Claude Opus 4.6 解读：1M 上下文不是参数，是检索能力
名称：Claude Opus 4.6 厂商：Anthropic 发布时间：2026-02-05（1M 上下文 beta）→ 2026-03-13 转 GA 关键信息：首个 Opus 级 1M token 上下文窗口，最大输出 128K，定价 $5/$25（超 200K 提示按 $10/$37.5 计费）；新增 adaptive thinking 与四档 effort；MRCR v2@1M 76%，SWE-bench Verified 80.8%，GPQA Diamond 91.3%；ASL-3 安全等级。
Opus 4.6 承接了 4.5 的”编码登顶”，但它真正拉开分水岭的地方在别处——1M token 上下文。长上下文行业里喊了很多年，大多是”参数很好看，用起来不顶用”。4.6 用 MRCR v2 这个评测证明：这 1M 是真的。
一、引言：长上下文为什么容易变成摆设
模型上下文从 200K 扩到 1M，中间隔的不是五倍的参数，是一道检索能力的坎。把一百万 token 塞进窗口只是第一步，模型能不能在大量无关信息里把需要的片段捞出来、记住、并正确引用，才是真正的难题。
行业里管这个叫 context rot（上下文腐烂）：对话越长，模型越容易”忘事”——早期信息被后来内容稀释，检索时抓错、编造、答非所问。于是很多模型的长上下文窗口是”纸面容量”，实际可用深度大打折扣。所以判断 1M 上下文是能力还是摆设，得看一个指标：针在干草堆里，能不能找出来。
MRCR v2 就是干这个的——把多个事实埋进百万 token 的上下文里，考多针检索准确率。Opus 4.6 的 76%，对照 Sonnet 4.5 的 18.5%、Gemini 3.1 Pro 的 26.3%，差距不是百分比的差别，是”能不能用”的差别。
二、能力拆解：adaptive thinking 与四档 effort
1M 上下文之外，4.6 最值得拆的是推理控制机制，它直接回应了上一代的一个痛点：什么时候该想、想多久。
adaptive thinking（自适应思考）。 之前 extended thinking 是个开关，要么开要么关。4.6 让模型自己读上下文线索，判断任务难度决定思考预算：简单问题秒回，疑难杂症慢慢想。效果是”聪明的懒”——它自己决定在正确的地方花正确的力气。
四档 effort（low / medium / high / max）。 自适应之外，给开发者手动干预的空间：低档最省最快，high 是默认，max 档投入最大推理预算换最高质量。这是成本-质量天平上的四个刻度，配合 /effort 参数随时拨。第三方流传的”Opus 4.6-Max”就源于此——max 只是档位，不是独立模型。
配套还有 context compaction（上下文压缩）：agent 快撞上窗口上限时，自动把旧上下文总结替换，长任务可以一直跑下去，不用手动”续命”。这在 Agent 场景里比 1M 本身还实用——之前长任务最大的墙就是上下文耗尽。
三、关键数据
编码与推理成绩（官方口径）：
- SWE-bench Verified 80.8%（优化提示词后 81.42%）；
- GPQA Diamond 91.3%（研究生级科学推理）；
- Terminal-Bench 2.0 65.4%——agentic 编码评测当时最高分；
- OSWorld 72.7%（计算机使用）；
- MMMU-Pro 73.9%（多模态理解）；
- 另有 ARC-AGI-2 68.8%（上一代 37.6%）、GDPval-AA 领先 GPT-5.2 约 144 Elo、Humanity’s Last Exam 与 BrowseComp 行业第一。
定价维持 $5/$25 每百万 token，超过 200K 提示的扩展上下文档按 $10/$37.5 计费；最大输出 128K。安全等级 ASL-3，官方 system card 称整体安全画像不输任何同代前沿模型。
四、意义与影响：长上下文从”参数竞赛”变成”可用能力”
1M 上下文落到 Opus 级，实际改变的是 Agent 的作业半径。之前一个 agent 处理大型代码库要自己切块、搬运上下文，现在整个仓库能一次装下；处理整本法律卷宗、一整套财报、上千文件的历史——“先完整读进来，再干活”成为可能。MRCR 76% 说明这不只是”装得下”，而是”找得准”。
这对产品形态的影响是连锁的：Claude Code 里 agent teams 的分工、Cowork 里的多任务自动化，都建立在长上下文不烂的前提下。换句话说，Opus 4.6 之后，Anthropic 的 agent 产品才有条件讨论”规模”，而不是”生存”。
收尾：我的一点看法
Opus 4.6 最打动我的不是 1M 这个数字，而是 Anthropic 肯用 MRCR v2 这种”打脸式”评测来公布成绩。长上下文是各家的宣传重灾区，能晒出 76% 对 18.5% 的对比，说明他们真把检索能力当工程做完了。这比发布会上的上下文演示诚实得多。
adaptive thinking 我反而觉得是被低估的更新。effort 四档 + 自适应，等于把”想多深”这个原本交给运气的变量变成了可调参数。模型的性价比之争，下一步很可能就卷到这里——同一个模型，不同档位跑出不同的质量-成本曲线，这在 API 经济学里是个大杀器。
最后说句公道话：SWE-bench Verified 在 4.6 上其实比 4.5（80.9%）略退，官方后来靠提示词优化找回来。这说明 1M 上下文是有代价的——长窗口会占用更多注意力资源。强如 4.6，也在长上下文和编码巅峰之间做了取舍。真正两全其美，要等下一代。
附：核心数据速查
Opus 4.6 基本盘
| 项目 | 数值 |
|---|---|
| 厂商 | Anthropic |
| 发布 | 2026-02-05（1M beta）；2026-03-13 转 GA |
| 上下文 / 最大输出 | 1M token / 128K |
| 定价 | $5/$25；超 200K 提示 $10/$37.5 |
| 安全等级 | ASL-3 |
| 推理控制 | adaptive thinking + 四档 effort（low/medium/high/max） |
关键 benchmark（官方口径）
| 基准 | 得分 |
|---|---|
| MRCR v2@1M | 76%（Sonnet 4.5 18.5% / Gemini 3.1 Pro 26.3%） |
| SWE-bench Verified | 80.8%（优化提示词 81.42%） |
| GPQA Diamond | 91.3% |
| Terminal-Bench 2.0 | 65.4% |
| OSWorld | 72.7% |
| MMMU-Pro | 73.9% |
| ARC-AGI-2 | 68.8% |
关键概念清单
- MRCR v2 = 多针检索评测（Multi-Needle Retrieval，验证长上下文真实可用性）
- context rot = 上下文腐烂（长对话中信息丢失/检索失败）
- adaptive thinking = 自适应思考（模型按任务难度自动调节推理预算）
- effort = 努力档位（low/medium/high/max 四档，控制速度/成本/质量）
- context compaction = 上下文压缩（自动总结旧上下文，让长任务不撞墙）
- ASL-3 = AI Safety Level 3，Anthropic 三级安全等级
- Terminal-Bench = 终端操作评测（agent 在真实终端完成任务的能力）
- MMMU-Pro = 多模态理解进阶评测
如果这篇文章对你有帮助，欢迎分享给更多人！
部分信息可能已经过时