什么值得买App下载 App ›
连续签到专享现金活动

百万Token实测:Opus 4.6真的能过目不忘?看完升级建议再决定

长上下文能力是Opus 4.6最核心的卖点,但很多人心里都有个疑问:塞进去100万token,模型到底能不能记住、用好?根据官方基准测试数据,在MRCR v2的8针百万Token检索测试中,Opus 4.6得分78.3%,而前代Sonnet 4.5仅有18.5%——这个差距意味着,以前你丢给模型一本技术手册让它找第300页的脚注,大概率会漏掉;现在基本能做到"过目不忘"。实际意义是:律师可以一次性分析整本案卷,程序员可以扔进整个历史代码仓库而不用切块处理。123
长上下文真的能用了吗
需要注意的是,78%的准确率不等于100%可靠。在跨文件依赖追踪、复杂逻辑推理等场景下,Opus 4.6表现更稳,但在一些边界测试中仍有波动。业内把这个问题叫"上下文腐烂"——上下文越长,模型越容易在中间部分"失忆"。Opus 4.6通过Context Compaction(上下文压缩)机制缓解这个问题:当对话接近窗口上限时自动压缩旧内容。但压缩本身也是一种信息丢失,如果任务对早期细节高度敏感,可能需要额外的工程手段来兜底。45
和GPT-5.3-Codex比,谁更强
同一天发布的GPT-5.3-Codex是Opus 4.6最主要的竞品,两者定位有显著差异。Opus 4.6强在推理深度和知识工作:在GDPval-AA(金融、法律等高经济价值领域评估)中领先GPT-5.2约144个Elo点,在Terminal-Bench 2.0编码测试中拿到65.4%。而GPT-5.3-Codex强在编码执行和电脑操作:Terminal-Bench 2.0得分77.3%,OSWorld(视觉桌面任务)从38.2%跃升至64.7%,速度还提升了25%。678
有人觉得Opus 4.6更适合"需要动脑子"的任务,比如架构设计、代码审查、复杂文档分析;GPT-5.3-Codex则更适合"需要动手执行"的场景,比如自动化操作、快速迭代改代码。也有观点认为两者配合使用效果更好——用Opus做规划和审查,用Codex执行具体任务。从实测数据看,在Next.js电商网站这类复杂项目上,Opus完成了所有功能而Codex遗漏了结账流程;但在简单React落地页上两者表现接近。79
4.7翻车了,4.6还能打吗
Opus 4.6发布后,Anthropic又推出了4.7版本,但用户反馈相当负面。有用户实测一周后发现:长上下文准确率从78%跌到32%,问代码逻辑会编造不存在的函数,还会"假装搜索"后说没找到。相比之下,Opus 4.6虽然功能没那么花哨,但稳定得多。开发者社区的反馈集中在:4.7幻觉偏高、工具调用不稳定、代码自检可靠性不足、输出内容冗余。101112
对于已经在用Opus 4.5的用户来说,4.6的升级价值主要取决于是否需要超长上下文能力。如果日常任务在20万Token以内,4.5已经够用;只有当涉及大型代码库、多年文档集合或需要跨文件依赖追踪时,4.6的百万Token窗口才真正发挥价值。价格方面有个好消息:1M上下文窗口已全面可用,且按标准费率计费,90万Token和9000Token的单位成本完全相同。113
升级还是留守?看场景
基于素材中的实测数据和用户反馈,可以给出一个简单的判断框架:如果日常任务是处理法律合同、财务报告、学术论文等长文档分析,或者需要在一个会话中追踪跨几十个文件的代码依赖——Opus 4.6的百万上下文值得升级;如果主要是短平快的代码补全、简单问答,Opus 4.5甚至Sonnet 4.6已经足够;如果对编码执行速度有极致要求,GPT-5.3-Codex可能更合适;如果已经在用4.7且遇到稳定性问题,切回4.6是务实的选择。14
需要提醒的是,AI模型的迭代速度正在加快。Opus 4.6发布当天就被GPT-5.3-Codex正面狙击,4.7的问题也说明新版本未必总是更好用。对于企业用户,建议建立模型路由机制——简单任务用性价比更高的中端模型,复杂任务再调度到Opus 4.6。长期来看,长上下文能力会越来越成为标配,但现在是否为这个能力付出溢价,取决于你的实际工作负载是否真的需要它。155
维度Opus 4.6GPT-5.3-CodexOpus 4.5
MRCR v2百万Token检索78.3%未公布18.5%
Terminal-Bench 2.065.4%77.3%59.8%
GDPval-AA领先GPT-5.2约144 Elo基准基准
上下文窗口100万Token未公布20万Token
输出上限128K Token未公布64K Token
长上下文价格溢价无未公布超20万Token翻倍

评论

评论区空态插画

当前文章无评论,是时候发表评论了