Opus 4.6比4.5强在哪里?
北美老虎哥Tiger76
编辑于 2026年02月06日 11:38
收录于文集
共31篇
科技最前沿

对科研的提升:

经常需要让模型读一整篇论文然后逐节分析,或者在一个长对话里反复引用之前讨论的公式和结果。4.5在长对话后期经常"忘"东西或质量下降,4.6理论上大幅改善了这一点。100万token的context window也意味着可以一次塞进更多论文内容。

常规维度的提升:

长上下文能力(质变级): 4.6最大的跨代提升。Opus 4.6首次把context window从200K扩展到100万token(beta)。在MRCR v2长文本检索基准上,Opus 4.6得分76%,而Sonnet 4.5只有18.5%。Anthropic称这是"模型实际能使用多少上下文的质变"。实际意义就是长对话后期不再明显变傻。

新颖问题求解(接近翻倍): ARC AGI 2上Opus 4.6达到68.8%,几乎是Opus 4.5的37.6%的两倍,也超过GPT-5.2 Pro的54.2%。这个测的是面对全新问题的抽象推理能力。

生命科学(接近翻倍): Opus 4.6在计算生物学、结构生物学、有机化学和系统发育学测试上的表现几乎是Opus 4.5的两倍。

知识型工作(大幅领先): GDPval-AA评估经济价值型知识工作(金融、法律等领域),Opus 4.6比Opus 4.5高出190 Elo点,比GPT-5.2高144 Elo点。

软件故障诊断: OpenRCA上Opus 4.6达34.9%,Opus 4.5为26.9%,提升约30%。

Agentic coding: Terminal-Bench 2.0上Opus 4.6得65.4%,Opus 4.5为59.8%。OSWorld(agentic computer use)从66.3%升到72.7%。

多学科推理: Humanity's Last Exam上Opus 4.6以53.1%(带工具)领先所有其他前沿模型。

网络搜索能力: BrowseComp(查找难找信息的能力)上达84.0%,领先业界。


基本持平或微退的维度:

SWE-bench Verified上Opus 4.5略高于4.6(80.9% vs 80.8%),差异可忽略。MCP Atlas(工具使用测试)也出现了小幅回退。


争议维度——写作质量:

早期用户报告coding提升的同时写作质量有所下降,尤其是技术文档类任务。Reddit上出现了"lobotomized"和"nerfed"的描述。早期用户建议coding用4.6,写作继续用4.5。