就在啱啱，硅谷 AI 圈上演了一出「火星撞地球」。

OpenAI 和 Anthropic 彷彿商量好似的，同時甩出了自家的重磅更新：Claude Opus 4.6 和 GPT-5.3-Codex。

如果說昨晚之前，我們還在討論怎麼寫好 Prompt 輔助工作；那麼今天過後，我們可能需要學會如何作為老闆去管理 AI 員工。

AI 造 AI，順便接管你的電腦

前一天晚上，Sam Altman 還在因為對手 Anthropic 的超級碗廣告而破防紅溫，今天就直接扔出王炸：

GPT-5.3-Codex。

技術文檔裏藏着一句極具分量的話：「這是我們第一個在創造自己的過程中，發揮了關鍵作用的模型。」

說人話就是：AI 已經學會了自己寫代碼、自己找 Bug，甚至開始自己訓練下一代的 AI 了。

更關鍵的是，這種自我進化能力，能夠直接用跑分數據體現。

在模擬人類操作電腦的 OSWorld-Verified 基準測試上，前代模型只有 38.2% 的準確率，完全不及格。

但這次，GPT-5.3-Codex 直接跳漲到了 64.7%。

要知道，人類的平均水平也就 72%。

這意味着，AI 距離像你一樣熟練地甩鼠標、切屏、操作軟件，已經很近很近了。

而在 Terminal-Bench 2.0（命令行操作基準測試）中，它更是拿下了 77.3% 的高分，把 GPT-5.2（62.2%）遠遠甩在身後。

在 SWE-Bench Pro 基準測試（覆蓋四種編程語言，不僅抗污染，還全是真實世界的硬核工程難題）當中，GPT-5.3-Codex 也穩定實現 SOTA 水準， token 用量遠比以往模型更低。

5.3-Codex 獨立構建的能力也毋庸置疑：在 OpenAI 的測試中，用它在幾天時間裏從零構建了一款包含多張地圖的賽車遊戲 v2，順手還搞定了一款管理氧氣系統的深海潛水遊戲。

5.3-Codex 對模糊意圖的理解能力，同樣令人深刻。

在構建網頁時，它自動把年度計劃換算成了打折後的月付價格，甚至還貼心地自動補充了用戶評價輪播。

對了，還有一個有趣的細節。

此前外界盛傳 OpenAI 對英偉達的 AI 芯片頗有微詞，但這次官方博客特地強調：GPT-5.3-Codex 的設計、訓練和部署都在 NVIDIA GB200 NVL72 系統上完成。

這一波高情商操作，屬實是給足了黃仁勳面子。

告別「金魚記憶」，Claude 絕地反擊

在 GPT-5.3-Codex 發布的幾乎同時，Anthropic 也端出了自己的春節大禮包——春節 AI 模型大戰，真沒想到先從硅谷開打了……

壞消息是，這次既不是大家期待已久的 Claude 模型家族「第五代」，也沒有「中杯」Sonnet 模型的更新。這次 Anthropic 直接端出了「超大杯」Claude Opus 4.6。

相比於 OpenAI 在行動力上的激進，Anthropic 今天發布的 Claude Opus 4.6 則是在思考力和可靠性上死磕。

這一波也是直接呼應了昨天超級碗系列廣告的主題：Claude is a place to think（Claude 是思考的空間——思考是不需要廣告的，可以說直接陰陽了 ChatGPT。）

在各種專業場景的大模型使用中，用戶經常遇到上下文腐蝕的痛點，號稱的上下文長度實際根本沒達到就斷點，經常自動切斷上下文——沒錯說你呢 Sonnet 和 GPT……

而 Opus 4.6 在上下文腐蝕上面有了顯著的改善：在 MRCR v2（長文本大海撈針）測試中，Claude Opus 4.6 的召回率高達 76%。作為對比，上一代 Sonnet 4.5 只有慘不忍睹的 18.5%。從某種程度上說，這是一個從基本不可用到高可靠的質變。

Anthropic 宣稱，Claude Opus 4.6 首次引入了真正可用的 1M 上下文窗口。

這意味着什麼？意味着你可以把幾百頁的財報、幾十萬字的代碼庫直接扔給它，它不僅能讀完，還能精準地保存和定位上下文細節，告訴你第 342 頁腳註裏的那個數字有問題。

此外，它現在還支持最高 128k 的輸出 Token，可以一次性寫完長篇研報或複雜的代碼庫，而不用因為字數限制被迫截斷、重開會話。

除了記性好，Opus 4.6 這次還在智商上實現了碾壓：

在 GDPval-AA（一項針對金融、法律等高經濟價值任務的評估）中，Opus 4.6 的 Elo 得分比業界第二（OpenAI 的 GPT-5.2）高出了整整 144 分，比前代更是高出 190 分。

在複雜的多學科推理測試 Humanity's Last Exam 中，它領先所有前沿模型。

在測試尋找互聯網「難找信息」能力的 BrowseComp 中，它同樣表現最優。

換言之：如果你要處理複雜的商業決策、法律文書或金融分析，Claude 是唯一的優秀選擇。

更讓打工人眼前一亮的是它的生產力功能。

一方面，Anthropic 這回直接把辦公三件套塞進了 Claude，它能根據 Excel 報表數據直接生成 PPT 彙報文件，不僅保留排版風格，連字體和模板都能對齊。在 Claude Cowork 協作環境中，它甚至能進行自主多任務處理。

Claude Code 還推出了實驗性的 Agent Teams 功能，讓普通開發者也能體驗這種「指揮千軍萬馬」的感覺（這也是 2026 年初的 AI 公司們在 Agent 方向上都在押注的路徑）：

角色分工：你可以指定一個 Claude Session 擔任 Team Lead（組長），它不幹髒活累活，專門負責拆解任務、分配工單、合併代碼；其他的 Session 則是隊友（Teammates），各自領任務去幹。

獨立作戰：每個隊友都有獨立的上下文窗口（不用擔心 Token 爆炸），它們甚至能揹着你互相發消息（Inter-agent messaging），討論技術細節，最後只把結果彙報給組長。

並行賽馬：這東西有什麼用？想象一下查一個頑固 Bug，你可以生成 5 個 Agent，分別驗證 5 種不同的假設，像「賽馬」一樣並行排雷；或者在 Code Review 時，讓一個隊友扮「安全專家」查漏洞，一個扮「架構師」看性能，互不干擾。

為了展示 Opus 4.6 的極限，Anthropic 的研究員 Nicholas Carlini 搞了個瘋狂的實驗：充值了 2 萬美元的 API 額度，讓 16 個 Claude Opus 4.6 組成一個「全自動軟件開發團隊」。

結果在短短兩周內，這羣 AI 自主進行了 2000 多個編程會話，從零手寫了一個 10 萬行代碼的 C 語言編譯器（基於 Rust）。

這個 AI 寫的編譯器，還成功編譯了 Linux 6.9 內核（涵蓋 x86、ARM 和 RISC-V 架構），甚至跑通了 Doom 遊戲。

雖然它還不夠完美，但這個案例也足夠說明：vibe coding 氛圍編程僅僅問世一年就過氣了……以後我們真的可以直接下命令，然後看着 AI 從零開始完成一整個複雜產品項目了。

定價方面，Anthropic 這次很良心，維持在每百萬 Token $5/$25 的基礎定價。看來是為了維護住企業級市場這條優勢路，鐵了心要捲到底。

一個是激進天才，一個是靠譜老牛

知名 AI 評測人 Dan Shipper 在第一時間搞了個「盲測」（Vibe Check），他的評價非常精準：

Claude Opus 4.6 是「高上限，高方差」（High Ceiling, High Variance）。

它像是一個才華橫溢但偶爾跳脫的天才。在測試中，它直接解決了一個讓 iOS 團隊卡了兩個月的功能難題；在 LFG Benchmark 中拿到了 9.25/10 的高分。

但它偶爾也會「過度自信」，一本正經地胡說八道。如果你需要突破性的靈感，選它。

GPT-5.3-Codex 則是「高可靠，低方差」（High Reliability, Low Variance）。

它像是一個經驗豐富、絕不掉鏈子的資深工程師。推理速度提升 25%，幾乎不犯低級錯誤，穩健得讓人心安。

雖然在創造性任務上略遜一籌（LFG 得分 7.5/10），但在日常的 Coding 和運維任務中，它是最高效的老黃牛。

當然，比起選擇哪款模型，更重要的是，當 ChatGPT 可以自主修 Bug 甚至操作你的終端，當 Claude 可以一次性吞吐海量文檔並精準定位細節時，Prompt Engineering（提示詞工程）的重要性正在下降，而 Agent Management（智能體管理）的能力開始浮出水面。

我們不再需要像教小學生一樣，把指令拆解得碎碎念。相反，我們需要做的，是學會如何以管理者的身份，去定義目標、審核結果、以及決定在什麼時候，把什麼任務交給哪位 AI 員工。

這就是 2026 年的新職場。你的團隊裏混入了一羣硅基天才，而你是唯一的碳基老闆。