/控制台用户。

使用额外额度的用户需同时满足以下两个条件：

1、已于2026年2月4日（太平洋时间）晚11:59前开通Pro或Max订阅；

2、在2026年2月16日（太平洋时间）晚11:59前启用额外用量功能。

Claude Opus 4.6即日起在claude.ai官网、API接口及所有主流云平台同步上线。开发者可通过Claude API调用claude-opus-4-6模型。

一、“大海捞针”测试得分76%，缓解“上下文衰减”问题

在多语言编程测试SWE-bench Multilingual中，Opus 4.6的成绩较Opus 4.5提升1.6分；在网络安全漏洞复现测试CyberGym中，Opus 4.6获得66.6分，较Opus 4.5提升15.6分，是Sonnet 4.5分数的两倍多。

Opus 4.6在长文本连贯性测试Vending-Bench 2中以 8017.59 的分数大幅领先，在计算生物学BioPipelineBench测试中也以53.1分的成绩位居第一。

Opus 4.6在从海量文档中检索相关信息方面能力较上一代有所提升。这一优势延伸至长上下文任务，它能在处理数十万token时更稳定地保持和追踪信息，减少信息漂移，并能捕捉到可能遗漏的深层细节。

Anthropic团队在博客中称，用户常抱怨AI模型存在“上下文衰减”问题——即对话超过一定token数量后性能会下降。

对此，研究团队对Opus 4.6进行了MRCR v2的“8针-100万”变体测试，这是类似于一种在浩瀚文本中检索隐藏信息的“大海捞针”式基准测试。在这个测试中Opus 4.6得分达76%，而Sonnet 4.5仅得18.5%。

Opus 4.6的综合基准测试如下图所示。总而言之，Opus 4.6在长上下文中查找信息更精准，吸收信息后的推理能力更强。

二、行为失范率极低，新增六类网络安全探测工具

智能水平的飞跃并未以牺牲安全性为代价。在Anthropic的自动化行为审计中，Opus 4.6的行为失范率极低，行为失范包括欺骗、奉承、助长用户妄想以及配合滥用等情形。

其安全对齐程度与前代旗舰模型，即迄今为止对齐度最高的Claude Opus 4.5保持同等水准。

值得注意的是，Opus 4.6在所有近期Claude模型中展现出最低的过度拒绝率，即模型未能回应良性查询的情况。

在博客中，Anthropic团队透露，针对Opus 4.6，他们开展了迄今最全面的安全评估体系，首次应用多项全新测试方法并对既有评估方案进行升级。Anthropic团队新增了用户福祉评估、更复杂的危险请求拒答能力测试，并更新了模型隐蔽执行有害行为的评估标准。

同时，其运用可解释性科学的新方法进行实验，开始探究模型特定行为背后的成因，以期发现标准测试可能遗漏的问题。

针对Opus 4.6在特定领域可能被危险利用的突出能力，研究团队同步部署了新的防护机制。尤其鉴于该模型显著增强的网络安全能力，他们开发了6种新型网络安全探测工具以帮助追踪不同形式的潜在滥用行为。

同时，Anthropic也在加速推进Opus 4.6在网络防御领域的应用，通过其协助发现并修复开源软件漏洞。

他们认为网络防御者利用Claude这类AI模型来平衡攻防态势至关重要。网络安全领域发展迅速，Anthropic将根据对潜在威胁的认知持续调整和更新防护措施，近期其可能启动实时干预机制以阻断滥用行为。

三、API新增自适应思考功能，Claude Code现可多智能体并行

通过API接口，开发者们还可以获取到更精细的模型算力控制方案，并为长期运行的智能体任务带来更高灵活性。具体新增以下功能：

1、自适应思考：此前开发者仅能在启用或禁用深度思考模式间二选一。现在通过自适应思考功能，Claude可自主判断何时需要深度推理。在默认算力等级（高）下，模型会在必要时启动深度思考，开发者也可通过调整算力等级来改变其触发频率。

2、算力调控：现提供四个可调节的算力等级：低、中、高（默认）、极致。

3、上下文压缩（测试版）：长程对话与智能体任务常触及上下文窗口限制。当对话接近可配置阈值时，上下文压缩功能将自动总结并替换早期对话内容，使Claude能够执行更长任务而不受限制。

4、100万token上下文（测试版）：当提示内容超过20万token时，将适用高级定价。

5、128k输出token：Opus 4.6支持最高128k token的输出长度，使Claude能完整处理需要大规模输出的任务，无需拆分为多次请求。

6、美国境内推理：对于需要在美国境内运行的工作负载，可选择美国专属推理服务，定价为标准token费用的1.1倍。

在Claude与Claude Code平台，Anthropic新增了多项功能：

Claude Code中新增智能体团队的研究预览功能。现在用户可以启动多个并行工作的智能体，它们将自主协同配合，特别适用于代码库审查这类可拆分为独立、重读取的子任务。

在与常用办公工具的协作体验方面，Claude Excel集成版现在能够处理长时程与高难度任务，支持先规划后执行、自主解析非结构化数据并推断正确格式，还能单次完成多步骤修改。

Excel集成版还能搭配PowerPoint集成版使用，用户可先在Excel中处理并结构化数据，再通过PowerPoint实现可视化呈现。

PowerPoint集成功能现已面向Max、Team及企业版用户开放研究预览。

四、放手两千次会话，Opus 4.6率智能体团队“炼”出十万行C编译器

Anthropic官方还给出了一个开发者使用并行Claude智能体团队构建C语言编译器的案例。在这个案例中，开发者指派Opus 4.6率领智能体团队构建一个C语言编译器，随后便基本放手任其运行，仅用两周，就完成了一个小团队一个月的工作。

（视频）

在为期两周、近2000次Claude Code会话中，Opus 4.6消耗了20亿个输入token并生成1.4亿个输出token，总成本略低于2万美元（约合人民币13.88万元），这个成本仅相当于开发者个人独立完成所需投入的零头。

最终Opus 4.6做出了一个有着10万行代码规模的编译器，并且是净室实现，即开发全程Claude无网络访问权限，仅依赖Rust标准库。

这个编译器能在x86、ARM和RISC-V架构上构建可启动的Linux 6.9内核，还能编译QEMU、FFmpeg、SQLite、PostgreSQL、Redis等大型项目。

该编译器在包括GCC torture测试套件在内的大多数编译器测试中达到99%通过率，甚至通过了编译器、操作系统等底层技术的 “终极测试”：成功编译并运行第一人称射击游戏《Doom》。

经过多轮实践，开发者总结出了协调多个Claude高效协作的四大核心方法：

1、改进测试框架：

在项目后期，Claude每次实现新功能时都会频繁破坏现有功能。为此开发者构建了持续集成流水线，实施更严格的检查机制，让Claude能更好地测试自身工作，确保新提交不会破坏现有代码。

2、站在Claude的视角设计适配环境：

每个智能体都启动于无上下文的新容器中，会花费大量时间自我定位，尤其在大型项目中。甚至在运行测试前，为帮助Claude自助，开发者需要在说明中要求维护详细的README文档和进度文件，并需频繁更新当前状态。

3、简化并行机制：

当存在多个独立失败的测试时，并行化轻而易举，但当智能体开始编译Linux内核时却陷入困境。与包含数百个独立测试的套件不同，编译Linux内核是单项巨型任务，所有智能体都会遇到相同的bug，修复后却互相覆盖修改，运行16个智能体也不行，因为它们都卡在解决同一问题上。

为此，开发者编写了新测试框架，将GCC作为在线验证编译器进行比对。这让每个智能体都能并行工作，在不同文件中修复不同bug，直至Claude的编译器最终能编译所有文件。

4、多元智能体角色分工：

LLM编写的代码常重复实现现有功能，因此开发者指派了一个智能体专门合并发现的重复代码。另一个负责优化编译器本身的性能，第三个则专攻输出高效的编译代码，还让一个智能体以Rust开发者视角批判项目设计并进行结构性改进，另设智能体专注文档工作。

开发者称，该成果已经逼近Opus的能力边界，但仍有需要提升的方面：

1、16位x86编译器缺失：缺乏从实模式启动Linux必需的16位x86编译器，该环节需调用GCC（x86_32和x86_64编译器为自主实现）；

2、汇编器与链接器不完善：这两部分是Claude最后开始自动化的模块，目前仍存在较多缺陷。演示视频中使用的是GCC汇编器与链接器；

3、兼容性未达全替代标准：虽能成功构建众多项目，但尚不能完全替代真实编译器；

4、代码生成效率偏低：即使启用所有优化选项，其输出代码效率仍低于禁用优化的GCC；

5、Rust代码质量有限：代码质量尚可，但远未达到专业Rust程序员的水准。

结语：Anthropic在安全性上下了狠功夫

Opus 4.6在长上下文理解、复杂推理与智能体协作等方面的性能提升，为企业级高密度、长周期任务提供了新的解决方案。

同时，在Anthropic的博客中，他们用了很大篇幅来写新模型的安全性。Anthropic通过增强安全评估体系与部署主动防护机制，展现出对AI风险治理的前置性投入。