Claude Opus 4.6 發布，全線碾壓 GPT-5.2，一文詳解

剛剛，Anthropic 發布 Claude Opus 4.6

BenchMark

在知識工作評測 GDPval-AA 上，Opus 4.6 贏 GPT-5.2 約 144 Elo，贏自家前代 Opus 4.5 約 190 Elo
翻譯成人話，就是十局贏七局

同時拿下 Terminal-Bench 2.0（Agent 編碼）、Humanity's Last Exam（多學科推理）、BrowseComp（Agent 搜索）的最高分

這是 Opus 級模型第一次支持 1M token 上下文窗口（beta），輸出上限拉到 128K token

模型之外，Anthropic 這次把產品線也一起更新了。Claude Code 加了 agent teams，Excel 升級，PowerPoint 新出了 research preview，API 加了 adaptive thinking 和 context compaction

官方介紹視頻 跑分

先看總表

Benchmark 總表，Opus 4.6 vs 各家模型

分項來看

知識工作（GDPval-AA）

這個評測由 Artificial Analysis 獨立運營，測的是金融、法律等專業領域的實際工作能力。Opus 4.6 在各個子領域都排在前面

GDPval-AA 各領域得分

Agent 搜索（DeepSearchQA / BrowseComp）

BrowseComp 測的是模型在網上找難找的信息的能力。Opus 4.6 單 Agent 跑分就已經領先，加上多 Agent 框架之后分數到了 86.8%

DeepSearchQA 跑分對比

Agent 編碼（Terminal-Bench 2.0 / SWE-bench Verified）

Terminal-Bench 2.0 拿了最高分。SWE-bench Verified 平均跑了 25 輪，調整 prompt 后最高到了 81.42%

Terminal-Bench 2.0 跑分

多學科推理（Humanity's Last Exam / ARC AGI 2）

Humanity's Last Exam 跑的時候帶了 web search、code execution、context compaction（50K token 觸發，最大 3M token），用了 max effort + adaptive thinking

ARC AGI 2 用了 max effort 和 120K thinking budget

多學科推理跑分 長上下文

1M 上下文不新鮮，但 Opus 級模型一直沒給

之前的問題是 context rot，上下文一長，模型表現就往下掉。Opus 4.6 在 MRCR v2 八針 1M 測試里拿了 76%，同一個測試 Sonnet 4.5 只有 18.5%

這特么...足足四倍

Anthropic 說 Opus 4.6 在大量文檔中檢索信息的能力也有明顯提升，能在幾十萬 token 的上下文里追蹤信息，抓住 Opus 4.5 會漏掉的細節

長上下文檢索，提升很明顯 長上下文推理能力對比 其他領域的 benchmark

除了上面幾個主要方向，Opus 4.6 還跑了軟件工程、多語言編碼、長期連貫性、網絡安全、生命科學幾個方向

根因分析（OpenRCA）

測的是模型診斷復雜軟件故障的能力。每個 case 如果所有生成的根因要素都和 ground truth 匹配就得 1 分，否則 0 分

OpenRCA，診斷復雜軟件故障

多語言編碼

多語言編碼跑分

長期連貫性（MCP Atlas）

Opus 4.6 用 max effort 跑出最高分。用 high effort 的時候也到了 62.7%，同樣領先

MCP Atlas，長期連貫性

網絡安全（CyberGym）

跑的時候沒開 thinking，用默認 effort、temperature 和 top_p，給了一個 think tool 做多輪評測的交叉思考

CyberGym，網絡安全能力

生命科學

生命科學跑分 Anthropic 內部怎么用的

Anthropic 自己用 Claude 造 Claude。工程師每天用 Claude Code 寫代碼，每個新模型都先在內部跑

他們對 Opus 4.6 的觀察：模型會自動把精力集中在任務最難的部分，簡單的地方快速通過，處理模糊問題時判斷更好，長時間工作保持穩定

但也有個問題，Opus 4.6 有時候會「想太多」。簡單任務上會增加成本和延遲，Anthropic 建議這種場景把 effort 從默認的 high 調到 medium

Early Access 合作伙伴的反饋集中在三點：能自主工作不需要手把手帶，之前模型搞不定的任務能搞定了，改變了團隊協作的方式

產品更新

Claude Code：agent teams

可以同時起多個 Agent，讓它們并行工作、自主協調。適合能拆成獨立子任務的場景，比如大規模 code review

你可以用 Shift+Up/Down 或者 tmux 隨時接管任意一個子 Agent。目前是 research preview

Claude in Excel

能處理更長、更復雜的任務了。可以先規劃再執行，能自動識別非結構化數據并推斷出合理的表結構，支持條件格式和數據驗證，多步操作一次完成

Claude in Excel 演示視頻（1 分 27 秒）

Claude in PowerPoint

這個東西目前，research preview 階段，Max、Team、Enterprise 可用

Claude 會讀你的版式、字體、母版，保持品牌一致性。可以從模板出發，也可以從一段描述直接生成整套 deck

一個實用的組合：先用 Claude in Excel 處理和結構化數據，再用 Claude in PowerPoint 做可視化呈現

Cowork

在 Cowork 里，Opus 4.6 可以自主執行多任務。跑分析、做研究、處理文檔、表格、演示文稿，都可以自動跑

API 更新

Adaptive thinking
以前 extended thinking 只有開和關兩個選項。現在 Claude 可以自己判斷什么時候需要深度推理，什么時候快速過。默認 effort 是 high，這個檔位下模型會在需要的時候自動啟用深度推理

Effort 控制
四檔可選：low、medium、high（默認）、max。開發者可以根據任務調

Context compaction（beta）
長對話或 Agent 任務快撞到上下文窗口的時候，自動把舊的上下文壓縮成摘要替換掉，觸發閾值可配置

1M 上下文（beta）
超過 200K token 的輸入，價格從 漲 到 10/百萬 token，輸出從 漲 到 37.50。200K 以內價格不變

128K 輸出
大輸出任務不用拆成多次請求了

US-only inference
需要數據留在美國境內的，可以選 US-only inference，價格 1.1 倍

安全

Anthropic 說這是他們做過最全面的安全評估，很多測試是第一次用

自動行為審計里，Opus 4.6 的對齊偏差率（欺騙、諂媚、配合濫用等）和 Opus 4.5 持平。over-refusal 率（該回答卻拒絕）是近期 Claude 模型里最低的

安全評估，各代 Claude 對齊偏差率對比

新增了用戶福祉評測、更復雜的拒絕危險請求測試、模型是否會偷偷執行有害操作的升級版測試

因為 Opus 4.6 的網絡安全能力提升明顯，Anthropic 額外開發了 6 個新的網絡安全探針來追蹤潛在濫用。同時也在用這個模型幫開源軟件找漏洞和打補丁

一個細節：system card 里提到他們首次用可解釋性（interpretability）技術去理解模型行為的底層原因，試圖抓住標準測試可能漏掉的問題

詳細的能力和安全評估在 system card 里：https://www.anthropic.com/claude-opus-4-6-system-card

定價

今天起在 claude.ai、Claude API、AWS、GCP、Azure 可用

模型 API 標識：claude-opus-4-6

定價： 25 每百萬 token（200K 以內）， 37.50 每百萬 token（200K 以上）

完整定價：https://claude.com/pricing