实测 Claude Opus 4.6 vs GPT-5.3-Codex ，编程谁更强？

Hi，大家好，我是那个遇到问题先交给 AI 的橘子姐姐。

每天醒来，AI 世界都换了副新面孔。

国内的 AI 大战，从元宝红包一路打到千问奶茶，真是一代人有一代人的「鸡蛋」要领。

国外也没闲着，AI 编程领域一口气放出两个重量级模型：

Anthropic 家的是：Claude Opus 4.6

OpenAI 家的是：GPT-5.3-Codex

两家几乎前后脚甩出王炸，我们就着千问奶茶，快速过一遍这两个模型的优势和亮点。

 

01. 模型优势与关键跑分

 

Claude Opus 4.6

Opus 4.6 最猛的升级之一是支持 100 万 token 的上下文窗口，概念上差不多能一次塞进好几本长篇小说。它擅长复杂任务规划与长周期任务处理，能自己发现问题、再试着把错误改回来。

金融、法律这些专业领域的表现也很出色，GDPval-AA 评分领先行业。新加了自适应思考与四档努力程度（Effort控制） 调控。跟办公软件（Excel、PowerPoint 这类）的集成也强化了。

几个关键跑分

• Terminal-Bench 2.0（评估智能体编码能力）：拿到最高分 65.4%。
• GDPval-AA（评估专业领域知识工作）：Elo 评分 1606 分，比前代 Opus 4.5 高出 190 分，比 GPT-5.2 高出 144 分。
• Arena.ai综合评测：代码、文本、专家三大领域都是排名第一。

GPT-5.3-Codex

论速度，它比上一代 GPT-5.2-Codex 快25%，跑同等任务时 token 用量还能省掉一半。第一个参与了自己创建过程的 AI 模型。支持多任务并行处理，很配快速迭代开发的节奏。

任务执行到一半，用户可以随时打断并调整方向，看进度、提问、提修正建议都支持。从需求文档撰写、代码编写、调试部署到监控分析，整条流程都能自动化。也是首个拿到 OpenAI”高能力”网络安全评级的模型。

关键跑分

• Terminal-Bench 2.0（评估智能体编码能力）：得分是 77.3% 。
• GDPval（综合知识工作评估）：跟 GPT-5.2 打平。
• SWE-Bench Pro（评估解决真实GitHub仓库问题的能力）：跑出来是 56.8% 。

 

02. 上手实测

 

我正好买了这两个模型的限时套餐，赶紧体验一波~

买套餐的地址：https://vipcheap.com/zh

海外模型能用微信付款，这一点是真的厉害。已经亲测过，安全没问题。

1. 复刻小游戏

当年微信除了红包，还有个跳一跳小游戏也火过一阵，我到现在还记得，那就复刻一个。

打开 Claude 官网，输入提示词，模型选 Opus 4.6

请帮我复刻一版微信跳一跳小游戏

不到三分钟就生成好了，3D 视角和游戏特效都自动给上了。

试玩之后，我又优化了几版：

请优化一下前端页面，包括： 1.落地区域可以是不同形状的物体 2.跳跃的物体调整为一个3D小奶龙 3.游戏区域最后居中展示在页面中 4.再适当增强一些游戏效果

请把“3D小奶龙角色”，改成“彩色小马”

优化一下”完美落点”效果，除了加分之外，每次显示“不同的马年祝福语”提示。

出来的感觉跟微信跳一跳差不多，只是 UI 还差点高级感。

直接看试玩效果：

说实话，玩着玩着还真有点上瘾。

再来看GPT-5.3-Codex

我是在 VSCode 上用的，同样的提示词丢进去，模型选 GPT-5.3-Codex。

同样三分钟就完成

这效果直接给我看愣了，是一点艺术细胞都不沾吗？

提示词我也优化了几版

直接看效果吧

说实话这只小马我是没瞧见，马都掉到界面外面去了…

2. 做一个社区服务站

先看 Opus 4.6，提示词这么写

请设计并生成一个社区服务站，产品定位主要是为社区用户提供生活服务，比如遛狗喂猫，取快递等功能，用户可通过小程序登录使用。有几个你需要注意的：
1.产品功能尽可能完善，同时要保证实际使用性
2.服务站的功能在设计时要保证用户和平台的交互逻辑
3.覆盖地区可包含四级以上城市
4.要包含新型养老服务。

看到结果我有点惊呆

就这么寥寥几句话，生成的东西已经是能直接上线用的完整产品，所有交互链路都是通的。

它还顺手补全了我没提到的服务分类。

你别说你别说，Opus 4.6 还真是挺强~

同样也来看看GPT-5.3-Codex

输入相同的提示词，耗时 3 分钟，速度和 Opus 4.6 相当。

效果如何，扛不扛得住？

这是什么？生成了一个 Web 服务介绍网站？压根没理解我写的产品实际使用场景——（用户可通过小程序登录使用）。

3. 查小程序源码

我之前做过一款「疯了么」小程序，只用五步手搓AI“疯了么APP”，发现下一个千万级产品 就是它，体验上有个小 bug：报告下载之后没法查看。

我把小程序的全部源码下载下来，正好让 Opus 4.6 看看能不能揪出来。

提示词是：

这是一个小程序的所有源码文件，请检测一下代码是否有Bug，或不足之处和需要优化的地方。

Opus4.6 真给检测出来了。

影响是：登录成功后跳不到首页；首页提交后进不了报告页；报告页”重新分析”按钮失灵。三条核心流程全断。

不光揪出这么多 Bug 和问题，对应的优化建议也一起给了。

接着我直接输入：

请根据代码审查报告，生成新的优化后的应用源代码，并生成新的应用

新应用沿用了之前的 UI 设计和风格，只把链路不通的问题解决了，真是指哪打哪，像个很懂你的工程师。

GPT-5.3-Codex 这边没拿到结果。。。

4. 来把趣味接龙

提示词：假设我们部门一共有7个人,分别叫小红,小绿,小白,小黑,小黄,小青和我,我们打算要参加团建活动,我设计了一个接龙游戏,请你模拟所有人,玩游戏。 游戏规律为:每一句开头要接前一句的后三个字作为开头,按照这个规律接下去,最终实现和第一句形成闭环。 第一句:天天忙,天天忙,忙完一生上天堂。

看着有点太朴素，笑点不够，

请把风格变成娱乐抓马类型的

这一版就不错了，职场打工人的场景被完整理解到了。

而 GPT-5.3-Codex 一开始就没搞懂游戏规则，只记住了「接后三个字」

还得再说明一遍规则

笑哭.jpg，捂脸.jpg

 

03. 一点感受

 

整套体验下来，Opus 4.6 给我的感觉很全面；GPT-5.3-Codex 反而让我有点看不懂——主打编程，那上面的复刻游戏和社区服务站，是认真的吗？

还是我没用对？

对我们这种非技术人员来说，Claude Opus 4.6 好像更合适：它会根据你的任务多想一步，把可能缺失的部分补上，确实是站在人的角度思考和执行。

AI 编程到今天，聊的已经不是”辅助”，而是”自主”：能理解复杂需求、规划开发流程、执行多步骤任务，甚至自己调试自己。

对技术人员来说，优势在于会按实际开发需求和场景先判断选哪个最合适，或者两个搭着用，各发挥所长。

两个模型走的是两条技术路线：

Opus 4.6 侧重”广度与深度”（超大上下文 + 多代理协作），强调的是「别出错」，可靠性与长周期任务稳定性优先。

GPT-5.3-Codex 侧重”速度与自主性”（实时交互 + 自我迭代），强调的是「先跑起来」，看重速度与多任务并行能力。

那 Opus 4.6 和 GPT-5.3-Codex，哪个最适合你？

原文地址：Claude Opus 4.6 与 GPT-5.3-Codex 实测，谁更强？