Claude Opus 4.6 與 GPT-5.3-Codex 發佈,軟件開發邁向智能體工程
フロンティアモデル「Claude Opus 4.6」および「GPT-5.3-Codex」がリリース ——ソフトウェア開発はAgentic Engineeringへ
Anthropic 發佈 Claude Opus 4.6,OpenAI 同日發佈 GPT-5.3-Codex,兩款前沿模型均聚焦提升編碼及智能體任務能力。
文章並列兩款模型的基準測試、長上下文與自主編碼能力,並交代工具整合和資安安排,便於比較其開發用途與使用條件。
2026年2月5日,Anthropic 發佈 Claude Opus 4.6。同日,OpenAI 亦發佈 GPT‑5.3‑Codex。這些都是兩家公司各自的前沿模型。由於兩者在同一天推出,本文會一併介紹。
Claude Opus 4.6
Anthropic 於2026年2月5日發佈「Claude Opus 4.6」,大幅提升了編碼和推理能力。一般支援200K上下文視窗,並以測試版形式,首次讓 Opus 級模型可使用最多1M個 token。模型亦支援最多128K個 token 的輸出。
- Claude Opus 4.6 登場 - Anthropic
- 系統卡:Claude Opus 4.6 - Anthropic
- 評估並緩解 LLM 發現 0-days 的風險日益上升 - Anthropic
介紹 Claude Opus 4.6。我們最聰明的模型迎來升級。
Opus 4.6 能更審慎地規劃、長時間執行智能體任務、可靠地處理大型程式碼庫,並能發現自己的錯誤。
這亦是我們首個以測試版形式支援1M個 token 上下文的 Opus 級模型。 pic.twitter.com/L1iQyRgT9x
— Claude (@claudeai) 2026年2月5日
效能幾乎全面提升
在財務模型建構和併購分析等實際工作中,分析師通常需要數星期才能完成;Claude Opus 4.6 的表現較 Sonnet 4.5 提升超過23個百分點。在衡量經濟價值的 GDPval-AA 評測中,它亦勝過 GPT-5.2 和上一代模型 Opus 4.5;在自主編碼評測 Terminal-Bench 2.0 中取得65.4%,在評估自主操作任務的 OSWorld 中取得72.7%,並在推理測試 Humanity’s Last Exam 及衡量搜尋能力的 BrowseComp 等評測中,大幅超越上一代模型。
模型的進階分析能力亦展現在安全領域。Anthropic 表示,模型可透過分析程式碼的推理能力,在不依賴任務專用的輔助架構(custom scaffolding)或特殊提示詞的情況下,找出高嚴重性漏洞。目前已發現並驗證超過500宗高嚴重性漏洞,並正陸續通報及修補。為應對這些能力可能帶來的風險,Anthropic 亦加強了濫用偵測機制及應對流程。(詳情請參閱上文提及的評估並緩解 LLM 發現 0-days 的風險日益上升)。此外,長上下文處理方面的「Context Rot(資訊流失)」問題亦大幅改善:在長上下文資訊檢索評測(MRCR v2)中,Sonnet 4.5的18.5%為對照,模型取得76%準確率(以1M個token計)。
工具整合及開發者功能
模型在融入用戶的實際工作環境及開發者功能方面亦有所提升。
- Cowork 及 Office 工具整合
-
除了可按資料夾分析檔案的「Cowork」,以及支援行動前規劃、整理非結構化資料和一次處理多個步驟的「Claude in Excel」外,亦推出了研究預覽版「Claude in PowerPoint」。它能讀取版面配置、字型和投影片母片,在維持品牌風格的同時,根據範本或文字描述製作投影片。PowerPoint 整合功能僅限 Max/Team/Enterprise 方案使用。
- Effort(思考資源)控制
-
開發者現在可將模型的思考資源調整為 Low/Medium/High/Max 4個級別。如果模型在簡單任務上容易思考過度,建議由預設的 High 調低至 Medium。
- 進階自主功能及上下文管理
-
新增了可自主調整思考深度的「Adaptive thinking」,以及在接近所設閾值時摘要整理舊上下文、避免超出限制的「Context compaction(測試版)」。
Claude Code 亦以研究預覽形式加入「Agent teams」,可並行處理程式碼庫審查等需要大量閱讀的任務。據 Lydia Hallie 所述,這項功能不會讓單一智能體依次完成工作,而是由「領隊將多項調查、除錯和建構工作委派給多位「隊友」,隊友之間亦會互相協調,自主推進工作。使用者可透過 Shift+↑/↓ 鍵(或 tmux)切換各智能體的工作畫面,並分別控制它們。
Claude Code 現已支援 agent teams(研究預覽)
領隊智能體可將任務委派給多位隊友,讓他們並行研究、除錯及開發,同時互相協調,無須再由單一智能體依次處理整項任務。
即日起試用… pic.twitter.com/vi7lUJDOTi
— Lydia Hallie ✨ (@lydiahallie) 2026年2月5日
提供方式
Claude Opus 4.6 已可於 claude.ai、API 及主要雲端平台使用。API 價格維持每100萬個 token 輸入5美元、輸出25美元;但只有在提示詞超過200k個 token 時,才會採用較高的進階價格:輸入10美元、輸出37.50美元。
GPT‑5.3‑Codex
OpenAI 於2026年2月5日發佈迄今最強大的智能體編碼模型「GPT-5.3-Codex」。行政總裁 Sam Altman 表示,與其說是基準測試數字上的進步,不如說這是「向前邁出一大步」,並談到他對模型的信心。OpenAI 表示,處理速度提升25%,完成相同任務所需的 token 亦比以往更少。這項效能和效率上的飛躍,背後有 NVIDIA 的緊密合作:模型專為 NVIDIA GB200 NVL72 系統共同設計,並使用該系統進行訓練和提供服務。此次模型開發的另一個特別之處,是團隊使用早期版本的模型來除錯訓練、管理部署及診斷測試結果,藉此加快模型本身的開發。Altman 亦表示:「看到 GPT-5.3-Codex 如何大幅加快發佈進度,令人驚嘆。」
— OpenAI Developers (@OpenAIDevs) 二月5日,2026年
出色的程式編寫能力
配合發佈一同公布的基準測試結果顯示,模型達到業界頂尖水平。GPT-5.3-Codex (xhigh) 在 SWE-Bench Pro 取得56.8%、Terminal-Bench 2.0 取得77.3%,並在 OSWorld-Verified 取得64.7%。案例包括只憑一般指示便自主改良潛水及賽車遊戲;製作登陸頁面時,模型亦會主動作出切合正式環境的實際判斷,例如顯示折扣及加入輪播功能。
OpenAI 表示,模型在需要專業知識的內部工作中亦展現出媲美 GPT-5.2 的表現,能處理金融分析和製作培訓資料等高階任務。據稱,OpenAI 內部已有具體而深入的實際應用:工程團隊利用模型找出程式錯誤及查明快取命中率的影響因素,數據科學家則用它分析日誌。
加強安全及風險管理
System Card 指出,模型在生物學及網絡安全相關問題的回答和任務執行能力達到較高水平(High capability),但在 AI 自我改進方面則低於這一水平。網絡安全能力亦首次被列為 High。為應對模型能力提升帶來的濫用風險,OpenAI 開始試行以認證(身份驗證)為基礎的「Trusted Access for Cyber」框架,在鼓勵用於防禦目的的同時遏止濫用。
使用 Trusted Access for Cyber 時,若在可能涉及高風險的網絡用途上使用模型,已完成身份驗證的用戶(chatgpt.com/cyber)、企業,以及透過邀請制計劃加入的研究人員和團隊,均可使用更強大的網絡安全功能。此外,OpenAI 亦正透過 Cybersecurity Grant Program 提供總額1000萬美元的 API 額度,以支援開源項目及加強關鍵基礎設施的防禦。
Codex 應用程式:個性設定與引導
Codex 應用程式的功能亦有所改善。Codex 會在執行任務期間定期分享進度,用戶可以在過程中追加指示,微調工作方向(steering)。據稱,可在 Codex 應用程式的「Settings > General > Follow-up behavior」中設定工作期間的互動方式。此外,對話語氣可選 Friendly/Pragmatic,讓用戶按喜好切換至較像同事交流的回應風格。
提供方式
GPT-5.3-Codex可透過付費ChatGPT方案,在Codex應用程式、CLI、IDE擴充功能及網頁版使用。API存取功能仍在準備中。
最近看到一篇回顧過去1年使用近期編碼智能體的開發模式變化的帖文,因此也一併以專欄形式介紹。
來源:gihyo.jp · gihyo.jp