就在剛剛，硅谷 AI 圈上演了一出「火星撞地球」。
OpenAI 和 Anthropic 像約好了一樣，同時甩出了自家的重磅更新：Claude Opus 4.6 和 GPT-5.3-Codex。
如果說昨晚之前，我們還在討論怎麼寫好 Prompt 輔助工作；那麼今天過後，我們可能需要學會如何作為老闆去管理 AI 員工。
AI 造 AI，順便接管你的電腦
就在昨天，Sam Altman 剛在 X 平臺上凡爾賽了一把 Codex 的「百萬活躍用戶」里程碑。短短一天後，OpenAI 再次乘勝追擊，扔出王炸——
GPT-5.3-Codex。
技術文檔裡藏著一句極具分量的話：「這是我們第一個在創造自己的過程中，發揮了關鍵作用的模型。」
說人話就是：AI 已經學會了自己寫代碼、自己找 Bug，甚至開始自己訓練下一代的 AI 了。這種自我進化能力，也直接體現在了一連串跑分數據上。
還記得那個模擬人類操作電腦的 OSWorld-Verified 基準測試嗎？前代模型只有 38.2% 的準確率，連及格線都夠不上。但這次，GPT-5.3-Codex 直接跳漲到了 64.7%。
要知道，人類的平均水平也就 72%。這意味著，AI 距離像你一樣熟練地甩鼠標、切屏、操作軟件，只剩下一層窗戶紙的距離。
而在 Terminal-Bench 2.0（命令行操作基準測試）中，它更是拿下了 77.3% 的高分，把 GPT-5.2（62.2%）遠遠甩在身後。
在覆蓋四種編程語言，不僅抗汙染，還全是真實世界的硬核工程難題的SWE-Bench Pro 基準測試中， GPT-5.3-Codex 也表現出了 SOTA 水準， 而且用的 Token 比以往任何模型都少。
OpenAI 甚至展示了它獨立構建的能力：
在幾天內，它從零構建了一款包含多張地圖的賽車遊戲 v2，順手還搞定了一款管理氧氣系統的深海潛水遊戲。
最讓我印象深刻的是 GPT-5.3-Codex 對模糊意圖的理解。
在構建落地頁時，它自動把年度計劃換算成了打折後的月付價格，甚至還貼心地自動補充了用戶評價輪播——這一切，都不需要你下指令。
OpenAI 的野心已經寫在臉上了：以前微軟常說 AI 將會成為人類的副駕駛（Copilot），但現在 AI 更想做那個能掌控方向盤、甚至能自己修車的司機。
對了，還有一個有趣的細節。
此前外界盛傳 OpenAI 對英偉達的 AI 芯片頗有微詞，但這次官方博客特地強調：GPT-5.3-Codex 的設計、訓練和部署都在 NVIDIA GB200 NVL72 系統上完成。
這一波高情商的「感謝英偉達」，屬實是給足了黃仁勳面子。
告別「金魚記憶」Claude 迎來絕地反擊
在 GPT-5.3-Codex 發佈的前後腳，Anthropic 也端出了自己的春節大禮包。
壞消息是，大家期待的 Claude「中杯」Sonnet 模型沒有更新；但好消息是，Anthropic 直接端出了「超大杯」—— Claude Opus 4.6。
相比於 OpenAI 在行動力上的激進，Anthropic 今天發佈的 Claude Opus 4.6 則是在思考力和可靠性上死磕。
很多企業用戶都有一個名為 Context Rot（上下文腐蝕）的痛點：號稱支持 200k 上下文，但塞進去的數據一多，AI 就開始顧頭不顧尾。
這次，Claude Opus 4.6 拿出的數據簡直是「降維打擊」。
在 MRCR v2（長文本大海撈針）測試中，Claude Opus 4.6 的召回率高達 76%。
作為對比，上一代 Sonnet 4.5 只有慘不忍睹的 18.5%。從某種程度上說，這是一個從基本不可用到高可靠的質變。
這是因為 Claude Opus 4.6 首次引入了真正可用的 1M 上下文窗口。
這意味著什麼？意味著你可以把幾百頁的財報、幾十萬字的代碼庫直接扔給它，它不僅能讀完，還能精準地告訴你第 342 頁腳註裡的那個數字有問題。
此外，它現在還支持最高 128k 的輸出 Token。什麼概念？你可以讓它一次性寫完長篇研報或複雜的代碼庫，而不用因為字數限制被迫截斷。
除了記性好，Opus 4.6 這次還在智商上實現了碾壓：
在 GDPval-AA（一項針對金融、法律等高經濟價值任務的評估）中，Opus 4.6 的 Elo 得分比業界第二（OpenAI 的 GPT-5.2）高出了整整 144 分，比前代更是高出 190 分。
在複雜的多學科推理測試 Humanity's Last Exam 中，它領先所有前沿模型。
在測試尋找互聯網「難找信息」能力的 BrowseComp 中，它同樣表現最優。
通過這些數據，Anthropic 似乎在傳遞一個信號：如果你要寫代碼，去隔壁找 OpenAI；如果你要處理複雜的商業決策、法律文書或金融分析，Claude 才是唯一的選擇。
更讓打工人眼前一亮的是它的生產力功能。
一方面，Anthropic 這回直接把 Claude 塞進了 Excel 和 PowerPoint。它能根據 Excel 數據直接生成 PPT，不僅保留排版風格，連字體和模板都能對齊。 在 Claude Cowork 協作環境中，它甚至能進行自主多任務處理。
另一方面，Anthropic 順勢在 Claude Code 中推出了實驗性的 Agent Teams 功能，讓普通開發者也能體驗這種「指揮千軍萬馬」的感覺：
角色分工：你可以指定一個 Claude Session 擔任 Team Lead（組長），它不幹髒活累活，專門負責拆解任務、分配工單、合併代碼；其他的 Session 則是隊友（Teammates），各自領任務去幹。
獨立作戰：每個隊友都有獨立的上下文窗口（不用擔心 Token 爆炸），它們甚至能揹著你互相發消息（Inter-agent messaging），討論技術細節，最後只把結果彙報給組長。
並行賽馬：這東西有什麼用？想象一下查一個頑固 Bug，你可以生成 5 個 Agent，分別驗證 5 種不同的假設，像「賽馬」一樣並行排雷；或者在 Code Review 時，讓一個隊友扮「安全專家」查漏洞，一個扮「架構師」看性能，互不干擾。
為了展示 Opus 4.6 的極限，Anthropic 的研究員 Nicholas Carlini 搞了個瘋狂的實驗：Agent Teams（智能體團隊）。
他沒有親自寫代碼，而是扔了 2 萬美元 的 API 額度，讓 16 個 Claude Opus 4.6 組成一個「全自動軟件開發團隊」。
結果在短短兩週內，這群 AI 自主進行了 2000 多個編程會話，從零手寫了一個 10 萬行代碼的 C 語言編譯器（基於 Rust）。
這個 AI 寫的編譯器，還成功編譯了 Linux 6.9 內核（涵蓋 x86、ARM 和 RISC-V 架構），甚至跑通了 Doom 遊戲。
雖然它還不夠完美（比如生成的代碼效率不如 GCC），但這個案例也表明我們不再是和 AI 一起編程，而是看著一個 AI 團隊自主協作、查錯、推進項目。
此外，它還學會了 Adaptive Thinking（自適應推理），能根據難度自己決定「想多久」。加上新增的「智能強度」控制，你可以在 Low 到 Max 四檔之間切換。
定價方面，Anthropic 這次很良心，維持在每百萬 Token $5/$25 的基礎定價。看來是為了搶佔企業級市場，鐵了心要和 OpenAI 捲到底。
一個是激進天才，一個是靠譜老牛
知名 AI 評測人 Dan Shipper 在第一時間搞了個「盲測」（Vibe Check），他的評價非常精準：
Claude Opus 4.6 是「高上限，高方差」（High Ceiling, High Variance）。
它像是一個才華橫溢但偶爾跳脫的天才。在測試中，它直接解決了一個讓 iOS 團隊卡了兩個月的功能難題；在 LFG Benchmark 中拿到了 9.25/10 的高分。
但它偶爾也會「過度自信」，一本正經地胡說八道。如果你需要突破性的靈感，選它。
GPT-5.3-Codex 則是「高可靠，低方差」（High Reliability, Low Variance）。
它像是一個經驗豐富、絕不掉鏈子的資深工程師。推理速度提升 25%，幾乎不犯低級錯誤，穩健得讓人心安。
雖然在創造性任務上略遜一籌（LFG 得分 7.5/10），但在日常的 Coding 和運維任務中，它是最高效的老黃牛。
當然，比起選擇哪款模型，更重要的是，當 ChatGPT 可以自主修 Bug 甚至操作你的終端，當 Claude 可以一次性吞吐海量文檔並精準定位細節時，Prompt Engineering（提示詞工程）的重要性正在下降，而 Agent Management（智能體管理）的能力開始浮出水面。
我們不再需要像教小學生一樣，把指令拆解得碎碎念。相反，我們需要做的，是學會如何以管理者的身份，去定義目標、審核結果、以及決定在什麼時候，把什麼任務交給哪位 AI 員工。
這就是 2026 年的新職場。你的團隊裡混入了一群硅基天才，而你是唯一的碳基老闆。
本文來自微信公眾號“APPSO”，作者：發現明日產品的，36氪經授權發佈。
