刚刚，ChatGPT 和Claude 同时大更新，不会给AI 当老板的打工人要被淘汰

本文来自微信公众号： APPSO ，作者：发现明日产品的，原文标题：《刚刚，ChatGPT 和 Claude 同时大更新，不会给 AI 当老板的打工人要被淘汰》

就在刚刚，硅谷AI圈上演了一出「火星撞地球」。

OpenAI和Anthropic像约好了一样，同时甩出了自家的重磅更新：Claude Opus 4.6和GPT-5.3-Codex。

如果说昨晚之前，我们还在讨论怎么写好Prompt辅助工作；那么今天过后，我们可能需要学会如何作为老板去管理AI员工。

AI造AI，顺便接管你的电脑

就在昨天，Sam Altman刚在X平台上凡尔赛了一把Codex的「百万活跃用户」里程碑。短短一天后，OpenAI再次乘胜追击，扔出王炸——

GPT-5.3-Codex。

技术文档里藏着一句极具分量的话：「这是我们第一个在创造自己的过程中，发挥了关键作用的模型。」

说人话就是：AI已经学会了自己写代码、自己找Bug，甚至开始自己训练下一代的AI了。这种自我进化能力，也直接体现在了一连串跑分数据上。

还记得那个模拟人类操作电脑的OSWorld-Verified基准测试吗？前代模型只有38.2%的准确率，连及格线都够不上。但这次，GPT-5.3-Codex直接跳涨到了64.7%。

要知道，人类的平均水平也就72%。这意味着，AI距离像你一样熟练地甩鼠标、切屏、操作软件，只剩下一层窗户纸的距离。

而在Terminal-Bench 2.0（命令行操作基准测试）中，它更是拿下了77.3%的高分，把GPT-5.2（62.2%）远远甩在身后。

在覆盖四种编程语言，不仅抗污染，还全是真实世界的硬核工程难题的SWE-Bench Pro基准测试中，GPT-5.3-Codex也表现出了SOTA水准，而且用的Token比以往任何模型都少。

OpenAI甚至展示了它独立构建的能力：

在几天内，它从零构建了一款包含多张地图的赛车游戏v2，顺手还搞定了一款管理氧气系统的深海潜水游戏。

最让我印象深刻的是GPT-5.3-Codex对模糊意图的理解。

在构建落地页时，它自动把年度计划换算成了打折后的月付价格，甚至还贴心地自动补充了用户评价轮播——这一切，都不需要你下指令。

OpenAI的野心已经写在脸上了：以前微软常说AI将会成为人类的副驾驶（Copilot），但现在AI更想做那个能掌控方向盘、甚至能自己修车的司机。

对了，还有一个有趣的细节。

此前外界盛传OpenAI对英伟达的AI芯片颇有微词，但这次官方博客特地强调：GPT-5.3-Codex的设计、训练和部署都在NVIDIA GB200 NVL72系统上完成。

这一波高情商的「感谢英伟达」，属实是给足了黄仁勋面子。

告别「金鱼记忆」Claude迎来绝地反击

在GPT-5.3-Codex发布的前后脚，Anthropic也端出了自己的春节大礼包。

坏消息是，大家期待的Claude「中杯」Sonnet模型没有更新；但好消息是，Anthropic直接端出了「超大杯」——Claude Opus 4.6。

相比于OpenAI在行动力上的激进，Anthropic今天发布的Claude Opus 4.6则是在思考力和可靠性上死磕。

很多企业用户都有一个名为Context Rot（上下文腐蚀）的痛点：号称支持200k上下文，但塞进去的数据一多，AI就开始顾头不顾尾。

这次，Claude Opus 4.6拿出的数据简直是「降维打击」。

在MRCR v2（长文本大海捞针）测试中，Claude Opus 4.6的召回率高达76%。

作为对比，上一代Sonnet 4.5只有惨不忍睹的18.5%。从某种程度上说，这是一个从基本不可用到高可靠的质变。

这是因为Claude Opus 4.6首次引入了真正可用的1M上下文窗口。

这意味着什么？意味着你可以把几百页的财报、几十万字的代码库直接扔给它，它不仅能读完，还能精准地告诉你第342页脚注里的那个数字有问题。

此外，它现在还支持最高128k的输出Token。什么概念？你可以让它一次性写完长篇研报或复杂的代码库，而不用因为字数限制被迫截断。

除了记性好，Opus 4.6这次还在智商上实现了碾压：

在GDPval-AA（一项针对金融、法律等高经济价值任务的评估）中，Opus 4.6的Elo得分比业界第二（OpenAI的GPT-5.2）高出了整整144分，比前代更是高出190分。

在复杂的多学科推理测试Humanity's Last Exam中，它领先所有前沿模型。

在测试寻找互联网「难找信息」能力的BrowseComp中，它同样表现最优。

通过这些数据，Anthropic似乎在传递一个信号：如果你要写代码，去隔壁找OpenAI；如果你要处理复杂的商业决策、法律文书或金融分析，Claude才是唯一的选择。

更让打工人眼前一亮的是它的生产力功能。

一方面，Anthropic这回直接把Claude塞进了Excel和PowerPoint。它能根据Excel数据直接生成PPT，不仅保留排版风格，连字体和模板都能对齐。在Claude Cowork协作环境中，它甚至能进行自主多任务处理。

另一方面，Anthropic顺势在Claude Code中推出了实验性的Agent Teams功能，让普通开发者也能体验这种「指挥千军万马」的感觉：

角色分工：你可以指定一个Claude Session担任Team Lead（组长），它不干脏活累活，专门负责拆解任务、分配工单、合并代码；其他的Session则是队友（Teammates），各自领任务去干。

独立作战：每个队友都有独立的上下文窗口（不用担心Token爆炸），它们甚至能背着你互相发消息（Inter-agent messaging），讨论技术细节，最后只把结果汇报给组长。

并行赛马：这东西有什么用？想象一下查一个顽固Bug，你可以生成5个Agent，分别验证5种不同的假设，像「赛马」一样并行排雷；或者在Code Review时，让一个队友扮「安全专家」查漏洞，一个扮「架构师」看性能，互不干扰。

为了展示Opus 4.6的极限，Anthropic的研究员Nicholas Carlini搞了个疯狂的实验：Agent Teams（智能体团队）。

他没有亲自写代码，而是扔了2万美元的API额度，让16个Claude Opus 4.6组成一个「全自动软件开发团队」。

结果在短短两周内，这群AI自主进行了2000多个编程会话，从零手写了一个10万行代码的C语言编译器（基于Rust）。

这个AI写的编译器，还成功编译了Linux 6.9内核（涵盖x86、ARM和RISC-V架构），甚至跑通了Doom游戏。

虽然它还不够完美（比如生成的代码效率不如GCC），但这个案例也表明我们不再是和AI一起编程，而是看着一个AI团队自主协作、查错、推进项目。

此外，它还学会了Adaptive Thinking（自适应推理），能根据难度自己决定「想多久」。加上新增的「智能强度」控制，你可以在Low到Max四档之间切换。

定价方面，Anthropic这次很良心，维持在每百万Token$5/$25的基础定价。看来是为了抢占企业级市场，铁了心要和OpenAI卷到底。

一个是激进天才，一个是靠谱老牛

知名AI评测人Dan Shipper在第一时间搞了个「盲测」（Vibe Check），他的评价非常精准：

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

它像是一个才华横溢但偶尔跳脱的天才。在测试中，它直接解决了一个让iOS团队卡了两个月的功能难题；在LFG Benchmark中拿到了9.25/10的高分。

但它偶尔也会「过度自信」，一本正经地胡说八道。如果你需要突破性的灵感，选它。

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

它像是一个经验丰富、绝不掉链子的资深工程师。推理速度提升25%，几乎不犯低级错误，稳健得让人心安。

虽然在创造性任务上略逊一筹（LFG得分7.5/10），但在日常的Coding和运维任务中，它是最高效的老黄牛。

当然，比起选择哪款模型，更重要的是，当ChatGPT可以自主修Bug甚至操作你的终端，当Claude可以一次性吞吐海量文档并精准定位细节时，Prompt Engineering（提示词工程）的重要性正在下降，而Agent Management（智能体管理）的能力开始浮出水面。

我们不再需要像教小学生一样，把指令拆解得碎碎念。相反，我们需要做的，是学会如何以管理者的身份，去定义目标、审核结果、以及决定在什么时候，把什么任务交给哪位AI员工。

这就是2026年的新职场。你的团队里混入了一群硅基天才，而你是唯一的碳基老板。