莫潇羽@无忆研习社（www.wuyi.wiki）原创内容，转载请注明出处。
快速摘要
2026 年 2 月 5 日，AI 编程领域迎来了一场"分钟级别"的正面交锋。 Anthropic 在太平洋时间上午 10 点发布了 Claude Opus 4.6，仅仅 27 分钟后，OpenAI 就端出了 GPT-5.3-Codex。GPT-5.3-Codex 是 OpenAI 在其准备框架（Preparedness Framework）中首个被标记为网络安全领域"高能力"的模型，目前 API 尚未开放；它在 Terminal-Bench 2.0 基准测试中以 77.3% 的成绩大幅领先 Claude Opus 4.6 的 65.4%，在 SWE-Bench Pro 上也创下了 57% 的新纪录。与此同时，Opus 4.6 则率先支持了 100 万 Token 的上下文窗口，在金融与法律等专业知识工作基准（GDPval-AA）上领先 GPT-5.2 达 144 个 Elo 分。这两款模型都不是简单的"写代码工具"，而是朝着"自主完成计算机上几乎所有专业工作"的方向迈出了关键一步。往下看，莫潇羽将为你拆解两款模型的核心原理、实际操作方法、技能系统机制，以及它们对普通用户和开发者意味着什么。
一、背景：本地 Agent 的军备竞赛
从命令行到桌面应用
如果你最近一年关注过 AI 编程工具，一定对"Agent"这个词不陌生。所谓 Agent，通俗来说就是能够自主执行多步骤任务的 AI 系统——它不只是回答你一个问题，而是可以分析需求、写代码、测试、调试，甚至部署上线，整个流程一条龙完成。
这一领域最早的"爆款"是 Anthropic 在 2025 年 2 月推出的 Claude Code，一个基于命令行终端的 AI 编程助手。开发者在终端里输入自然语言指令，Claude Code 就会在本地环境中执行代码修改、文件操作、Git 提交等一系列开发任务。到了 2025 年底和 2026 年初，Claude Code 已经被广泛认为是最好用的 AI 编程工具之一。
然而，命令行终端对大多数非技术用户来说依然是一道门槛。于是从 2026 年 1 月开始，Anthropic 推出了 Cowork——一个带有图形界面的本地 Agent 工具，面向的是产品经理、财务分析师、运营人员等非程序员群体。Cowork 据称完全由 Claude Code 编写，代码 100% 来自 AI 生成。
OpenAI 自然不甘落后。2026 年 2 月 2 日，OpenAI 发布了 Codex 桌面版应用（macOS 版），将原来分散在命令行、IDE 插件、网页端的 Codex 功能整合到了一个统一的桌面应用中。三天后的 2 月 5 日，GPT-5.3-Codex 模型正式上线，为这个桌面应用注入了全新的引擎动力。
莫潇羽提示： 这种从"黑乎乎的命令行终端"逐步回归"可视化友好界面"的趋势，正是 AI 工具从极客走向大众的必然路径。对于无忆研习社的读者来说，你不需要掌握任何命令行知识，就可以开始使用 Codex 桌面应用来完成实际任务。
Codex 的前世今生
对于不太了解这段历史的读者，莫潇羽在这里简单梳理一下 Codex 这个名字的由来。"Codex"这个品牌最早可以追溯到 2021 年——那时候 OpenAI 发布了一个同名模型，它就是驱动 GitHub Copilot 早期版本的核心引擎。在当时，AI 编程能力还非常初级，主要就是在 IDE 里帮你补全几行代码，顶多算个"智能代码片段提示器"。
从 2021 年到 2025 年中，AI 编程工具经历了翻天覆地的变化。GPT-4 的出现让 AI 能够理解和生成更复杂的代码逻辑，到了 GPT-5 系列（2025 年 8 月发布 GPT-5，12 月发布 GPT-5.2），模型的编程能力再次跃升，开发者开始不再只是让 AI 补全代码，而是直接把整个功能模块甚至整个项目交给 AI 端到端完成。
OpenAI 的 Codex 产品负责人 Alexander Embiricos 在发布会上这样描述这个转变："2021 年的时候，大家用 AI 在 IDE 里写小段代码。GPT-5 是一个大的跳跃，然后 5.2 又是一个巨大的飞跃——人们开始做越来越长的任务，要求模型端到端完成工作。我们看到开发者不再是和模型一起'结对编程'，而是开始把整个功能特性委托出去。"
而 Sam Altman 本人在发布会上甚至表示，他最近完成了一个相当大的编程项目，全程没有打开过传统的集成开发环境（IDE）。他说："我上周末花了几天做了一个相当大的项目……我没想到这么快就能实现这种方式的开发。"
Codex 的使用量也在快速增长。根据 OpenAI 披露的数据，过去一个月内已有超过 100 万开发者使用了 Codex，自 2025 年 8 月以来总体使用量增长了 20 倍。自 2025 年 12 月中旬 GPT-5.2-Codex 发布以来，使用量又接近翻了一番。OpenAI 内部还有一个令人印象深刻的案例：四名工程师借助 Codex 在仅仅 18 天内就完成了 Sora Android 版应用的开发。
正是在这个背景下，2026 年 2 月的 Codex App 和 GPT-5.3-Codex 应运而生——OpenAI 意识到，开发者需要的不再只是一个 IDE 插件，而是一个完整的"AI 开发团队指挥中心"。
两大阵营的核心差异
在进入实测之前，有必要先厘清 OpenAI 和 Anthropic 目前在编程 Agent 领域的产品布局差异：
OpenAI 阵营：
- Codex App（macOS 桌面应用）：多 Agent 并行工作的"指挥中心"
- Codex CLI（命令行工具）：面向喜欢终端操作的开发者
- Codex IDE 扩展（VS Code 等）：在编辑器内直接使用
- ChatGPT 网页端：通过 Canvas 功能实现轻量级编程
- 当前主力模型：GPT-5.3-Codex
Anthropic 阵营：
- Claude Code（命令行工具）：老牌编程 Agent，生态成熟
- Cowork（桌面应用）：面向非技术用户的可视化 Agent
- Claude.ai 网页端：通用对话 + Artifacts 功能
- Claude in Excel / Claude in PowerPoint（插件）：办公场景集成
- 当前主力模型：Claude Opus 4.6、Claude Sonnet 4.5
二、GPT-5.3-Codex 是什么？核心原理拆解
模型定位：不只是"写代码"
GPT-5.3-Codex 并非一个全新的模型架构，而是 OpenAI 首次将 Codex 训练栈与 GPT-5 训练栈合并的产物。简单来说，它把 GPT-5.2-Codex 在编程方面的强大能力，与 GPT-5.2 在通用推理和专业知识方面的深厚积累，融合到了一个统一的模型中。
这意味着 GPT-5.3-Codex 不再只是一个"代码生成器"，而是一个能够在计算机上完成端到端专业工作的自主智能体。它可以：
- 编写、测试和调试多语言代码
- 执行终端命令和脚本
- 处理本地文件（视频剪辑、图片处理、文档格式转换等）
- 进行研究、分析和撰写报告
- 使用工具链完成复杂的多步骤任务
- 在工作过程中与用户实时互动，接受方向调整
"自我构建"的模型
GPT-5.3-Codex 最引人注目的细节之一，是 OpenAI 声称它是"第一个参与了自身构建的模型"。据 OpenAI 官方博客披露，开发团队在训练过程中使用了 GPT-5.3-Codex 的早期版本来调试训练过程本身、管理部署流程、诊断测试结果和评估数据。换句话说，这个模型在一定程度上帮助"搭建了自己"。
这并不是科幻意义上的"自我意识"或"技术奇点"，但它确实说明了一个趋势：AI 模型的开发周期正在被 AI 本身大幅加速。正如 OpenAI CEO Sam Altman 在社交平台上所说的："通过使用 5.3-Codex，我们能够以如此快的速度发布 5.3-Codex，这无疑是未来趋势的一个信号。"
类似的例子也出现在 Anthropic 阵营——Claude 团队用两周时间，通过 Claude Code 以 100% AI 生成的代码构建出了 Cowork 产品。
推理速度提升 25%
相比前代 GPT-5.2-Codex，GPT-5.3-Codex 的推理速度提升了约 25%，并且在完成同等任务时消耗的 Token 更少。这对实际使用体验的影响非常直接——你会感觉 AI 的响应更快、更流畅，尤其是在处理长时间运行的复杂任务时。
为什么 API 还没开放？安全评级详解
GPT-5.3-Codex 是 OpenAI 准备框架（Preparedness Framework）中首个被评定为网络安全领域"高能力"的模型。这需要稍微解释一下这个框架的运作方式。
OpenAI 的准备框架是一套内部风险分类体系，涵盖多个风险领域，包括网络安全、生物安全、AI 自我改进等。对于每个风险领域，模型会被评定为"低""中""高""关键"四个能力等级。根据框架规定，OpenAI 不会在未实施相应缓解措施的情况下发布任何在某个风险领域被评为"高"的模型。
GPT-5.3-Codex 在生物学领域同样被评为"高能力"（这与 GPT-5 家族的其他模型一致），但在 AI 自我改进方面尚未达到"高"门槛。网络安全领域的"高能力"评级才是这次真正的新突破——OpenAI 甚至坦言，虽然没有"确凿证据"证明该模型能够端到端地自动化完成网络攻击，但由于"无法排除这种可能性"，他们选择采取预防性措施。
这些安全措施具体包括：
- 安全训练（Safety Training）： 在模型训练过程中加入了针对网络安全滥用场景的对抗性训练
- 自动化监控（Automated Monitoring）： 实时检测可疑的使用行为和查询模式
- 受信任访问程序（Trusted Access）： 对涉及高级网络安全功能的使用设置更严格的访问控制
- 威胁情报集成（Threat Intelligence）： 将威胁情报数据整合到模型的安全执行管道中
与此同时，OpenAI 还宣布提供 1000 万美元的 API 信用额度（Credits），专门用于支持那些致力于网络安全防御工作的研究者和组织——在限制攻击性使用的同时，鼓励防御性使用。
这也是为什么 GPT-5.3-Codex 目前只能在 ChatGPT 的 Codex 产品界面（桌面应用、CLI、IDE 扩展和网页端）中使用，API 访问权限仍在"安全启用"的准备阶段。根据 OpenAI 的表态，API 将在安全措施到位后逐步开放。
莫潇羽@无忆研习社 点评： 从另一个角度看，API 尚未开放也意味着目前只有通过 OpenAI 官方提供的界面才能使用这个模型。对于普通用户来说，这反而简化了使用门槛——直接下载 Codex 桌面应用，订阅对应的 ChatGPT 会员计划即可。
三、Codex 桌面应用全面上手指南
下载与安装
Codex 桌面应用目前仅支持 macOS 系统（Windows 版本在开发中），你可以从 OpenAI 官网直接下载：
https://openai.com/codex/安装完成后，使用你的 ChatGPT 账号登录即可。Codex 的使用权限包含在 ChatGPT 的付费计划中——Plus、Pro、Business、Enterprise 和 Edu 用户均可使用，并且可以根据需要购买额外的使用额度（Credits）。
在 Codex App 发布初期，OpenAI 还限时向 Free 和 Go 用户开放了 Codex 的使用权限，同时将付费用户的速率限制翻倍。不过这一促销活动可能已经结束，具体以 OpenAI 官方页面为准。
核心概念：Project、Thread 和 Skill
打开 Codex 桌面应用后，你会看到一个简洁的界面，核心围绕三个概念组织：
Project（项目）： 每个 Project 对应你本地电脑上的一个文件夹。你可以创建多个 Project，分别指向不同的代码仓库或工作目录。比如，一个 Project 指向你正在开发的网站源码，另一个指向你的下载文件夹。
Thread（线程）： 在每个 Project 内，你可以开启多个 Thread。每个 Thread 就是一个独立的对话 + 任务执行环境。你可以在一个 Thread 中让 AI 修复一个 Bug，同时在另一个 Thread 中让它开发一个新功能，两者互不干扰、并行运行。
Skill（技能）： Skill 是 Codex 最核心的扩展机制。它将指令、资源和脚本打包在一起，使 Codex 能够可靠地连接工具、运行工作流程并按照你的偏好完成任务。你可以把 Skill 理解为给 AI 预装的"能力包"。
选择模型和推理模式
在每个 Thread 的对话框中，你可以选择使用的模型——目前最强的就是 GPT-5.3-Codex。同时，你还可以调整推理深度（Reasoning Effort），有四个级别可选：
- Low（低）： 快速响应，适合简单任务
- Standard（标准）： 日常使用的默认级别
- High（高）： 更深入的思考，适合复杂问题
- Extra High / xhigh（超高）： 极致推理模式，AI 会在每一步操作前进行更长时间的思考和规划
OpenAI 官方发布的所有基准测试数据，都是在 xhigh（超高）推理模式下运行的。在实际使用中，莫潇羽建议对于复杂的编程项目使用 High 或 Extra High 模式，对于简单的文件处理或格式转换任务使用 Standard 即可。
Skills 技能系统详解
Skills 是 Codex 从"代码生成工具"进化为"通用计算机操作 Agent"的关键。Codex 内置了一个 Skills 技能库，并且支持用户自定义和社区分享。
内置技能示例：
- pptx：创建和编辑 PowerPoint 演示文稿
- xlsx：处理 Excel 电子表格
- word：创建和编辑 Word 文档
- canvas：网页画布开发
- notion：与 Notion 集成
- Figma：从 Figma 设计稿获取设计上下文
- Linear：项目管理集成
- Cloudflare / Vercel：云端部署
- GPT Image：AI 图像生成
你可以在对话中明确要求 Codex 使用某个特定技能，也可以让它根据任务内容自动选择合适的技能。更强大的是，你还可以将自己的工作流程打包为新的 Skill，方便反复使用。
自定义 Skill 的基本结构：
~/.agents/skills/
├── my-custom-skill/
│ ├── skill.md # 技能说明和指令
│ ├── resources/ # 相关资源文件
│ └── scripts/ # 自动化脚本每个 Skill 本质上就是一组 Markdown 格式的指令文档、配套资源和可执行脚本的组合。Codex 在执行任务时会读取这些指令，理解应该如何调用外部工具来完成特定类型的工作。
Automations 自动化任务
除了手动发起对话，Codex 还支持设置定时自动化任务（Automations）。你可以指定一组指令和可选的技能，让 Codex 按照你定义的时间表在后台自动运行。
比如，你可以设置一个自动化任务，让 Codex 每天早上检查你的代码仓库是否有新的 Issue 需要处理，自动进行分类和初步分析，然后将结果放入一个审核队列中等待你的查看。
OpenAI 内部就大量使用了 Automations 来处理日常的 Issue 分类、CI 失败摘要、每日发布简报生成和 Bug 检测等重复性但重要的工作。
四、实测场景：用 GPT-5.3-Codex 替代日常工具
下面是莫潇羽在无忆研习社（www.wuyi.wiki）实际测试 GPT-5.3-Codex 的几个典型场景，涵盖了从简单文件处理到完整应用开发的全流程。
场景一：视频下载与处理
操作步骤：
- 在 Codex 中创建一个 Project，指向本地的一个空文件夹（比如"下载"文件夹）
- 开启一个新的 Thread，选择 GPT-5.3-Codex 模型
- 输入指令：要求它下载某个视频链接
Codex 会自动检查可用的 Skills，识别到这是一个视频下载任务后，通过 yt-dlp 工具进行下载。整个过程中，Codex 会在对话框内实时更新下载进度。即使是一个四个多小时的长视频，它也能自动跟踪并完成。
视频下载完成后，还可以继续发出更多指令：
- "把视频的 5 秒到 25 秒裁剪出来"——Codex 会调用
ffmpeg等工具完成视频裁切 - "把视频的前 5 秒转成 GIF，大小控制在 10MB 以内，宽度 640px"——自动完成格式转换和参数优化
- "把整个视频逐帧导出为图片，每秒 30 帧"——批量生成图片序列
- "提取视频的文字内容，给我一份中英双语版本的文档"——调用语音识别和翻译工具生成文档
整个视频处理流程中，GPT-5.3-Codex 的 Token 处理速度提升 25% 带来了明显的体验改善，但最终的处理速度还取决于你本地电脑的硬件解码能力。
进阶操作： 完成上述流程后，你还可以要求 Codex "把刚才的整个操作流程打包为一个 Skill"，这样下次遇到类似的视频处理需求时，只需一句话就能触发整个自动化流程。
场景二：批量图片智能处理
假设你有一个文件夹里存放着多张图片，文件名是相机自动生成的无意义数字编号。你可以这样操作：
- 将该文件夹设为 Codex 的 Project 目录
- 输入指令："根据每张图片的内容，对文件进行智能重命名，文件名不超过 20 个字母，不使用特殊符号"
GPT-5.3-Codex 会逐张分析图片内容（利用其多模态理解能力），然后自动完成批量重命名。比如一张海滩日落的照片可能会被命名为 BeachSunsetOrange.jpg。
完成重命名后，还可以继续要求：
- "把这些图片水平拼接成一张长图"
- "把所有图片垂直拼接"
- "批量压缩到指定尺寸"
- "批量添加水印"
这些操作对于做自媒体内容、电商产品图处理、设计素材整理的朋友来说，可以大大提升工作效率。
场景三：从零开发一个完整应用
莫潇羽测试了一个更具挑战性的任务——让 GPT-5.3-Codex 从零开始开发一个"每日一词"应用。
与 ChatGPT 网页端 Canvas 的关键区别：
在 ChatGPT 的 Canvas 功能中生成的网页应用，本质上是一个"带不走"的在线预览——它只存在于 ChatGPT 的界面中，关闭页面就没了。而 Codex 桌面应用的工作方式完全不同：
- Codex 会在你的本地文件夹中创建完整的项目文件结构
- 所有代码文件都保存在本地磁盘上，你拥有完全的所有权
- 完成开发后，可以调用 Vercel 或 Cloudflare 等 Skill 将应用直接部署到互联网上
- 后续还可以继续在同一个项目上迭代、修改、扩展功能
在使用 Extra High（超高）推理模式时，GPT-5.3-Codex 会在每一步操作前主动询问你的决策偏好。比如：
> GPT-5.3-Codex: 我已经完成了基础的前端界面搭建。接下来你希望我：
> A) 添加后端 API 和数据库支持
> B) 先完善前端的交互动画
> C) 集成第三方词典 API 获取每日词汇
> 请告诉我你的偏好，或者你也可以让我自主决定。这种交互模式类似于和一个有经验的同事协作——AI 会在关键节点征询你的意见，而不是闷头一口气做完所有事情。
最终，GPT-5.3-Codex 完成了"每日一词"应用的全部核心功能，并且具备了进一步扩展到 macOS、iOS 和 Android 平台的能力。
场景四：接手已有代码项目，分析并修复 Bug
如果你手头有一个现成的代码项目存在问题，可以直接将项目文件夹设为 Codex 的 Project 目录。GPT-5.3-Codex 会：
- 自动扫描并分析项目的整体结构
- 识别代码中存在的 Bug 和潜在问题
- 提出修复方案并在获得你的确认后执行修改
- 运行测试验证修复是否生效
这个能力对于接手他人代码、处理遗留项目、代码审查等场景尤为实用。
场景五：用 AI 做游戏
游戏开发是这次 GPT-5.3-Codex 发布时重点展示的场景。OpenAI 官方演示中，Codex 仅凭一个初始提示词，就通过 700 多万个 Token 的自主工作，独立完成了一个 3D 体素卡丁车（Voxel Kart Racer）游戏的设计、开发和测试——在这个过程中，AI 同时扮演了设计师、游戏开发者和 QA 测试员的角色。
这个游戏使用了 Three.js 作为 3D 引擎，包含 8 条赛道、8 个角色可供选择、3 种难度模式，甚至还有漂移加速系统（三个层级的漂移增益：Tier 1 持续 0.7 秒、Tier 2 持续 1.1 秒、Tier 3 持续 1.5 秒）。更值得一提的是，Codex 在开发过程中会自己实际运行并"玩"这个游戏来进行测试，发现 Bug 后自行修复。
OpenAI 的演示提示词（简化版）大致是这样的：
实现 Voxel Velocity 作为一个 3D 体素卡丁车游戏，使用 Three.js，
包含单人赛模式（固定 3 圈，1 个人类玩家 vs 7 个 CPU，8 条赛道全部
可用无需解锁）。构建简洁的赛前界面：赛道选择、角色选择、难度选择、
可选镜像模式、开始比赛按钮。创建街机风格的驾驶模型，响应灵敏，
碰墙有宽容机制，漂移作为核心技巧，漂移蓄力系统产生精确的加速层级。之后，Codex 会被持续重新提示（从一组通用提示中随机选取），让它继续迭代改进游戏。这种"持续打磨"的工作模式，正是 Agent 类工具与一次性代码生成的本质区别。
在莫潇羽的实测中，GPT-5.3-Codex 也完成了一个物理弹球游戏的开发。虽然最终效果没有完全达到提示词中描述的 RPG 风格预期（界面偏简陋），但核心功能是完整可玩的。这里有一个经验教训——如果你希望 AI 做出视觉上更精美的游戏，需要在提示词中明确描述你对界面风格、配色方案、动画效果等方面的具体期望，而不是简单地说"做一个 RPG 游戏"。
社区中也涌现了不少有趣的案例，比如有开发者用 GPT-5.3-Codex 做出了一个类似超级马里奥的金币收集游戏，角色动画流畅，关卡设计也相当合理。
场景六：文档和办公自动化
除了编程相关的任务，GPT-5.3-Codex 借助 Skills 系统也能处理大量的办公自动化需求。在 Codex 的 Skills 库中，已经内置了 pptx（PowerPoint）、xlsx（Excel）、word（Word 文档）、pdf 等技能。
比如，你可以要求 Codex：
- "读取这个 CSV 文件，分析其中的销售数据趋势，生成一份包含图表的 Excel 报告"
- "把这 10 个 Markdown 文件整合成一个 Word 文档，按照章节结构排版"
- "根据这份大纲创建一个 15 页的 PPT 演示文稿，使用专业的商务风格"
- "把这个文件夹里所有的 PNG 图片转换为 WebP 格式，压缩到原来的 30%"
这些任务的执行逻辑是一致的：Codex 识别任务类型 → 自动选择合适的 Skill → 编写并执行处理脚本 → 将结果保存到你指定的位置。整个过程你只需要描述最终需求，不需要关心中间的技术实现。
无忆研习社实测提示： 如果你想用 AI 做游戏，建议在提示词中尽可能具体地描述你想要的视觉风格、游戏机制和交互方式。模型对明确的需求描述响应得更好，而模糊的"做一个 RPG 游戏"这种指令可能会导致 AI 选择最简单的实现路径。
五、基准测试数据对比：GPT-5.3-Codex vs Claude Opus 4.6
2026 年 2 月 5 日，两款模型几乎同时发布，这让我们有了一个非常难得的横向对比窗口。以下是经过莫潇羽整理和核实的关键基准测试数据：
Terminal-Bench 2.0（终端操作能力）
|
模型 |
得分 |
|
GPT-5.3-Codex |
77.3% |
|
Claude Opus 4.6 |
65.4% |
|
GPT-5.2-Codex |
64.0% |
|
Claude Opus 4.5 |
59.8% |
|
Gemini 3 Pro |
56.2% |
Terminal-Bench 2.0 是一个包含 89 个任务的基准测试套件，专门评估 AI Agent 在容器化终端环境中处理复杂、真实世界、多步骤任务的能力。GPT-5.3-Codex 在这项测试中以超过 11 个百分点的优势领先 Claude Opus 4.6，展现了在终端操作和系统管理方面的强大能力。
SWE-Bench（软件工程能力）
这里需要注意的是，两家公司使用了不同版本的 SWE-Bench：
- GPT-5.3-Codex 在 SWE-Bench Pro（跨四种编程语言、更难、更抗数据污染）上得分 57%
- Claude Opus 4.6 在 SWE-Bench Verified（Python 为主）上得分 80.8%
由于测试集不同，这两个数字不能直接对比。但如果看同一个 SWE-Bench Verified 基准，Claude Opus 4.6（80.8%）与 Opus 4.5（80.9%）基本持平，而 GPT-5.2 得分为 80.0%。
OSWorld（桌面操作能力）
|
模型 |
得分 |
|
Claude Opus 4.6 |
72.7% |
|
GPT-5.3-Codex |
64.7% |
|
Claude Opus 4.5 |
66.3% |
OSWorld 测试 AI 在真实桌面环境中完成生产力任务（如编辑电子表格、制作演示文稿）的能力。在这项测试中，Claude Opus 4.6 反超 GPT-5.3-Codex。
GDPval-AA（专业知识工作能力）
|
模型 |
Elo 分数 |
|
Claude Opus 4.6 |
1606 |
|
GPT-5.2 |
1462 |
|
Claude Opus 4.5 |
1416 |
GDPval-AA 评估的是模型在金融、法律等具有经济价值的知识工作任务上的表现。Claude Opus 4.6 以 144 个 Elo 分的优势领先 GPT-5.2，这意味着在高端专业分析场景中，Opus 4.6 大约有 70% 的概率表现优于竞争对手。
综合评价
┌──────────────────────┬──────────────────────┬──────────────────────┐
│ 评估维度 │ GPT-5.3-Codex │ Claude Opus 4.6 │
├──────────────────────┼──────────────────────┼──────────────────────┤
│ 终端/命令行操作 │ ★★★★★（77.3%） │ ★★★★（65.4%） │
│ 桌面 GUI 操作 │ ★★★★（64.7%） │ ★★★★★（72.7%） │
│ 专业知识工作 │ ★★★★ │ ★★★★★（1606 Elo） │
│ 上下文窗口 │ 400K Token │ 1M Token（Beta） │
│ 推理速度 │ ★★★★★（快 25%） │ ★★★★ │
│ API 可用性 │ 暂未开放 │ 已开放 │
│ 安全性评级 │ 网络安全"高能力" │ 发现 500+ 零日漏洞 │
└──────────────────────┴──────────────────────┴──────────────────────┘莫潇羽@无忆研习社 分析： 简单来说——如果你主要做编程、终端操作和系统自动化，GPT-5.3-Codex 目前更强；如果你需要处理超长文档、做金融法律分析或在桌面环境中自动化办公操作，Claude Opus 4.6 更胜一筹。两者各有所长，不存在绝对碾压的关系。
六、Claude Opus 4.6 的独家能力解析
虽然本文的主角是 GPT-5.3-Codex，但作为同日发布的"双子星"，Claude Opus 4.6 也带来了几个值得深入了解的独特能力。
100 万 Token 上下文窗口
Opus 4.6 是 Anthropic 旗舰 Opus 系列中首个支持 100 万 Token 上下文窗口的模型（目前为 Beta 阶段）。100 万 Token 大约相当于几本书的篇幅。在 MRCR v2 测试中（8 根"针"、100 万 Token 上下文），Opus 4.6 维持了 76% 的准确率，而上一代 Sonnet 4.5 在相同测试中仅为 18.5%。
这意味着 Opus 4.6 可以同时处理和理解海量的文档资料，比如一次性分析整个代码库、审阅一整套合同文件，或者在几十份研究报告中提取关键信息。
Agent Teams（智能体团队）
Opus 4.6 引入了"Agent Teams"功能——允许多个 AI Agent 并行协作，各自负责不同的任务模块，并在彼此之间直接协调。
在 Claude Code 中启用 Agent Teams 后，你可以组建一支 AI 团队：
- 一个 Agent 负责编写代码
- 一个 Agent 负责代码审查（Code Review）
- 一个 Agent 负责测试和 QA
- 它们之间自主协作，无需你逐个指挥
根据社区用户的反馈，启用 Agent Teams 后的 Opus 4.6 速度提升了约 2.5 倍，同时产出质量也有所提升。
日本电商公司乐天（Rakuten）的实际案例更加惊人：Opus 4.6 在一天之内自主关闭了 13 个 Issue（项目中待解决的问题），并将另外 12 个 Issue 准确分派给了正确的人类团队成员。它展示了管理一个 50 人规模组织代码库的能力。
发现 500+ 零日安全漏洞
在发布前的测试阶段，Anthropic 的前沿红队（Frontier Red Team）在沙盒环境中测试了 Opus 4.6 发现安全漏洞的能力。他们给 Claude 提供了 Python 环境和漏洞分析工具（包括经典的调试器和模糊测试工具），但没有给出任何专门的指令或领域知识。
结果令人震惊——仅凭"开箱即用"的能力，Opus 4.6 在开源代码中发现了超过 500 个此前未知的零日漏洞（zero-day vulnerabilities），每一个都经过了 Anthropic 团队成员或外部安全研究人员的验证。
这些漏洞涵盖了多个类型，从可能导致系统崩溃的缺陷，到可能破坏内存的缓冲区溢出。具体案例包括：
- 在 GhostScript（一个处理 PDF 和 PostScript 文件的流行工具）中发现了一个可导致崩溃的漏洞
- 在 OpenSC（处理智能卡数据的工具）中发现了缓冲区溢出缺陷
- 在 CGIF（处理 GIF 文件的工具）中同样发现了缓冲区溢出问题
Anthropic 前沿红队负责人 Logan Graham 对此评价说："这是一场防御者与攻击者之间的竞赛，我们希望尽快把工具交到防御者手中。"他甚至预测，这种 AI 驱动的漏洞发现方式可能会成为未来开源软件安全保障的主要甚至核心手段。
更引人注目的是，在许多案例中，Claude 不仅使用了传统安全工具，还利用其高级推理能力，创造性地发明了新的漏洞发现方法——即使在传统安全工具失败之后。这展示了大模型在网络安全防御领域的独特价值：它不仅能执行已知的安全检查流程，还能"思考"出人类安全研究员可能忽略的攻击路径。
当然，Anthropic 也为 Opus 4.6
