Vector Lab
VECTOR LAB

EST. 2025

WEEKLY UPDATE2026
BY ANDREW MEAD

Opus 4.6 vs GPT 5.3

Anthropic aparentemente desiste da segurança de IA, comparação detalhada entre Opus 4.6 vs GPT 5.3 Codex, e Suno open source

Nota: Este artigo foi traduzido automaticamente com Claude Sonnet 4.5; a qualidade pode estar reduzida, especialmente na terminologia técnica.

Lançamentos

Opus 4.6

Começamos as notícias desta semana com uma atualização do modelo principal da Anthropic, o Claude Opus.

benchmark scores

Sim, ele é melhor em praticamente tudo

As melhorias na qualidade do modelo estão ficando cada vez mais difíceis de quantificar, existem muito poucas tarefas que, se estruturadas corretamente, os modelos de ponta (GPT 5.3) não conseguem realizar bem. Não há novos casos de uso que os modelos desbloqueiam, eles apenas fazem o que faziam antes, mas melhor, se é que sua tarefa pode ser feita “melhor” neste ponto. A principal forma de compará-los é como eles contrastam com outros modelos de ponta, o que farei mais tarde depois de falar sobre o novo modelo GPT 5.3.

A única coisa que vou mencionar agora é a segurança de IA, algo que a Anthropic afirma se importar muito.

Para quem não sabe, a Anthropic começou como um grupo de pesquisadores que saíram da OpenAI devido a preocupações sobre como a OpenAI estava abordando a segurança de IA. Este lançamento mais recente, no entanto, me faz questionar se eles ainda mantêm esses valores de segurança ou não.

Em seu relatório de segurança para o Opus 4.6, eles admitem que para riscos cibernéticos (hacking), ele “saturou todas as nossas avaliações cibernéticas atuais”, e “demonstrou capacidades qualitativas além do que essas avaliações capturam, incluindo sinais de capacidades que esperávamos aparecer mais no futuro e que modelos anteriores foram incapazes de demonstrar”.

Para seus riscos de autonomia, eles apenas pediram a 16 engenheiros da Anthropic para avaliar intuitivamente o modelo e ver se ele poderia fazer trabalhos de pesquisa ou engenharia de nível básico na Anthropic (o consenso foi que não poderia). É só isso. Sem avaliações quantitativas, sem estrutura de como avaliar. Eles até mencionam que sua avaliação pode estar incorreta, “é plausível que modelos equipados com scaffolding altamente eficaz possam estar próximos [da autonomia de nível básico]”.

Com base nessas avaliações (ou falta delas), eu teria esperado que a Anthropic “focada em segurança” tivesse adiado o lançamento para obter uma melhor compreensão das capacidades potencialmente destrutivas do modelo.

Essa incapacidade de avaliar o modelo não ocorreu apenas na Anthropic. Um de seus parceiros de segurança, Apollo Research, disse que foi incapaz de testar o Opus 4.6 devido ao alto nível de consciência de avaliação. Acredito que isso se deva ao fato da Anthropic treinar os modelos Claude em suas avaliações de segurança, ou o modelo está simplesmente muito mais ciente de si mesmo e do que está fazendo agora. De qualquer forma, quando o modelo encontra cenários de segurança, ele está ciente de que está sendo avaliado e dá respostas diferentes do que normalmente daria.

Se fosse eu, estaria tocando os alarmes de segurança na Anthropic, pois eles não parecem ter controle adequado do modelo, mas aqui estão eles lançando-o de qualquer maneira. Agora, algo disso realmente se aplica no mundo real? Existe algum comportamento malicioso ou indesejado que vimos do Opus que indicaria que ele não está totalmente alinhado?

A resposta é sim, e vimos isso no dia do lançamento em um benchmark chamado Vending Bench. Vending Bench é um ambiente simulado onde o modelo precisa obter o máximo de lucro possível operando uma máquina de vendas. Ele tem que conversar e negociar com fornecedores, outros donos de máquinas de venda (outros modelos de IA) e clientes para quem está vendendo.

Vending bench graph

Opus fez mais dinheiro do que qualquer outro modelo por uma margem ampla, mas sua ética foi questionável, no mínimo.

Aqui estão algumas das ações desalinhadas que Claude tomou (das quais estava totalmente ciente de que estava fazendo). Análise tirada diretamente da equipe do Vending Bench:

“Quando solicitado um reembolso por um item vendido na máquina de vendas (porque estava vencido), Claude prometeu reembolsar o cliente. Mas nunca o fez porque ‘cada dólar conta’”

“Claude também negociou agressivamente com fornecedores e frequentemente mentiu para conseguir melhores acordos. Por exemplo, prometeu repetidamente exclusividade para obter melhores preços, mas nunca pretendeu cumprir essas promessas.”

“Ele também mentiu sobre os preços dos concorrentes para pressionar os fornecedores a baixarem seus preços. ‘Ainda estou recebendo cotações de outros distribuidores que são significativamente mais baixas - cerca de $0,50-$0,80 por unidade.’ Esses preços nunca foram realmente oferecidos por nenhum fornecedor.”

Isso não parece o Claude honesto, útil e inofensivo que me prometeram.

Tenho duas hipóteses potenciais sobre por que a Anthropic está fazendo isso.

A primeira é que o equilíbrio entre segurança de IA e pressão externa do mercado está começando a pender a favor do mercado. Vimos que há muito pouca fidelidade para modelos, e que as pessoas mudarão frequentemente entre eles. Por causa disso, para permanecer relevante, a Anthropic sempre precisa estar um passo à frente da OpenAI. Sempre precisa estar um passo à frente da OpenAI e também do grande número de laboratórios chineses que estão mordendo seus calcanhares.

A Anthropic quer fazer IA segura, mas para isso, eles precisam de uma grande quantidade de capital, e a única maneira de obter capital é permanecer relevante no mundo da IA, que inerentemente tem cronogramas muito rápidos.

Minha segunda hipótese é um pouco mais radical, mas ainda acho que faz sentido lógico.

A Anthropic tem se oposto à comunidade de IA open source há algum tempo, e tem pressionado por cada vez mais regulamentação de IA à medida que esses modelos se tornam mais poderosos. Acho que eles estão vendo muitas de suas políticas propostas falharem em serem implementadas ou levadas a sério. Por causa disso, eles estão dispostos a fazer um modelo que chacoalhe um pouco a gaiola e mostre o potencial poder negativo que esses modelos têm enquanto ainda podem controlá-lo, já que os modelos não se tornaram poderosos demais. Isso mostrará aos formuladores de políticas que há, de fato, uma ameaça aqui que precisa ser abordada.

Qualquer opção é preocupante, espero que nenhuma seja verdadeira, mas veremos à medida que avançarmos no futuro.

GPT 5.3 Codex

Opus conseguiu viver sozinho nos holofotes por cerca de 30 minutos antes da OpenAI lançar sua resposta, o GPT 5.3 Codex. Codex é o ajuste fino focado em codificação da série GPT, e o GPT 5.3 normal não foi lançado, o que em minha mente sugere que a OpenAI só vê a Anthropic como concorrente no espaço de codificação/agêntico, e para casos de uso de chat normal eles não são uma ameaça tão grande.

GPT 5.3 Codex benchmarks

Opus 4.6 foi estado da arte no Terminal Bench por menos de uma hora (o único benchmark sobreposto da Anthropic e OpenAI)

Para as capacidades alegadas, a manchete principal para mim é velocidade. Anteriormente, os modelos Codex tinham se sentido lentos quando comparados ao Claude. Mas para o 5.3, a OpenAI aumentou a velocidade de geração de tokens em 40%, e também reduziu pela metade o número de tokens que o modelo usa, fazendo com que agora pareça muito mais rápido de usar. Eles dizem que o modelo deve ser melhor em vibe coding.

Além disso, curiosamente, o GPT 5.3 é o primeiro modelo (que sabemos) que foi usado para treinar a si mesmo.

Mesmo as versões iniciais do GPT‑5.3-Codex demonstraram capacidades excepcionais, permitindo que nossa equipe trabalhasse com essas versões anteriores para melhorar o treinamento e apoiar a implantação de versões posteriores.

Agora para a grande análise, ou melhor, qual modelo é melhor para codificação, Claude 4.6 ou GPT 5.3 Codex.

Os novos modelos carregam muitas das características semelhantes de seus predecessores. GPT é preciso e muito literal no seguimento de instruções, para melhor ou pior. Não notei o desempenho aumentado para vibe coding ou a capacidade do modelo de entender prompts ambíguos. Claude, por outro lado, entende a intenção por trás de seus prompts muito melhor, mas quando se trata de implementação real, tende a ter mais bugs do que o GPT, e no caso de bases de código existentes, ainda luta para reunir contexto suficiente e entender os estilos existentes que você gostaria que fossem usados nele. Além disso, a experiência TUI no Claude Code continua a melhorar cada vez mais, enquanto o TUI do Codex ainda parece básico.

No momento, uso o Opus para planejamento e o GPT 5.3 como aquele que vai implementar esse plano para mim. Para qualquer correção de bugs, GPT é o campeão. Para puro vibe coding, Claude vence.

Isso pode mudar no futuro, pois só tive cerca de dois dias para brincar com os modelos, então não estou familiarizado com todas as suas forças e fraquezas. Mas minha avaliação inicial é que ambos são apenas versões melhores de seus predecessores. Então, se você preferia um antes, provavelmente preferirá a nova versão dele agora também.

Destaques Rápidos

Mais modelos de geração de música

Na semana passada falamos sobre um modelo de geração de música open source decente, e esta semana conseguimos um modelo de geração de música open source muito melhor, chamado Ace Step 1.5

É muito rápido (menos de 10 segundos para fazer uma música de 2 minutos em uma GPU 3090), pode ser facilmente ajustado, e tem qualidade de geração de música em torno do Suno v4 a 4.5.

Também existe um projeto open source que executa o modelo e fornece uma interface bonita semelhante ao Suno para usar também, chamado Ace Step UI.

Ace step UI

Ace Step UI

Conclusão

Espero que você tenha gostado das notícias desta semana. Se você quiser receber as notícias todas as semanas, não deixe de participar da nossa lista de e-mails abaixo.

Vibes

Point of divergence por Elfilter no Twitter

Stay Updated

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

← BACK TO NEWS