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同日宣布最新模子。 。。。。正当开发者们陶醉在Codex 5.3的极致速率时，，，，，，，，Arena和Epoch两大权威榜单却给出了意想不到的终局讯断。 。。。。
硅谷这波热闹，，，，，，，，属实有点上头。 。。。。
前脚Claude Opus 4.6刚刚夜袭宣布，，，，，，，，后脚OpenAI就祭出了GPT-5.3-Codex。 。。。。
两大「编程王者」正面硬刚，，，，，，，，究竟谁的能力更强？？ ？？？？？？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（前身是各人熟知的LMArena），，，，，，，，这个被称为「大模子角斗场」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，，，，，，，，所有登顶第一！
代码竞技场� 。。。。罕惹按鶲pus 4.5暴涨106分。 。。。。
文本竞技场� 。。。。旱梅�1496，，，，，，，，硬生生压了Gemini 3 Pro一头。 。。。。
专家竞技场� 。。。。毫煜鹊诙�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是谁人让你最想点「赞」的模子。 。。。。
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。 。。。。
同时在要害文本种别中位列榜首：
指令遵照
难题提醒
长盘问
Claude Opus 4.6在专家领域排名第一，，，，，，，，领先优势达+49分。 。。。。
专家排行榜接纳了一个框架构建，，，，，，，，该框架能识别出真适用户提出的最难题、最专业的提醒。 。。。。
有网友体现，，，，，，，，能够在这三个领域同时拿下第一，，，，，，，，是真正的SOTA，，，，，，，，很是厉害。 。。。。
有网友同时体现，，，，，，，，这Opus 4.6拿下三冠王很厉害，，，，，，，，可是真正对模子的磨练是前沿数学能力。 。。。。
这不，，，，，，，，EpochAI的评测新鲜出炉！
EpochAI：啃下「数学硬骨头」
若是说Arena是公共评审，，，，，，，，那EpochAI的Frontier Math就是「奥数竞赛」。 。。。。
这里考的不是简朴的加减乘除，，，，，，，，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%。 。。。。
这个效果直接在统计学上追平了GPT-5.2(xhigh)。 。。。。
这是Anthropic的模子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道问题中的10道。 。。。。
该效果同样与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，，，，，，，，这些一经是AI禁区的地方，，，，，，，，现在成了Opus 4.6的后花园。 。。。。
Opus 4.6模子体现很是抢眼的领域，，，，，，，，多项得分位居前线：
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难题测试。 。。。。
FrontierMath：这是一个极其难题的数学前沿测试，，，，，，，，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。 。。。。这是评估模子通用人工智能（AGI）潜力的焦点指标之一，，，，，，，，专注于笼统推理和模式识别。 。。。。
SimpleQA Verified：得分46.5%。 。。。。该测试主要评估模子回覆事实性问题的准确度（镌汰幻觉）。 。。。。
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）方面处于天下领先水平。 。。。。
虽然它在某些特定领域（如国际象棋或简朴问答）不是第一，，，，，，，，但其综合能力（ECI 指数 153）使其成为目今最顶尖的模子之一。 。。。。
巅峰对决：速率与审美的较量
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，，，，，，，，并且似乎更偏幸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，，，，，，，，让它天天天生700个科研假设，，，，，，，，自动扫描Slack纪录，，，，，，，，自动提交接码。 。。。。
来详细看看顶级程序员怎样使用GPT-5.3-Codex。 。。。。
代码考古：14天复生《Crimsonland》，，，，，，，，屎山消逝术
在程序员的职场恶梦里，，，，，，，，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眼前，，，，，，，，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）。 。。。。
这款游戏是许多80、90后的童年回忆，，，，，，，，但它的底层代码堪称废墟。 。。。。
若是凭证古板流程，，，，，，，，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。 。。。。
效果，，，，，，，，Banteg仅用了14天，，，，，，，，就单枪匹马完成了全平台重构。 。。。。
需要格外注重的是，，，，，，，，该游戏资源用的.jaz名堂，，，，，，，，是一种消逝了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仅凭剖析二进制流特征，，，，，，，，硬猜出了头文件结构和加密偏移量！
Jaz拿着一张JPG，，，，，，，，并用自界说的运行长度编码的alpha通道举行包裹，，，，，，，，然后再用zlib将整个工具重新压缩历程图
然后，，，，，，，，天生一套现代化的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上果真了所有代码「
GitHub代码传送门：https://github.com/banteg/crimson
以前公司裁人不敢动老员工，，，，，，，，是怕没人能接那一堆乱码。 。。。。
现在，，，，，，，，大模子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实战履历
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一小我私家的Codex的使用量是其他人的十倍之多。 。。。。
以是他的看法很是主要。 。。。。
Karel的单月账单是10,000美元！
换来的是一套足以让古板科研机构倒闭的「非人知识循环」。 。。。。
真正的突破在于让Codex一连纪录并优化自身的事情流程。 。。。。
Codex会将事情条记和辅助工具提交到monorepo的小我私家文件夹中。 。。。。
这些条记并非供人阅读，，，，，，，，而是为了在后续会话中通过检索这些「履历」，，，，，，，，提升Codex的处置惩罚速率和准确性。 。。。。
Karel将Codex作为一名极其勤劳的「搜索智能体」和「尽职视察员」：
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。 。。。。
自主决议：它可以基于总结的条记，，，，，，，，在搭建实验框架时自主做出重大的超参数决议。 。。。。
假设天生：在几小时内通太过析Slack、截图、文档和表格，，，，，，，，天生了凌驾700个关于模子行为的可测试假设。 。。。。
其中，，，，，，，，最要害的是「自动Helper提交」。 。。。。
AI在执行使命时，，，，，，，，会向Git提交「HelperCommits」。 。。。。内里纪录了给下一次迭代中的AI准备的中心态上下文。 。。。。
这样一来，，，，，，，，模子下一次处置惩罚类似使命时，，，，，，，，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曾实验让Agent扫描公司内部历年累月的Slack纪录和杂乱文档。 。。。。
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！
越发厉害的用法是使用GPT-5.3-codex同时治理多个子智能体，，，，，，，，划分认真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，，，，，，，，由其协调解个智能体集群，，，，，，，，从而让他自己从繁琐的并行事情中解脱。 。。。。
ClaudeOpus 4.6：深图远虑的「艺术家」
若是说Codex是快，，，，，，，，那Opus 4.6就是稳，，，，，，，，并且美。 。。。。
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」。 。。。。它写出的代码不但0 Bug，，，，，，，，并且界面结构、配色计划直接抵达了专业UI设计师的水准。 。。。。
逻辑熵控制：它也许会思索得更久（Token消耗多60%），，，，，，，，但那是它在举行「头脑链自我修正」。 。。。。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之以是能碾压其他模子，，，，，，，，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。 。。。。
它不但能挪用编译器，，，，，，，，还能通过5大焦点工具联动，，，，，，，，在亚毫秒级的时间内判断目今使命是否需要引入特另外逻辑自检。 。。。。
以「视频排期表自动化」为例，，，，，，，，它不但能算出逻辑最优解，，，，，，，，还能凭证品牌调性自动调解输特殊式的视觉审美。 。。。。
统一组数据，，，，，，，，差别模子天生的效果
这种降维攻击，，，，，，，，让一经的Prompt Engineering像个小学生。 。。。。
逻辑熵控制：多花60%的钱，，，，，，，，但效果更好
许多老板在看到账单时会肉疼：Opus 4.6处置惩罚同类使命的Token消耗比竞品横跨约60%。 。。。。
但手艺玩家不在乎这些，，，，，，，，他们只看「逻辑熵」。 。。。。
Opus 4.6在输出前，，，，，，，，会在后台举行猖獗的头脑链自我修正。 。。。。自动推翻不对理的路径，，，，，，，，通过大宗的内部Token消耗，，，，，，，，换取逻辑的绝对准确。 。。。。
不再做选择题
这场巅峰对决，，，，，，，，与其说是分出了输赢，，，，，，，，不如说是为开发者铺平了通往「一人公司」的最后一块拼图。 。。。。
左手是极致速率的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。 。。。。
当大模子的能力已经溢出屏幕，，，，，，，，编程这件「苦差事」，，，，，，，，终于酿成了纯粹的创立力释放。 。。。。
限制你想象力的，，，，，，，，再也不是手艺门槛，，，，，，，，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
