Claude Opus 6疑泄露：多款下一代模型暗测中

最近一段时间，Anthropic、OpenAI、Google DeepMind 三家同时在“暗测”下一代模型的消息密集出现。从社区流传的路由异常，到开发者在 IDE 里发现新 checkpoint，再到 3D 场景与程序化动画的演示，这些碎片拼在一起，构成了一个相当有信息量的信号：一场围绕下一代旗舰模型的竞赛，正在测试通道里悄悄推进。

Claude Opus 新 checkpoint：是 5.6 还是 Opus 6？

据多位用户反馈，他们在 Claude Code 中选择 Opus 5.5 发起请求时，有一定比例被路由到了一个“神秘的 Opus Next checkpoint”，社区传言这一比例至少达到一半。这些用户普遍表示，输出质量相比已有的 Opus 5.5 有实质性提升。

目前命名尚未确认，社区猜测落在 Opus 5.6 甚至 Opus 6 系列上。还有一个间接线索：这个模型出现在了 OpenCode 的模型目录中——通常这类闭源模型在新版本发布前的内测阶段，会以这种方式短暂现身。

视频里给出了一个粗糙但有趣的探测方法：在 Claude Code 中把 thinking effort 调到 high，然后问模型是否知道“voxelbench”这个较新的事物，并明确要求不要使用工具搜索。如果模型能在不联网的情况下认出来，说明它的知识截止时间比 Opus 5.5 更晚，大概率就是新 checkpoint。需要强调的是，这只能作为参考信号，并非确凿证据。

27M tokens 的程序化动画演示

支撑“能力跃升”判断的，是一段用 JavaScript 逐帧绘制人类一生的动画。据称整个过程只用了两条提示、大约四行指令，执行两小时，在最高思考强度下消耗了约 2700 万 tokens。

真正值得注意的不是动画本身有多好看，而是它的生成路径：Opus 系列并没有针对视频或音频数据做过训练，模型是纯粹通过代码来“渲染”视觉内容的。在物理表现和细微视觉细节上，这种做法已经能和一些专用图像、视频生成模型掰手腕。对于可交互视觉、程序化广告素材这类场景，这条路线可能比传统生成模型更具成本优势。

checkpoint 是机器学习模型训练过程中的一个中间快照：训练不是一次完成的，而是按批次反复迭代参数，每隔一段时间就把当前权重保存成文件，这些文件就是 checkpoint。厂商在正式发布前，常会把不同训练阶段的 checkpoint 部署到小流量通道做 A/B 测试，用户通过 API 或产品界面访问时，可能被路由到不同版本——这正是文中“路由异常”“神秘 checkpoint”的技术来源。也因此，同一个模型名背后可能存在多个能力不同的快照，社区常用知识截止时间、tokenizer 指纹、上下文长度等特征来反推具体版本。

程序化生成（procedural generation） 指用算法和代码规则而非预先制作好的素材来生成内容，常见于游戏中的地形、植被和动画。与扩散模型直接“画”出像素不同，程序化路径让模型输出可执行的 JavaScript，再由浏览器逐帧渲染出画面。这条路线的好处是可交互、可参数化、可复现，且不依赖视频训练数据；代价是需要模型具备很强的长程代码规划与调试能力。文中 2700 万 tokens 的消耗，说明模型在生成过程中进行了大量内部推理、试错和代码修订，这也是判断其 agentic 能力的一个侧面指标。

GPT-6.1 Sol：默认上下文翻倍到 500K

OpenAI 的“28 天连续发布”进行到第 7 天，带来了一项很实在的更新：GPT-6.1 Sol 在 Codex 和 ChatGPT Work 中的默认上下文窗口从 272K tokens 提升到 500K tokens，增幅约 84%，并且官方表示后续还会继续扩大。

对长时间运行的编码 agent 来说，这个变化的意义在于减少上下文压缩和摘要的频率——模型可以更完整地记住代码、对话和项目细节，很多情况下反而降低了总 token 消耗。更关键的是，通过订阅使用时不额外收取长上下文费用，相当于默认额度接近翻倍而成本不变。

上下文窗口（context window） 指模型单次请求中能“看到”的最大 token 数量，包含系统提示、对话历史、代码文件与工具返回结果。窗口越大，模型越能保持长任务的连贯性，但注意力计算成本随长度快速增长，因此厂商通常对超长上下文单独计费。文中“减少上下文压缩和摘要的频率”指的是：窗口不足时，agent 框架必须把旧内容压缩成摘要再喂给模型，这会丢失细节并引入额外 token 开销；窗口扩大到 500K 后，很多项目可以整段保留，反而更省。

Karpathy 的观察：我们活在两个 AI 世界里

前特斯拉 AI 总监、OpenAI 创始成员 Andrej Karpathy 在 X 上分享了一组估算，精准描述了当前的分裂状态：约 60 亿人几乎没怎么接触过大语言模型，10 到 20 亿人只是浅层使用，真正用前沿模型做复杂编程、数学和专业工作的约 2000 万人，而能接触到最先进系统内部权限的，可能只有约 5000 人——他们在用成千上万个 agent 协作推进大型软件项目、科学发现和数学问题。

他把差距归结为三点：任务的难度、AI 擅长的领域（编程和数学尤其突出）、以及你能否拿到最强的模型。用 ChatGPT 总结邮件的人，和在编码 agent 里把数周工作量压缩到数小时的人，体验到的几乎是两种技术。日常泡在演示视频里的从业者容易忘记，这种能力对大多数人来说仍然遥远——所谓 AI 泡沫，某种程度上是认知上的信息差。

agentic coding 指让模型以自主 agent 的形式完成编码任务：它不仅能补全代码，还能读取仓库、运行测试、根据报错反复修改，并在多轮工具调用中维持目标。这类能力高度依赖长上下文、工具调用协议和稳定的指令遵循，也是当前各家暗测模型竞争的核心方向。文中反复出现的“长时间自主运行的 agent 任务”“agentic 能力”，正是指模型在无人干预下持续工作数小时、消耗数千万 tokens 仍不跑偏的能力，这与单轮问答的体验有本质区别。

Google 的多线并进：Gemini 4 系列 checkpoint 混战

Google DeepMind 这边的测试痕迹更零散，也更密集。有开发者注意到，通过反重力（Anti-Gravity）路由的 Gemini 3.8 Flash 突然能认出某个此前完全不认识的新概念，而同一模型通过 API 和 Gemini Chat 访问时却依然不认识——这通常意味着反重力通道指向了一个更新的 checkpoint。

关于 Gemini 4，社区正在对比两个 checkpoint：较早的 Argon 和更新的 Barium-B。早期比较显示 Barium-B 明显优于 Argon 版本，有推测认为它可能就是 Gemini 4 Carbon 更新。目前 Gemini 4 系列的候选命名已经出现 Carbon、Argon 以及 Flash 等多个分支，不排除同批发布的可能性。

Argon 的演示素材包括 Vizier 国际象棋、岛屿建造器和微观世界生态箱，都是可交互的实时程序化生成。有说法称 Argon 的发布被推迟，原因正是 Google 在继续加码其 agentic coding 能力、塞入新的 checkpoint。

其他值得留意的暗测模型

• Hermes Agent 上的 MissingNo：限时免费开放的编码与推理模型，社区通过 262K 上下文、131K 最大输出、5 级推理以及 tokenizer、空间 token 和工具调用模板的指纹比对，怀疑它是 Reflection AI 的 BEAM 501B A23B。
• Arena 上的 stealth 图像模型 6-7：输出风格与此前 Grok Imagine Image 2.0 高度相似，被认为可能是新一代 XEI 图像模型。
• Anthropic 内部代号 Arborio 与 Iggy：Arborio 的图标指向 Claude Health，可能把美国区移动端的健康体验搬到网页；Iggy 带太阳图标并标注为 preview，被猜测是 Anthropic 的常驻主动式 agent，类似 OpenAI 的 proactive agent 方向。

两个被广泛传播、但需要核实的故事

Vibe coding 游戏上 Steam：一款完全用 Opus 写出来的类“锅铲战争”游戏据称正在热卖，视频作者认为如果这类作品收入突破百万美元量级，会成为游戏行业的一个转折点——但注意，素材中并未给出可验证的具体营收数字，这仍属于流传中的说法。

赛博朋克 2077 跑在 Windows XP 上：这条一度病毒式传播的说法，后续被指实际是在 Windows 10 上运行一个把界面伪装成 XP 的 mod，所谓用 Opus 5.5 重新编译、跑到 25 到 30 帧的说法并不成立。视频作者自己也承认最初信以为真。这恰好说明，当 AI 编程演示越来越强，伪造和真实之间的边界也在变模糊，读者需要多留一道核实工序。

小结

这一轮泄露和暗测有几个共同特征：模型尚未官宣，但路由异常、模型目录现身、checkpoint 命名对比等间接证据彼此印证；演示重心从纯文本转向程序化 3D 场景、可交互模拟和长时间自主运行的 agent 任务；而厂商选择在正式发布前反复迭代 checkpoint，说明这轮竞争的焦点已经落到 agentic 能力和长上下文工程上。在官方确认之前，一切仍应视为传言，但方向足够清晰。