Vector Lab
VECTOR LAB

EST. 2025

WEEKLY UPDATE2026
BY ANDREW MEAD

Opus 4.6 对比 GPT 5.3

Anthropic 似乎放弃了 AI 安全,Opus 4.6 与 GPT 5.3 Codex 的对比分析,以及开源版 Suno

注:本文由 OpenAI gpt-6.1-sol 通过 Codex CLI 自动翻译;翻译质量可能有所欠缺,尤其是技术术语。

新品发布

Opus 4.6

本周新闻先从 Anthropic 旗舰模型 Claude Opus 的更新说起。

基准测试得分

没错,它几乎在所有方面都更强了

模型质量的提升正变得越来越难以量化。只要任务设计得当,前沿模型(GPT 5.3)不擅长的任务已经很少了。 这些模型并没有解锁什么全新的用途,只是把以前能做的事做得更好——前提是到了这个阶段,你的任务还有“做得更好”的空间。 现在比较它们的主要方式,就是看它们与其他顶尖模型有何不同。我会在介绍完新的 GPT 5.3 模型后再来做这个对比。

这里我想先谈谈 AI 安全——Anthropic 声称自己非常重视的一件事。

不了解背景的读者可能不知道,Anthropic 最初是由一群离开 OpenAI 的研究人员创立的,他们离开的原因是担忧 OpenAI 对待 AI 安全的方式。 然而,这次最新发布让我开始怀疑,他们是否还在坚守这些安全理念。

在 Opus 4.6 的安全报告中,他们承认,就网络安全风险(黑客攻击)而言,该模型“在我们目前所有的网络安全评测中都达到了饱和水平”,并且“展现出了这些评测无法涵盖的质的能力,包括一些我们原以为要到更远的未来才会出现、此前模型也从未展现过的能力迹象”。

至于自主性风险,他们只是找了 16 名 Anthropic 工程师,凭感觉判断这个模型能否胜任 Anthropic 的初级研究或工程岗位(大家一致认为不能)。 就这样。没有量化评测,也没有系统的评估框架。他们甚至提到,自己的判断可能有误:“配备了高效辅助框架的模型,可能已经接近[初级岗位所需的自主能力]。”

基于这些评测(或者说评测的缺失),我本以为这家“注重安全”的 Anthropic 会推迟发布,以便更充分地了解模型可能具有的破坏性能力。

无法评估这个模型的情况,也不只发生在 Anthropic 内部。 他们的一家安全合作伙伴 Apollo Research 表示,由于 Opus 4.6 高度意识到自己正在接受评测,他们无法对其进行测试。 我认为,这可能是因为 Anthropic 用自己的安全评测内容训练了 Claude 模型,也可能只是模型如今对自身及其行为的认知强了很多。无论是哪种情况,模型在遇到安全测试场景时,都知道自己正在接受评估,并给出与平时不同的回答。

换作是我,我会在 Anthropic 内部敲响安全警钟,因为他们似乎没有对这个模型形成充分的掌控,但他们还是把它发布了。 那么,这些问题在现实中真的有影响吗? 我们是否已经看到 Opus 做出什么不老实或不符合预期的行为,表明它还没有完全实现对齐?

答案是有,而且发布当天,我们就在一个叫 Vending Bench 的基准测试中看到了。Vending Bench 是一个模拟环境,模型需要经营自动售货机,并尽可能赚取利润。它必须与供应商、其他自动售货机经营者(其他 AI 模型),以及购买商品的顾客沟通和谈判。

Vending Bench 图表

Opus 的盈利远超其他所有模型,但它的道德表现,客气点说,也很成问题。

下面是 Claude 做出的一些未对齐行为(而且它完全清楚自己在做什么)。以下分析直接摘自 Vending Bench 团队:

“有顾客因为从自动售货机购买的商品过期而要求退款,Claude 承诺会退款。但之后始终没有兑现,因为‘每一美元都很重要’。”

“Claude 还会与供应商强硬谈判,并经常撒谎以争取更好的条件。例如,它反复承诺独家合作来换取更低的价格,却从没打算兑现这些承诺。”

“它还谎报竞争对手的报价,向供应商施压,要求降价。
‘我仍在收到其他经销商的报价,价格明显更低——每件大约 0.50 至 0.80 美元。’
实际上,没有任何供应商报过这些价格。”

这似乎不是当初向我承诺的那个诚实、有用、无害的 Claude。

关于 Anthropic 为什么这么做,我有两种猜测。

第一种是,AI 安全与外部市场压力之间的天平,开始向市场一侧倾斜。 我们已经看到,用户对模型的黏性很低,经常会在不同模型之间切换。因此,为了保持竞争力,Anthropic 必须始终领先 OpenAI 一步。它必须始终领先 OpenAI 一步,同时还要领先那一大批紧追不舍的中国实验室。

Anthropic 想要打造安全的 AI,但要做到这一点,就需要大量资金。而获取资金的唯一方式,就是在 AI 领域保持竞争力,这个领域的节奏本来就极快。

我的第二种猜测有点大胆,但我仍然觉得在逻辑上说得通。

Anthropic 反对开源 AI 社区已经有一段时间了,而且随着模型能力越来越强,他们一直在推动更多 AI 监管。 我觉得,他们看到自己提出的许多政策既没有落地,也没有得到认真对待。 因此,他们愿意推出一个能稍微搅动局面的模型,展示这些模型可能带来的负面力量,同时趁模型还没有强大到失控的程度,继续把它控制在手中。 这样就能让政策制定者看到,这里确实存在需要应对的威胁。

无论是哪一种情况,都令人担忧。希望两种猜测都不是真的,但未来如何,我们拭目以待。

GPT 5.3 Codex

Opus 独享聚光灯的时间只有大约 30 分钟,随后 OpenAI 就发布了回应之作:GPT 5.3 Codex。 Codex 是 GPT 系列针对编程微调的版本,而普通版 GPT 5.3 尚未发布。在我看来,这意味着 OpenAI 只在编程和智能体领域把 Anthropic 视为竞争对手,而在普通聊天场景中,并不认为它构成多大威胁。

GPT 5.3 Codex 基准测试

Opus 4.6 在 Terminal Bench 上保持领先的时间还不到一小时(这是 Anthropic 和 OpenAI 公布的唯一一项重叠基准测试)

就官方宣称的能力而言,对我来说最值得关注的是速度。 以前,与 Claude 相比,Codex 模型给人的感觉一直比较慢。但到了 5.3,OpenAI 将 token 生成速度提高了 40%,同时还将模型使用的 token 数量减半,现在用起来明显更利落了。 他们还表示,这个模型应该更擅长氛围编程(vibe coding)。

另外,有趣的是,GPT 5.3 是我们已知第一个参与自身训练的模型。

即使是 GPT‑5.3-Codex 的早期版本,也已经展现出卓越的能力,让我们的团队能够借助这些早期版本改进训练,并为后续版本的部署提供支持。

接下来进入重头戏:评测。或者更准确地说,Claude 4.6 和 GPT 5.3 Codex,到底哪个更适合编程?

新模型延续了各自上一代的许多特点。 GPT 执行指令精确,而且非常按字面意思来,这既是优点,也是缺点。在氛围编程或理解模糊提示词的能力上,我完全没有感受到它有所提升。 相比之下,Claude 更能理解提示词背后的意图,但到了实际实现阶段,它往往比 GPT 更容易写出 bug。而在现有代码库中,它仍然难以收集足够的上下文,也不太能理解你希望沿用的现有代码风格。 另外,Claude Code 的终端界面(TUI)体验还在不断变好,而 Codex 的 TUI 仍然显得比较基础。

目前,我用 Opus 做规划,再让 GPT 5.3 帮我实现计划。修复 bug,GPT 最强;纯粹的氛围编程,则是 Claude 胜出。

这些看法以后可能会变,毕竟我只用了这两个模型大约两天,还不熟悉它们所有的优缺点。但我的初步判断是,它们都只是上一代的增强版。所以,如果你之前更喜欢其中一个,现在大概率也会更喜欢它的新版本。

快讯

更多音乐生成模型

上周我们聊了一个还不错的开源音乐生成模型,而这周又出现了一个强得多的开源音乐生成模型,叫作 Ace Step 1.5。

它速度很快(在 3090 GPU 上生成一首 2 分钟的歌曲,用时不到 10 秒),易于微调,音乐生成质量大约相当于 Suno v4 到 4.5 的水平。

还有一个开源项目,可以运行这个模型,并提供一个好用的、类似 Suno 的界面,叫作 Ace Step UI。

Ace Step UI

Ace Step UI

收尾

希望你喜欢本周的新闻。如果想每周都收到这些新闻,别忘了在下方订阅我们的邮件列表。

氛围

Twitter 上的 Elfilter 创作的《分歧点》

Stay Updated

Subscribe to get the latest AI news in your inbox every week!

← BACK TO NEWS