什么值得买App

我的兴趣消费指南

什么值得买
连续签到专享现金活动

AI在顶级测试集体翻车,Claude 4.6和4.7选哪个?看完不纠结

最近AI圈出了件挺有意思的事:全球最顶尖的大模型们在ARC-AGI-3测试里集体翻车,人类能拿满分,这些模型却连1%都够不着。与此同时,Claude Opus 4.6刚发布不久,4.7就接踵而至,两个版本加起来也没能让AI在这项测试上翻身。这让不少人犯了难——买新不买旧还是稳住4.6?选Claude还是GPT-5.3?12
ARC-AGI-3到底是什么神仙考试?
这项测试由Keras之父François Chollet创立,设计思路跟传统基准完全不同。测试包含135个全新交互式游戏环境,没有任何规则说明、没有目标提示,AI必须自己探索、推断规则、验证假设。有用户形容这就像"被蒙眼扔进厨房,摸到圆形物体就以为是篮球开始投篮"——模型会迅速脑补一个熟悉框架,然后沿着错误假设死磕到底。评分标准不看是否通关,只看效率,对标人类动作数的平方反比,用100步解决人类10步能搞定的问题,得分只有1%。34
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
但硬币另一面是成本。4.7使用更激进的分词器,同样输入可能消耗1.0到1.35倍的token。有人实测一个小时就烧掉100块人民币,产出的设计文档质量却"都不及格"。更麻烦的是用户反馈呈现两极分化:有人吐槽4.7幻觉频发、长上下文准确率从78%跌到32%,甚至出现"假装搜索然后说没找到"的情况,直接换回4.6。67
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?
Opus 4.6和GPT-5.3-Codex定位上有明显分化。Claude强在长任务持久力和代码审查,100万token上下文让它能一次性消化整个代码库,Agent Teams功能支持多实例并行协作,适合需要持续推理的复杂项目。GPT-5.3则在Terminal-Bench这类终端编码测试上领先12个点,视觉桌面操作(OSWorld-Verified)得分64.7%,比Claude的72.7%稍低但差距不大,速度提升了25%,更偏向"先做出来再说"的节奏。98
价格方面,两者都在每百万token输入5美元、输出25美元这个区间,Claude的1M上下文取消溢价后成本下降不少。不过从实际用户反馈看,"大多数时候你根本用不到4.6的全部能力"是真实存在的。如果只是写中小型功能模块、常规代码审查,Sonnet 4.6便宜四成且编程能力已经追平Opus,性价比更高;只有在大型代码库、复杂长链路任务、多智能体协作场景下,Opus系列的长处才真正发挥出来。1011
维度Opus 4.6Opus 4.7GPT-5.3 Codex
SWE-bench Pro53.4%64.3%接近4.7
上下文窗口100万tokens100万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

评论

评论区空态插画

当前文章无评论,是时候发表评论了