Opus 4.6与Codex 5.3评测：地表最强编程工具谁主沉浮？

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

新智元报道

编辑：定慧 倾倾

【新智元导读】硅谷的夜再次被点亮，OpenAI和Anthropic同日发布最新模型。正当开发者们沉浸在Codex 5.3的极致速度时，Arena和Epoch两大权威榜单却给出了意想不到的终局判决。

硅谷这波热闹，属实有点上头。

前脚Claude Opus 4.6刚刚夜袭发布，后脚OpenAI就祭出了GPT-5.3-Codex。

两大「编程王者」正面硬刚，到底谁的能力更强？社区现在还吵翻天～

今天，两大最硬核的权威机构Arena.ai和EpochAI，同时为Opus 4.6加冕！

Arena.ai：Opus 4.6全维度的屠榜

Arena.ai（前身是大家熟知的LMArena），这个被称为「大模型角斗场」的地方，迎来了新的霸主。

Claude Opus 4.6，在代码（Code）、文本（Text）、专家（Expert）三大竞技场，全部登顶第一！

代码竞技场：比前代Opus 4.5暴涨106分。

文本竞技场：得分1496，硬生生压了Gemini 3 Pro一头。

专家竞技场：领先第二名约50分，断层式领先。

这意味着什么？

意味着在数以万计的真实人类盲测中，Opus 4.6是那个让你最想点「赞」的模型。

它不是偏科生，它是真正的六边形战士。

在代码实测中，这次的Opus 4.6比4.5提升了106分，远超之前Opus 4.5对Sonnet 3.7的领先幅度。

Claude Opus 4.6自Claude 3 Opus以来首次在文本竞技场排名第一。

同时在关键文本类别中位列榜首：

指令遵循

困难提示

长查询

Claude Opus 4.6在专家领域排名第一，领先优势达+49分。

专家排行榜采用了一个框架构建，该框架能识别出真实用户提出的最困难、最专业的提示。

有网友表示，能够在这三个领域同时拿下第一，是真正的SOTA，非常厉害。

有网友同时表示，这Opus 4.6拿下三冠王很厉害，但是真正对模型的考验是前沿数学能力。

这不，EpochAI的评测新鲜出炉！

EpochAI：啃下「数学硬骨头」

如果说Arena是大众评审，那EpochAI的Frontier Math就是「奥数竞赛」。

这里考的不是简单的加减乘除，而是人类尚未解决的数学难题。

Opus 4.6交出的答卷是：Tier1-3级别得分40%，Tier4（极难）级别得分21%。

这个成绩直接在统计学上追平了GPT-5.2(xhigh)。

这是Anthropic的模型第一次在这个只要有一点「智商欠费」就交白卷的榜单上，站到了最前沿。

在难度更高的第4级测试中，Opus 4.6获得 21%的得分，解决了48道题目中的10道。

该成绩同样与GPT-5.2（xhigh）的19%得分在统计上持平，仅次于 GPT-5.2（Pro）31%的得分。

物理、数学，这些曾经是AI禁区的地方，现在成了Opus 4.6的后花园。

Opus 4.6模型表现非常抢眼的领域，多项得分位居前列：

OTIS Mock AIME 2024-2025：得分高达94.4%，展现了极强的竞赛级数学解题能力。

GPQA Diamond：得分90.5%，这是一个针对专家级科学问题的困难测试。

FrontierMath：这是一个极其困难的数学前沿测试，Opus 4.6 得分为40.0%。在更难的Tier 4级别中，它获得了20.8%的分数，排名第2。

在综合与推理评测中：

ARC AGI v1：得分94.0%，排名第1。这是评估模型通用人工智能（AGI）潜力的核心指标之一，专注于抽象推理和模式识别。

SimpleQA Verified：得分46.5%。该测试主要评估模型回答事实性问题的准确度（减少幻觉）。

Chess Puzzles（国际象棋谜题）：得分17.0%，排名第14，相对而言这似乎是其较弱的一项。

Claude Opus 4.6在逻辑推理（ARC AGI）和高难度数学（FrontierMath、AIME）方面处于世界领先水平。

虽然它在某些特定领域（如国际象棋或简单问答）不是第一，但其综合能力（ECI 指数 153）使其成为当前最顶尖的模型之一。

巅峰对决：速度与审美的较量

权威榜单虽然为Opus 4.6封神，但开发者们的实战也同样精彩，而且似乎更偏爱GPT-5.3-Codex。

GPT-5.3-Codex就像一个喝了十杯浓缩咖啡的顶级黑客。

顶级开发者Banteg用它挑战不可能，仅用14天就复刻了2003年的邪典游戏《Crimsonland》。

极客Karel把它当成钢铁侠的贾维斯用。一个月烧掉10000美元API费，让它每天生成700个科研假设，自动扫描Slack记录，自动提交代码。

来详细看看顶级程序员如何使用GPT-5.3-Codex。

代码考古：14天复活《Crimsonland》，屎山消失术

在程序员的职场噩梦里，排第一的永远是去接手前任留下的、没有文档、作者失联、注释像天书一样的赛博废墟。

但2026年，顶级开发者Banteg告诉我们：在强力AI面前，没有不可维护的屎山，只有舍不得烧的算力。

Banteg盯上了2003年的邪典射击游戏《Crimsonland》（血腥大地）。

这款游戏是很多80、90后的童年回忆，但它的底层代码堪称废墟。

如果按照传统流程，至少需要一个资深团队闭关1个月，光是理清那些远古的内存逻辑就能让人少活五年。

结果，Banteg仅用了14天，就单枪匹马完成了全平台重构。

需要格外注意的是，该游戏资源用的.jaz格式，是一种消失了20年的私有协议，全网零文档。

换做人类，至少得猜半年。但Codex-5.3仅凭分析二进制流特征，硬猜出了头文件结构和加密偏移量！

Jaz拿着一张JPG，并用自定义的运行长度编码的alpha通道进行包裹，然后再用zlib将整个东西重新压缩过程图

然后，生成一套现代化的C++/Rust渲染接口，让2003年的像素资源在2026年的4K屏幕上重现。

这个许多人的童年回忆，终于在23年后重见天日。Banteg在X上公开了全部代码「

GitHub代码传送门：https://github.com/banteg/crimson

以前公司裁员不敢动老员工，是怕没人能接那一堆乱码。

现在，大模型直接把这些代码塞进上下文，两周就能给你出一个全新的、注释清晰的重构版。

月费1万美金的Codex实战经验

在顶级极客Karel手里，Codex被玩成了投资游戏。

OpenAI的研究科学家Aidan说公司Karel一个人的Codex的使用量是其他人的十倍之多。

所以他的观点非常重要。

Karel的单月账单是10,000美元！

换来的是一套足以让传统科研机构倒闭的「非人知识循环」。

真正的突破在于让Codex持续记录并优化自身的工作流程。

Codex会将工作笔记和辅助工具提交到monorepo的个人文件夹中。

这些笔记并非供人阅读，而是为了在后续会话中通过检索这些「经验」，提升Codex的处理速度和准确性。

Karel将Codex作为一名极其勤奋的「搜索智能体」和「尽职调查员」：

跨渠道聚合：Codex能自动爬取Slack频道、阅读讨论、获取实验分支并精选代码更改。

自主决策：它可以基于总结的笔记，在搭建实验框架时自主做出复杂的超参数决策。

假设生成：在几小时内通过分析Slack、截图、文档和表格，生成了超过700个关于模型行为的可测试假设。

其中，最关键的是「自动Helper提交」。

AI在执行任务时，会向Git提交「HelperCommits」。里面记录了给下一次迭代中的AI准备的中间态上下文。

这样一来，模型下一次处理类似任务时，会先扫描这些高密度的「HelperCommits」，直接省掉80%的试错路径。

这种「暴力美学」的回报同样惊人。

Karel曾尝试让Agent扫描公司内部积年累月的Slack记录和杂乱文档。

几小时内，AI竟然挖掘出了700条具有科研价值的假设，并自动关联了相关的历史代码段。

10000美元买的API，赚麻了！

更加厉害的用法是使用GPT-5.3-codex同时管理多个子智能体，分别负责Slack调研、代码研究、代码编写和数据科学。

Karel只与一个「指挥官」智能体对话，由其协调整个智能体集群，从而让他本人从繁琐的并行工作中解脱。

ClaudeOpus 4.6：深思熟虑的「艺术家」

如果说Codex是快，那Opus 4.6就是稳，而且美。

美学封神：在HTML5游戏开发实测中，Opus 4.6展现了惊人的「审美智商」。它写出的代码不仅0 Bug，而且界面布局、配色方案直接达到了专业UI设计师的水准。

逻辑熵控制：它也许会思考得更久（Token消耗多60%），但那是它在进行「思维链自我修正」。它在现在的Stirrup框架下，拥有了更强的「逻辑自检」能力。它不是在瞎蒙，它是在推演。

Stirrup框架：给AI装上「小脑」

Opus 4.6之所以能碾压其他模型，得益于它对Stirrup框架的深度适配。

在这个架构下，AI拥有了实打实的Shell权限以及高度隔离的E2B沙箱。

它不仅能调用编译器，还能通过5大核心工具联动，在亚毫秒级的时间内判断当前任务是否需要引入额外的逻辑自检。

以「视频排期表自动化」为例，它不仅能算出逻辑最优解，还能根据品牌调性自动调整输出格式的视觉审美。

同一组数据，不同模型生成的结果

这种降维打击，让曾经的Prompt Engineering像个小学生。

逻辑熵控制：多花60%的钱，但结果更好

很多老板在看到账单时会肉疼：Opus 4.6处理同类任务的Token消耗比竞品高出约60%。

但技术玩家不在乎这些，他们只看「逻辑熵」。

Opus 4.6在输出前，会在后台进行疯狂的思维链自我修正。主动推翻不合理的路径，通过大量的内部Token消耗，换取逻辑的绝对精确。

不再做选择题

这场巅峰对决，与其说是分出了胜负，不如说是为开发者铺平了通往「一人公司」的最后一块拼图。

左手是极致速度的Codex 5.3，右手是极致审美的Opus 4.6。

以前我们纠结选谁，现在全都要：用Codex快速搭建框架，用Opus精修逻辑与交互。

当大模型的能力已经溢出屏幕，编程这件「苦差事」，终于变成了单纯的创造力释放。

限制你想象力的，再也不是技术门槛，而只剩下你的脑洞了。

参考资料：

https://x.com/VictorTaelin/status/2019541668517617859

https://x.com/aidan_mclau/status/2019478632532472017

https://x.com/KarelDoostrlnck/status/2019477361557926281

https://x.com/ArtificialAnlys/status/2019474911761473605

https://x.com/banteg/status/2017950426327359947