编者按：

当 AI 开始寻找自己的形状，有些选择出人意料。

AI 在智能手机上生出了一颗独立按键，似乎让智能手机找回了久违的进化动力。眼镜凭借着视觉和听觉的天然入口，隐隐有了下一代个人终端的影子。一些小而专注的设备，在某些瞬间似乎比 All in one 的设备更为可靠。与此同时，那些寄望一次性替代手机的激进尝试，却遭遇了现实的冷遇。

技术的落地，从来不只是功能的堆叠，更关乎人的习惯、场景的契合，以及对「好用」的重新定义。

爱范儿推出「AI 器物志」栏目，想和你一起观察：AI 如何改变硬件设计，如何重塑人机交互，以及更重要的——AI 将以怎样的形态进入我们的日常生活？

原本以为，三星 Galaxy S26 系列早已被曝光，发布会也就走个流程。没想到三星和 Google 还藏了一手。

两家公司共同展示了 S26 搭载的全新 Gemini 智能体能力：口头吩咐一句话，Gemini 就能在 Uber 帮你打车，或者 DoorDash 上点外卖。

这个功能目前还处于早期预览阶段，仅在美国和韩国提供。

你可以理解为，Google 和三星一起联手，做了一个全球版的「豆包手机」（准确来说叫豆包手机助手）。Galaxy S26 系列只是开始，这些能力后续会推送到 Google Pixel 10 手机，以及更多 Android 17 设备上。

在看过、用过许多个手机/电脑系统级 AI 智能体，也深度使用过「豆包手机」之后，再看这次的 Gemini 智能体，我觉得关于它的讨论不该止于一个「新功能」。

诚然，这不是 Android 操作系统的底层框架首次为了容纳智能体而被深度定制——包括 OPPO、荣耀、华为等在内的许多厂商都已经做了相当多的早期的尝试。

但这可是 Google，是 Android 操作系统的绝对拥有者。

如果说字节跳动作为一个「外人」，做的尝试对国民级 app 犯了「大不敬」——Google 来做这件事情，意义就完全不一样了。

不过别急，我们还是先看看，这次 Google 和三星做的「豆包手机」，到底怎么一回事。

三星「豆包手机」，用起来怎么样？

三星和 Google 这次展现的「Gemini 自动任务」能力，能够模仿人类操作手机，从而实现任务的自动化。背后的实现思路，是 AI 读屏理解 + 系统底层/应用层 API 的双重路径。

需要注意的是，字节和努比亚共同开发的「豆包手机」，重度使用系统级权限的能力，以及读屏，而非 API。你可以理解为，豆包手机主要走的是「没跟应用开发者打好招呼」的，「硬来」的实现思路，也为国民级 app 对其封杀抵制留下了把柄。

而三星和 Google 这次在 Galaxy S26 系列上做的 Gemini 智能体，可以说两者兼备。根据三星方面透露的信息，其应用商城排名前 200 的应用都能支持（但仅限特定应用的使用效果可以保证，后面详述）——说明三星、Google 至少大体上这些应用开发者打好了招呼。

我们来看看《连线》杂志编辑的体验效果：她直接呼出 Gemini，告诉它自己要去机场，Gemini 应用本身会打开一个「虚拟窗口」中打开 Uber，并在后台开始执行这个动作，用户可以随时点击进入查看 Gemini 的执行进程。

由于当地有几个不同的机场，Gemini 很快又提醒用户选择合适的目的地；下单时，Gemini 也会把界面推到用户面前，方便用户选择合适的车辆并支付。

Gemini 的「虚拟窗口」，可以理解为一个沙箱化的「虚拟机」，是 Google 对用户隐私保护的一种考量。过去的 Gemini 运行在 Android 系统中，但这次的新 Gemini 智能体操作应用时，仅限在这个沙箱内工作，并不会触及设备的其他部分。

再多提一嘴：如果大家用过 Manus、 月暗的 Kimi computer、智谱 AutoGLM 等，具备云电脑/云手机能力的智能体产品，应该就很容易理解这个 Gemini 虚拟机的逻辑了。

这算是相当简单的任务，不少国产 AI 手机助手在一年前都已经攻克了这种场景。

而 Gemini 更加杀手级的能力，是和此前已经长线布局的读屏、抓信息特性相结合。

比如，当用户和朋友聊到聚会要订披萨，用户可以直接叫出 Gemini，吩咐一句「弄清楚订单」，Gemini 就能直接抓取聊天中提到的披萨店，甚至特定的披萨种类，整理好每个人的需求。

随后，用户可以直接让 Gemini 在外卖平台 Grubhub 上点外卖，AI 会按照刚梳理完成的订单需求，在后台自动化把所有食物添加到购物车，交付给用户确认和下单。

有时，订餐的情况会没那么顺利，Gemini 也会尝试自己先去解决突发状况，并给用户提供解决方案。有一次，披萨店在繁忙时段限制了大号披萨的下单量，Gemini 就会询问能不能点两个中号代替。

还有一个例子：用 Google Keep 笔记列举了烧烤派对的出席名单，并标注了素食主义者。Gemini 可以先计算好整个派对总共需要多少热狗和面包，然后再让它去采购食材，几分钟后商品全部被安放在了 DoorDash 平台的购物车里。

Google Android 生态系统总裁 Sammer Samat 透露，Gemini 并非提前「记住」了这些平台操作的步骤和线路，而是真的在利用推理能力，模仿人类查看屏幕并进行下一步操作，这意味着 Gemini 未来能在更多场景发挥潜力。

这里你能看到，Gemini 首批主打订餐、叫车场景，这一点倒是更像春节前千问所做的事情。

又一个「豆包手机」，来自 Android 官方

对比真正「全能」，连微信收藏都能帮忙找的豆包手机助手（至少在被抵制之前），Gemini 目前的能力还相当局限，聚焦在打车、外卖、杂货这些日常场景，虽说底层技术能力更强，但用户的实机使用效果，跟鸿蒙的小艺、荣耀的 YOYO 等国产手机 AI 助手并无太大不同。

不过正如文章一开头提到，Google 手握一整个 Android 生态，有着绝对的号召力和掌控力。

随着 Gemini 自动化能力的发布，Google 也详细公开了背后 Android 系统的底层布局和未来计划——有两个方向，简单来说，就是既「苹果」又「豆包」。

首先，Google 去年发布了一个名叫「AppFunctions」的框架，允许开发者公开应用特定的功能和特性入口，以便 AI 助手调用。

Google 将 AppFunctions 类比为 Android 的「模型上下文协议」（MCP），可以简单理解为一个对话标准，帮助第三方的 App 应用和 AI 模型进行对接。

这个框架类似苹果的 App Intents。在苹果的构思中，用户可以使唤 Siri 来操作各种 app 来实现功能，而底层实现方式就是通过 App Intents ——新一代 Siri 迟迟不能落地的前提下，App Intents 足以提供不错的效果。

Google 的 AppFunctions 也是同理。

比如用户下达指令，希望能从好友的电子邮件中找到一个食谱，并将相关配料加入购物清单中。AI 接到命令，首先调用邮件 App「搜索」的功能入口，检索并提取出相关内容，然后调用备忘录的「购物清单」入口，把数据填入整理。

一些 AppFunction 功能已经在三星 Galaxy S26 和 One UI 8.5 系统中落地。比如，用户可以对 Gemini 下达指令，找出相册中的特定照片，并用短信发送给朋友。

需要注意的是，整个过程中，Gemini 不需要打开相册和短信 App，甚至没离开 Gemini App，而是通过 AppFunctions，把对应入口抓取到 Gemini 之中执行操作，效率更高。

本质上，基于 AppFunctions 的实现方式，和过去的 API 路径逻辑相同。这是一种「打好了招呼」的解题思路。

但是，并非所有 App 都做好了相关的适配。没关系，Google 还做了另一手准备。

昨天发在 Android 开发者博客上的一篇文章中，Google 明确提出：公司还在开发一个 UI 自动化的框架，让 AI 助手和第三方应用模仿人类，直接打开 App 一步步操作。

——这，就是翻版的「豆包手机」了。

不过，尽管 Google 说以后 UI 自动化会承担真正的「重活」，在这次的 Galaxy 26 系列当中，UI 自动化只是一个「早期预览版」。

如果说 AppFunctions 需要 App 开发者进行额外的适配工作，那么 UI 自动化框架则是把工作量都留给 AI 智能体，无需任何额外适配，但效果非常取决 AI 智能体的能力，优势就在于一上线就能覆盖大量应用。

现在你可以看到，在 Google 的 Android Gemini 智能体计划中，AppFunctions 和 UI 自动化是两条路线，互为补充：通过规范化、可追溯的接口方式来确保最大限度的兼容性，同时为真正代表未来的读屏交互模式打好基础。

Google 还表示，这不会只是 Gemini 的专属功能，而是 Android 系统的特性。

这也意味着，未来不管是手机厂商自己内置的 AI 助手，还是 ChatGPT 等第三方应用，都能调用 AppFunctions 执行任务，或者「读懂」手机 UI 进行自动操作。

值得一提的是，在国行用不了 Gemini 的情况下，三星 Galaxy S26 的 Bixby 助手也能实现点外卖、叫车、电商比价的功能。我们可以合理推断，三星在国内也找到了一家模型供应商来替代 Gemini 的身份，至于这些大模型小龙当中具体是谁，可能就取决于过去一年里谁在手机智能体上成绩更突出了。

AI 手机的道路，不会只有「孤勇者」

去年「豆包手机」惊艳亮相，又因为令人遗憾的情况而「早夭」。在深感遗憾的同时，也让我们不禁去思考，AI 自动化的模式，就是 AI 手机的理想模式吗？

这个问题，没有个三五年也得不出答案。至少，豆包手机不是单打独斗，手握 Android 系统的 Google，同样选择了这个路线，而且话语权大得多。

其实当豆包手机火到海外之后，就有网友开始畅想，如果 Google 在 Pixel 以及 Android 手机上推广这个技术，那前景将会非常广阔。

虽然我觉得，Google 对于怎么回答「AI 手机」这个命题，其实也没有一个非常清晰的答案，更像是因为手上同时有 AI、系统和硬件，每个方向都尝试一下，说不定就有一条路跑通了。

但至少，Google 已经为 Android 打好了「系统级自动化」的样板，接下来不少新机，都有了化身「豆包手机」的潜力。

这个浪潮或许还不止于 Android 阵营。别忘了，苹果已经和 Google 达成合作，Gemini 将成为 Siri 的技术支持。而 App Intents 和 AppFunctions 又非常相似……

再往前看一点：Gemini 智能体甚至不只局限于 AI 手机。在 Sammer Samat 设想中，未来智能眼镜、AI 吊坠，甚至是汽车，只要有 Gemini，就能用它来完成复杂的任务——当然，这样的场景距离落地还有距离。

不过，Google 也只是在技术层面跑通了 AI 自动化的路线，而范式成立，不代表问题消失。豆包手机当时遇到的种种矛盾，也会成为后来者不得不面对的挑战。

首先当然是隐私和安全问题。Google 的饼画得很大，未来调用、操作手机 App 的将不仅限于 Gemini，一些第三方 AI 应用能更深入用户的数据核心，如果有伪装的恶意应用利用了这些接口，也会造成更大的损失。

更激烈的矛盾，是手机硬件厂商、模型/智能体能力提供商、大平台应用这三者之间，围绕 AI 时代新「入口」的争夺。这也是原版的豆包手机，一度最难逾越的高墙。

毕竟，用 Gemini 叫车，可能意味着用户不用再看到 Uber 的会员促销、广告推荐，甚至不再形成品牌黏性，直接损害到应用服务商/广告行业的收益。

中国有互联网/AI 巨头，海外何尝不是如此？像 Meta、Amazon 这样的老对手，本身还拥有强势的平台与生态，它们未必心甘情愿对 Google 开放，让 Gemini 来自动化一切。无论是以隐私、安全，还是平台规则为由，设置限制、提高接入门槛，博弈必然发生，争斗将进一步白热化。

至少 Google 对未来很有信心。Sammer Samat 认为，AI 技术已经进入了「正在进行时」，开发者与其绞尽脑汁对抗 ，还不如去思考一个合适的方式拥抱它。

新与旧的对抗不可避免，最终的胜利者，只会是那些在变革前夜，就已经在勇敢追逐的玩家。

参考资料：
https://android-developers.googleblog.com/2026/02/the-intelligent-os-making-ai-agents.html

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

刚在印度 AI 峰会上经历了最尴尬的一幕，Google CEO Sundar Pichai 转头就在今天凌晨官宣了最新模型 Gemini 3.1 Pro。

时机选得，相当精准（doge）。

虽然距离上周 Gemini 3 Deep Think 的更新没几天，但 3.1 Pro 的定位，Google 说得很清楚——专为那些「一个简单答案远远不够」的任务而设计，是解决复杂问题的基础底座。

按惯例，0.1 的版本号更新通常意味着小修小补，然而，在测试模型解决全新逻辑模式能力的 ARC-AGI-2 基准上，3.1 Pro 拿下 77.1%，是上代 3 Pro（31.1%）的两倍多，同时压过了 Anthropic 的 Opus 4.6（68.8%）和 OpenAI 的 GPT-5.2（52.9%）。

其它方面，科学知识测试 GPQA Diamond 拿了 94.3%，智能体类基准 MCP Atlas 和 BrowseComp 分别拿下 69.2% 和 85.9%。

编程能力方面，竞争性编程基准 LiveCodeBench Pro 的 Elo 评分达到 2887，超过 3 Pro 的 2439 和 GPT-5.2 的 2393。SWE-Bench Verified 上，3.1 Pro 拿了 80.6%，和 Opus 4.6 的 80.8% 基本打平。

当然，3.1 Pro 也不是处处碾压。

多模态基准 MMMU Pro 上，上代 3 Pro 反而略胜（81.0% vs 80.5%）；启用工具支持的 Humanity’s Last Exam 里，Opus 4.6 以 53.1% 拿了第一。外界长期批评 Google 工具使用效率不如对手，这次还是没能完全堵上嘴。

第三方知名分析机构 Artificial Analysis 则给出了相当实在的评价。

3.1 Pro 在他们的智能指数里排名第一，比 Opus 4.6 高 4 分；整个测试跑下来总计使用约 5700 万 tokens，完成测试的成本不到 Opus 4.6 的一半。能打又省钱，这个组合还是很香的。

Google DeepMind 首席科学家 Jeff Dean 也转发了一个是用 3.1 Pro 模拟城市规划、设计全新城市的应用，从零生成可交互的规划界面 demo。

Google 官方博客则展示了几个更日常的方向。代码动画方面，3.1 Pro 可以直接根据文字提示生成动态 SVG，因为是纯代码生成而非像素，任意缩放都不失真，文件体积也远小于传统视频。

复杂系统方面，模型直接接入公开遥测数据流，搭出了一个实时追踪国际空间站轨道的航天仪表盘。

更有意思的是两个创意类 demo。

一个是 3D 椋鸟群模拟，不只是生成视觉代码，还支持用手势操控鸟群，并配有随鸟群动态变化的生成音乐；

另一个是把《呼啸山庄》的文学氛围转化成一个现代个人网站，模型没有简单概括情节，而是分析了小说的整体基调，设计出了贴合主人公气质的界面风格。

此外，网友们也贡献了不少精彩的案例。有人让 3.1 Pro 生成一个「鬼怪猎人穿越鬼屋」的动态 SVG 循环动画，结果直接看呆，评价是「Google 这次是认真的」。

还有网友认为让它生成种子破土、根系延伸、茎秆冒出、叶片展开、直到长成完整大树的交互动画，每个生长阶段的过渡都顺滑自然，说这是见过最好的同类效果。

去年从 Anthropic 转投 Google DeepMind 的清华物理系特奖得主姚顺宇也站台宣传：「Gemini 不仅是一个优秀的模型，而且更好的模型正以不可阻挡的方式到来。」

当然，这些 demo 加在一起说的是同一件事：模型能做的事，已经从单纯的回答问题延伸到完成一整套专业或创意工作流了。
价格方面，API 按分级付费，整体和上代 3 Pro 保持一致，但跟 Anthropic Opus 系列比还是相对便宜的。

20 万 tokens 以内，输入 2 美元 / 每百万 tokens，输出 12 美元；超过 20 万 tokens，输入涨到 4 美元，输出 18 美元。搜索功能每月前 5000 次免费，之后每 1000 次查询收费 14 美元。

现在，开发者可以在 AI Studio、Gemini API、Gemini CLI、智能体开发平台 Google Antigravity 以及 Android Studio；企业用户在 Vertex AI 和 Gemini Enterprise；普通用户在 Gemini 应用和 NotebookLM 都能用，后者仅限 Pro 和 Ultra 订阅。

值得注意的是，3.1 Pro 目前只是预览版，Google 大概率是要继续打磨好智能体工作流再推正式版，向外界展示出一副还没使全力的姿态。

至于这种能力渗透到个人层面会发生什么，这让我联想到了 OpenAI 联创 Andrej Karpathy 刚刚发布的推文：

他想用 8 周时间把静息心率从 50 降到 45，计划是设定 Zone 2 有氧总时长目标，配合每周一次 HIIT。为了追踪进展，他花了 1 小时用 vibe coding 做了一个专属仪表盘。

过程比想象中麻烦，Claude 需要对 Woodway 跑步机的云 API 进行逆向工程，提取原始数据，处理筛选，搭出 Web 前端界面，中间还有公制英制单位混用、日历日期对不上这些 bug 需要手动发现并要求修复。

Karpathy 的感叹很犀利，两年前这事得花 10 小时，现在 1 小时。但他更在意的是：这本来应该只需要 1 分钟。
他的判断是，应用商店模式正在过时。

300 行代码、LLM 几秒生成的专属工具，没必要变成一个正经 App 让你去搜索下载。他同时也点了行业的问题：99% 的产品仍然没有 AI 原生的 CLI，还在维护给人看的前端界面，而不是直接提供便于 Agent 调用的 API。

Woodway 跑步机本质上就是个传感器，结果还得让 LLM 去逆向工程它，完全没必要。

把 Jeff Dean 的城市规划 demo 和 Karpathy 的跑步仪表盘放在一起看，其实是同一件事的两面。当普通人花 1 小时就能为自己做一个高度定制的专属工具，由 AI 原生传感器和执行器构成、LLM 负责编排、即兴生成高度定制专属应用的时代，就已经近在眼前了。

附官方博客：
https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-1-pro/

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

今天凌晨发布的 GPT-5.3-Codex 可以说是 OpenAI 对这段时间来，各种本地 Agent 爆火的一记重拳回击，当然主要是对 Anthropic 的反击。

配合 OpenAI 前几天的发布的 Codex 桌面版应用，Skill、Cowork、Claude Code，甚至是 Openclaw，这些热门工具能实现的功能，现在通过 Codex 的外壳 + GPT-5.3-Codex 模型能力，都能做到了。

和之前介绍 Cowork 的能力一样，我们也丢了一些类似的任务让 Codex 来完成，像是直接处理本地文件、各种格式转换、调用不同的 Skills 组合能力、做 Word/PPT/Excel、下载视频、开发 App……

GPT-5.3-Codex 的表现确实亮眼，相比较从头开始安装 Claude Code，对新人用户来说，现在直接下载 Codex 会是一个更好的选择。这也是未来模型厂商的一种趋势，一开始大家都是从黑乎乎的命令行终端开始做本地 Agent，接着都慢慢回归到可视化的友好界面。

网上对 Codex 的评价在这几天也有了不少逆转，许多开发者从 Claude Code 转向 Codex，一些在国内的独立开发者也表示 Codex Plus 会员就可以用，而且还不会像 Claude 那般总是无情封号。

奥特曼更是激动的宣布，Codex 的活跃用户已经超过 100 万。在模型更新博客，也是毫不掩饰和留有余地的夸赞，

GPT-5.3-Codex 是我们第一个能够自我构建的模型。通过使用 5.3-Codex，我们能够以如此快的速度发布 5.3-Codex。

跟 Claude 团队用两周的时间，使用 Claude Code，100% AI 代码，搓出一个 Cowork 一样；还有 OpenAI 去年年底发布的文章，「使用 Codex 在 28 天内构建 Android 版 Sora」，Agent 的时代真的来了。

用 Codex 取代我的 ChatGPT 和 Claude Code

和大多数的本地 Agent 一样，无论是终端还是 Cowork，我们都是先选择一个工作文件夹。在 Codex 中，我们可以创建多个 Project，选择对应的文件夹，再进一步开始对话，Codex 把它们叫做 Threads 线程。

先用最普遍和简单的例子，我们添加了一个空的下载文件夹，然后点击开始一个线程，选择 GPT-5.3-Codex 模型；就像在 ChatGPT 里面对话一样，输入指令。

要求它帮我们下载一个 X 视频，Codex 会自动检查可用的 Skills 来处理，接着通过 yt-dlp 工具进行下载，这个视频有四个多小时长，Codex 会一直在对话框里自动更新下载进度。

视频下载后，我们还可以要求它提取视频的逐字稿，给我们一份双语版本的文档，最后让它把整个流程打包为一个 Skill，方便下次使用。

如果视频中有一些比较有意思的片段，想要裁剪视频，或者是把裁出来的视频转成 GIF 图，在 Codex 里都能做到。

例如，我们这里下载了一个视频，然后要求它把视频的 5s-25s 裁剪出来成为一个新的视频；得益于 GPT-5.3-Codex 的 Token 快速处理，整个过程不需要很长时间，反而更多是取决于本地电脑的硬件解码编码能力。

或者我们也可以直接要求它把视频的前 5s 转成一个 GIF 文件，并且确保大小在 10MB 以内，帧数可以自行调整，清晰度上将宽度控制在 640px。

很快，我们就能得到对应的 GIF 文件。更极端一点，还能让它把整个视频转成图片，每秒 30 帧，每一帧就是一张图。

这些对本地文件的直接处理，和 GPT-5.3-Codex 在 Terminal-Bench-2 测试集上的优异表现，让 Codex 基本上能满足各种生产力工具、效率工具的功能实现。

作为对比，同样是刚刚发布的 Claude Opus 4.6 在 Terminal-Bench 2.0 上得分是 65.4%，GPT-5.3-Codex 是 77.3%。

例如在这个文件夹中，有多张图片，我们首先是要求它根据图片内容，对这些图片文件进行重命名，并保持文件名不超过 20 个字母，不允许使用符号。

自动修改完成后，我们还能要求他对这些图片进行拼接，无论是垂直拼接还是水平，调用对应的工具，Codex 都可以做到。

和 Claude Skills 一样，Codex 也能安装 Skills 市场上丰富的技能，并且在应用内，就已经提供了包括 pptx、xls、word、canvas、notion 在内的多款技能。

回到基础的编程能力，升级后的 GPT-5.3-Codex 表现也比 GPT-5.2 要好上不少。我们直接要求它写一个「每日一词」的 App。和在 ChatGPT 里面直接用 Canvas 给我们一个带不走的网页不同，Codex 能在本地从零开始，完成项目，然后使用 Vercel 或 Cloudflare 等 Skills 部署到网页上。

这里我们选择的推理模式是 Extra High，超强推理模式，于是在每一步操作之前，GPT-5.3-Codex 都会询问我下一步的操作选择，这也和 Codex 内部能直接根据任务情况，调用不同 Skills 有关，其中的头脑风暴 Skill，会自动进行不断对话的模式。

最后，它基本上还是完成了我一开始要求它完成的全部功能，并且还能进一步开发 macOS、iOS，和安卓版本。

如果我们有现成的代码项目，也可以选择该项目文件夹，在 Codex 中打开，GPT-5.3-Codex 会分析项目存在的 Bug，并且修复它。

在过去很长一段时间里，无论是工具还是模型，开发者的首选其实都是 Anthropic 的 Sonnet/Opus 模型和 Claude Code 工具。OpenAI 在编程、尤其是长代码逻辑推理上的掉队，曾让不少开发者转投阵营。

GPT-5.3-Codex 的出现，就是为了终结这场争论。现在 GPT-5.3-Codex 在编程基准测试和实际表现上，不仅碾压了自家的前代模型，也确实有把友商模型按在地上摩擦的前兆。它真正具备了编写、测试和推理代码的能力。

做游戏项目，是这次模型介绍博客里，网站开发部分主要案例，我们也让 GPT-5.3-Codex 做了一个简单的物理弹球游戏，整体的效果虽然没有达到我的期待，因为我在提示词里面有说希望这是一个 RPG 的游戏，但 GPT-5.3-Codex 给我的界面还是过于简陋了。不过，好在还是能玩。

我们也在 X 上找到了一些用 GPT-5.3-Codex 做的小游戏，像这个类似超级玛丽的收集金币。

强中更有强中手

对 Anthropic 来说，OpenAI 今天玩的这些，可能会说，这都是我们玩剩下的。无论是代码、或者 Agent 的能力，还是开始着手去做本地 Agent，从之前 Codex 的终端转成现在的 macOS App。

在技术的领域，OpenAI 仿佛都是跟着 Claude 的脚步在走，Claude 深耕代码能力，OpenAI 搞了 Sora、日报、浏览器、ChatGPT agent，都没什么水花，于是也在代码上发力；Claude 一月初推出 Cowork，OpenAI 也紧接着在二月初发布 Codex App。

就和今天的密集发布一样，凌晨 1:45，Claude 官方发 X 推出 Claude Opus 4.6，紧接着就是 OpenAI 端上 GPT-5.3-Codex。两款模型其实都是为了给 Agent 更强大的基座能力，以前是说代码/vibe coding，但现在 Agent 能做好，基本上都是「写代码写得好」。

Opus 4.6 虽然在 SWE-Bench 上的表现甚至不如 Opus 4.5，并且 Terminal-Bench 2.0 上的成绩也没有 GPT-5.3-Codex 强，但是 Opus 破天荒地把上下文长度拉到了一百万 token 的窗口。而且，这些 benchmark 的表现还没有相差很多。

Claude 说，我的 Sonnet 5 还没上来，那才是真功夫。

我们在网上也找了一些 Opus 4.6 最新的测试案例，有网友说 Claude 4.6 Opus 只是一次调用，就完全重构了他的整个代码库，将原来混乱的代码「屎山」全部模块化，并且没有模型能像 Opus 这样做到。

还有网友拿 Opus 4.6 和 4.5 进行对比，让两个模型玩同一款经营游戏，看谁的账户等级、财富和装备更高。测试博主提到，4.6 版本在初期制定战略的时间更长，但是做出了更好的战略决策，并且在最后确实做到了遥遥领先。

还有网友也做了一个游戏，不过是一个宝可梦的克隆版。博主提到这是他用 AI 做出来的最酷的东西。他提到，Claude Opus 4.6 思考了 1 小时 30 分钟，使用了 11 万个 Token，并且只迭代了三次。

在 CLaude 官方演示和早期用户的反馈中，也提到了一个 Opus 表现优秀的案例。Opus 4.6 在一天内自主关闭了 13 个 issue，issue 即项目存在的待解决问题，并将另外 12 个 issue 准确分派给了正确的人类团队成员。

和 Kimi K2.5 的智能体蜂群一样，Opus 4.6 也能管理一个 50 人规模组织的代码库。在 Claude Code 中，我们可以组建 Agent Teams，召唤出一整个队伍的 AI，不再是一个 AI 在战斗。这些AI 可以有的负责写代码，有的负责 Review，有的负责测试，它们之间自主协作。

也有网友测试了 Claude Code 里面的 Agent 蜂群，提到启用蜂群之后的 Opus 4.6，速度提升 2.5 倍，并且效果也更好。

我们现在的状态就跟这张图片一样，虽然一山比一山高，但都绕不出这个圈。前几个月可能是 Gemini 赚走了风头，一月份来，应该是 Claude，然后看样子又要轮到 OpenAI，或者马斯克的 Grok。

好在这个轮回的过程中，作为用户的我们，能明显感觉到 AI 的能力一直在变强。

GPT-5.3-Codex 的 API 还没有开放，原因是模型太强了，会存在很大的风险，所以 OpenAI 还在考虑怎么安全地启用 API。

Claude Opus 4.6 已经可以在 Claude 通用聊天应用、Claude Code、API 多种方式使用，这两个作为今年国外御三家首发的两款模型，非常值得一试。

未来，更好的服务 Agent，让 Agent 为我们做事，还会是大模型更新的重点。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博