AI在顶级测试集体翻车,Claude 4.6和4.7选哪个?看完不纠结
ARC-AGI-3到底是什么神仙考试?
有意思的是,这份"照妖镜"测出的结果跟日常体验反差极大。在编程、文档分析等明确任务上表现出色的模型,到了这个测试里几乎全部"归零"。这说明当前AI擅长处理见过的任务,而人类擅长处理从未见过的任务。换个角度想,ARC-AGI-3测的是"如何学习"的能力,这恰恰是目前AI最弱的一环,也是它和真正通用智能之间的本质差距。3
4.6到4.7,到底升级了什么?
从纸面数据看,4.7在几个关键指标上确实有提升。SWE-bench Pro得分从53.4%跳到64.3%,提升将近11个百分点;视觉理解分辨率支持到约2576px,多模态任务处理能力明显增强;长任务执行的稳定性也更好了,特别是在Terminal Bench这类终端编码测试上。复杂代码问题的可靠性质变,是这次升级最核心的亮点,意味着大型项目里减少返工、减少中断的可能性变大了。5
4.7更适合的场景是:需要研究生级推理、金融分析、复杂多步规划的高端任务。如果只是日常编程、文档处理,4.6的性价比可能更稳。在Claude Code里,4.6的代码审查和自纠错能力更可靠,边界情况考虑更周全;4.7虽然上限更高,但稳定区间是否同步扩大,目前还需要更多验证。8
Claude和GPT-5.3怎么选?
| 维度 | Opus 4.6 | Opus 4.7 | GPT-5.3 Codex |
|---|---|---|---|
| SWE-bench Pro | 53.4% | 64.3% | 接近4.7 |
| 上下文窗口 | 100万tokens | 100万tokens | 常规窗口 |
| 视觉桌面操作 | 72.7% | 78.0% | 64.7% |
| 定价(输入/输出) | $5/$25 | $5/$25 | $5/$25 |
| 核心优势 | 长任务可靠 | 复杂推理更强 | 速度更快 |
选4.7还是4.6没有标准答案,取决于你的任务复杂度和预算。高风险的专业任务选4.7,追求稳定性选4.6;需要快速迭代的功能开发可以试试GPT-5.3。国产模型在ARC-AGI这类测试上跟美国还有差距,但在工程性价比上逐步追赶,如果预算有限、任务不极端,Gemini 3.1 Pro这类第二梯队也是务实的选项。12
当前文章无评论,是时候发表评论了