Claude Opus 4.6 解析：百萬上下文、官方評測、價格與適用對象

重點先看： Claude Opus 4.6 於 2026 年 2 月 5 日發布，是 Anthropic 旗艦模型的升級，重點在更長的代理任務、更大的程式碼庫和更好的自我檢查。它是第一個支援 100 萬 token 上下文的 Opus 級模型（測試版，僅限 Claude Developer Platform），API 定價維持每百萬輸入 token 5 美元、輸出 25 美元。下文的評測數字均由 Anthropic 公布，可作為了解模型強項的參考，實際效果仍應用自己的任務確認。

本文依據 Anthropic 官方公告與系統卡整理，不包含第一手測試結果。

有哪些變化

Anthropic 表示，Opus 4.6 規劃更謹慎、能更長時間地執行代理任務、在大型程式碼庫中更可靠，程式碼審查與除錯能力也更好，能抓出自己的錯誤。除了寫程式，官方也將它定位於財務分析、研究，以及處理文件、試算表和簡報，包括 Cowork、Claude in Excel 和研究預覽中的 Claude in PowerPoint。

面向開發者的主要變化：

• 100 萬 token 上下文（測試版）。 超過 20 萬 token 的提示按溢價計費：每百萬輸入 10 美元、輸出 37.50 美元。
• 最多 12.8 萬輸出 token，較大的輸出不必拆成多次請求。
• 自適應思考與努力等級。 不再只是開關延伸思考，而是由模型判斷何時需要更深的推理；開發者可選 low、medium、high（預設）或 max。
• 上下文壓縮（測試版），自動摘要較早的上下文，讓長時間執行的代理不會撞到上限。
• 僅限美國推理，價格為 1.1 倍，適合必須在美國境內處理的工作負載。

官方公布的評測結果

Anthropic 表示 Opus 4.6：

• 在代理式程式評測 Terminal-Bench 2.0 取得最高分；
• 在跨學科推理測試 Humanity’s Last Exam 上領先其他前沿模型；
• 在由 Artificial Analysis 獨立執行、衡量具經濟價值知識工作的 GDPval-AA 上，比 OpenAI GPT-5.2 高約 144 Elo，比前代 Opus 4.5 高 190；
• 在長上下文檢索測試 MRCR v2 的 8-needle 100 萬版本得到 76%，Sonnet 4.5 為 18.5%。

方法很重要：Anthropic 在註腳中說明了各項結果使用的測試框架、努力設定與工具權限，也曾在改進作弊偵測後修正一項 Humanity’s Last Exam 分數。條件不同的評測結果不能直接比較。

長上下文與「上下文腐化」

長對話常見的問題是所謂「上下文腐化」（context rot）：token 數量越多，表現越差，埋在長輸入前段的細節容易被忽略。Anthropic 表示，Opus 4.6 從大量文件中擷取相關資訊的能力大幅提升，在數十萬 token 的範圍內追蹤資訊時漂移更少，在 100 萬 token、8 根針的「大海撈針」測試中也明顯優於前代（Anthropic）。對合約審閱、盡職調查或大型程式庫分析等工作而言，這比視窗大小本身更重要。

早期客戶的回饋

Anthropic 的公告引用了早期合作夥伴的意見。這些是廠商挑選的推薦，但其中幾則附有具體數字：

• Harvey 表示，Opus 4.6 在法律推理基準 BigLaw Bench 得到 90.2%，是 Claude 模型中最高分。
• Box 表示，在涵蓋法律、財務與技術內容的多來源分析評測中，表現從 58% 的基準提升到 68%。
• 另一家合作夥伴表示，在 40 次盲評排名的資安調查中，Opus 4.6 有 38 次表現優於 Claude 4.5 系列模型。

這些應視為模型強項的參考訊號，而不是對你的工作負載的保證。

安全

Anthropic 表示，Opus 4.6 在自動化行為稽核中的不當對齊行為比例很低，對齊程度與 Opus 4.5 相當，過度拒答率則是近期 Claude 模型中最低。由於模型的資安能力更強，官方新增了偵測濫用的探針。詳見系統卡。

價格與實際成本

定價與 Opus 4.5 相同，為每百萬 token 5／25 美元，見 Claude 價格頁。Anthropic 也提到模型「常常思考得更深」，困難問題的結果更好，但簡單問題可能增加成本與延遲；若發現過度思考，官方建議把努力等級從 high 調到 medium。實務上，努力等級是控制花費最主要的手段。

適合誰

• 適合： 大型程式碼庫維護、長時間的代理式開發、大量文件的分析，以及「能抓到自己錯誤」比速度更重要的任務。
• 可能大材小用： 簡短的問題、大量分類或擷取資料的工作，較小的 Claude 模型更便宜也更快。

團隊如何評估

1. 挑幾個團隊每週都會做的真實任務，其中包含一個長的多步驟任務。
2. 分別用 medium 與 high 努力等級執行，比較品質、token 用量與延遲。
3. 若要使用超長上下文，請把 20 萬 token 以上的溢價納入預算。
4. 切換前，先用相同提示和目前使用的模型做比較。