Claude Opus 4.1代码实测惊人！OpenAI开源模型却只会写屎山?

【导读】AI界的「赤壁之战」！OpenAI开源惨遭谷歌、Anthropic新模型狙击。最绝的是，Anthropic卡点发布Claude Opus 4.1，代码甩OpenAI新模型几条街。

昨日，OpenAI、谷歌和Anthropic等发布了不同的新模型：

Anthropic正式推出Claude Opus 4.1，在智能体任务、现实世界编程和逻辑推理三大核心领域全面升级了Claude Opus 4。

Anthropic阻击OpenAI

抢先发布Opus 4.1

Anthropic称Claude Opus 4.1提升了编码性能，同时在深度研究和数据分析能力上实现突破，特别强化了细节追踪和智能体搜索功能。

实话是，在编程基准SWE-bench Verified上，从Opus 4.0的72.5%提升到了Opus 4.1的74.5%准确率。

的确，编码性能提升了，但只有2%——老实说，Opus 4.1的性能提升并不大，毕竟定价都和Opus 4一样。

在其他基准测试上，部分性能提升甚至不足1%。

Claude Opus 4.1现已面向付费用户及Claude Code平台开放，同时登陆API服务、Amazon Bedrock和Google Cloud Vertex AI三大云平台，定价与Opus 4版本保持一致

至于，Anthropic为什么对如此小的改进还要发布？还在OpenAI官宣「再次开源」几分钟前？

我说就是巧了，Anthropic和OpenAI这是巧了，这是Anthropic在欢迎OpenAI「回归初心」，你信吗？

Palantir兼Cloudflare前员工、剑桥CS毕业生表示，2%性能提升对大部分人而言无足轻重，改天发布更有意义，这样就不会被OpenAI的新模型盖过风头。

总之，对用户来说，昨晚是AI界的圣诞节。

马斯克的Grok、OpenAI、谷歌轮番宣称「推出全球最强模型」，Anthropic说什么也要插一脚！

即便如此，论写代码Claude模型是真的强。

Anthropic拉上大客户表示：Claude Opus 4.1实现全方位能力跃升。

GitHub表示，Claude Opus 4.1相比Opus 4在多项功能上都有进步，尤其是在处理多文件代码重构时表现更为出色。

Rakuten Group发现，Opus 4.1能够在庞大的代码库中精准识别需要修改的部分，避免不必要的更动，也不会引入新的 Bug。他们的开发团队在日常调试中非常看重这种高精度的表现。

Windsurf也报告称，在他们用于评估初级开发者能力的基准测试中，Opus 4.1的表现比Opus 4提升了约一个标准差，这一提升幅度大致等同于从Sonnet 3.7升级到Sonnet 4时的进步。

KCORES 联合创始人「karminski-牙医」测试了OpenAI和Anthropic新模型写代码能力，结果OpenAI新模型写代码不太行。

最新鲜的AI代码实测来了！

「karminski-牙医」测试了4款模型:

OpenAI-OSS-120B

OpenAI-OSS-20B

Claude-Opus-4.1

Gemini-2.5-pro (Opus的主要对手)

这次快速测试结论如下:

Claude-Opus-4.1 > Gemini-2.5-pro > OpenAI-OSS-20B >? (存疑) OpenAI-OSS-120B

每个模型各运行至少6次, 取最好结果给大家展示。

从测试结果看Claude-Opus-4.1出乎意料的稳，对空间理解远超任何模型。

OSS-120B随机性非常大, 在这个测试里面OSS-120B甚至采样了8次, 还没有OSS-20B效果好.

可能原因是120B每次激活专家量很少，而总专家数量又多，导致每token随机到相同专家的概率会特别小，进而表现不是那么稳定。而20B则好一些，4/128 VS 4/32专家。

总之，OpenAI-OSS-120B用起来要谨慎，写代码特别不稳定。OpenAI-OSS-20B在这个参数量大小下反而挺好。

最后，他提醒大家AI写代码需谨慎：不要用不太行的模型写代码，只会浪费时间去调试并且积累屎山。

参考资料：

https://www.anthropic.com/news/claude-opus-4-1

https://x.com/karminski3/status/1952889466319982707

https://x.com/AnthropicAI/status/1952768432027431127