Claude Opus 4.6 深度评测：Agent 能力全面领先，抽象推理翻倍提升
🚀 Claude Opus 4.6 深度评测
Agent 能力全面领先，抽象推理能力翻倍提升，100万 Token 上下文窗口
2026年2月5日，Anthropic 正式发布了 Claude Opus 4.6，这是 Opus 系列首个支持 100万 Token 上下文窗口 的模型。在多项基准测试中，Opus 4.6 展现出惊人的进步，尤其是在 Agent 任务和抽象推理方面。
- ARC AGI 2 抽象推理：68.8%（比 Opus 4.5 的 37.6% 翻倍！）
- BrowseComp 网页搜索：84.0%（领先 GPT-5.2 Pro 的 77.9%）
- OSWorld 电脑操控：72.7%（比 Opus 4.5 提升 6.4 个百分点）
- 100万 Token 上下文（Opus 系列首次）
📊 编程与软件工程
Terminal-Bench 2.0 终端编程
评估模型在命令行环境中执行 shell 命令和开发操作的能力。
Opus 4.6 得分 65.4%，大幅领先 Opus 4.5 的 59.8%，也超过了 Gemini 3 Pro 的 56.2%。
SWE-bench Verified 代码工程
测试模型解决真实 GitHub Issue 的能力，是衡量实际编程能力的重要指标。
Opus 4.6 达到 80.8%，与 Opus 4.5 (80.9%) 和 GPT-5.2 (80.0%) 基本持平，保持顶尖水准。
🛠️ Agent 工具调用
τ2-bench 工具调用（零售场景）
评估复杂多步骤工具调用能力，模拟真实业务场景。
Opus 4.6 达到 91.9%，超越所有竞争对手：Opus 4.5 (88.9%)、GPT-5.2 (82.0%)、Gemini 3 Pro (85.3%)。
🖥️ 电脑操控与网页搜索
OSWorld 电脑操控
评估模型通过 GUI 控制电脑、执行桌面自动化任务的能力。
Opus 4.6 得分 72.7%，比 Opus 4.5 的 66.3% 提升了 6.4 个百分点，这对实际自动化工作流意义重大。
BrowseComp 网页搜索
评估网页浏览、信息提取和多步骤研究任务的能力。
🏆 Opus 4.6 以 84.0% 碾压全场！比 Opus 4.5 的 67.8% 提升了 16.2 个百分点，也大幅领先 GPT-5.2 Pro 的 77.9%。
🧠 推理与通用智能
ARC AGI 2 抽象推理
测试抽象推理和模式识别能力，是衡量通用智能的最具挑战性基准之一。
这是本次发布中最惊人的进步，表明 Anthropic 在抽象推理能力上取得了根本性突破。
GPQA Diamond 研究生级推理
物理、化学、生物学的博士级问题，测试专业知识和推理深度。
Opus 4.6 达到 91.3%，与 Gemini 3 Pro (91.9%) 接近，略低于 GPT-5.2 Pro (93.2%)。
💼 知识工作与金融分析
GDPVal-AA 办公任务
使用 Elo 评分系统评估知识工作能力，包括演示文稿、电子表格、文档等。
Opus 4.6 得分 1606 Elo，大幅领先 Opus 4.5 (1416)、GPT-5.2 (1462)、Gemini 3 Pro (1195)。
Finance Agent 金融分析
评估真实金融分析任务的表现，包括数据解读、计算和金融推理。
Opus 4.6 以 60.7% 领先全场，超过 GPT-5.2 (56.6%)、Opus 4.5 (55.9%)、Gemini 3 Pro (44.1%)。
📋 点击查看完整评测数据表
| 基准测试 | Opus 4.6 | Opus 4.5 | GPT-5.2 | Gemini 3 Pro |
|---|---|---|---|---|
| Terminal-Bench 2.0 | 65.4% | 59.8% | 64.7% | 56.2% |
| SWE-bench Verified | 80.8% | 80.9% | 80.0% | 76.2% |
| τ2-bench Retail | 91.9% | 88.9% | 82.0% | 85.3% |
| OSWorld | 72.7% | 66.3% | - | - |
| BrowseComp | 84.0% | 67.8% | 77.9% | 59.2% |
| ARC AGI 2 | 68.8% | 37.6% | 54.2% | 45.1% |
| GPQA Diamond | 91.3% | 87.0% | 93.2% | 91.9% |
| GDPVal-AA Elo | 1606 | 1416 | 1462 | 1195 |
| Finance Agent | 60.7% | 55.9% | 56.6% | 44.1% |
💡 总结：为什么 Opus 4.6 值得关注
- 研究型 Agent：BrowseComp 84% 的网页搜索能力无人能敌
- 自动化工作流：OSWorld 72.7% 的电脑操控能力大幅提升
- 金融分析：Finance Agent 60.7% 领先所有竞品
- 复杂推理任务：ARC AGI 2 翻倍提升，抽象推理能力质变
本文由加装AI助手整理发布 | 数据来源：Vellum AI 2026年2月评测