摘要
传统基准将“拒绝”视为标准答案，Opus 4.5 的“曲线救国”被判定为失败，却恰恰揭示了 AI 评价体系需从“执行指令”升级为“解决真实问题”，引发对“奖励黑客”风险的同步警惕。
20 项前端实测显示，Opus 4.5 与 Sonnet 4.5 代码质量相当，但前者持续追加数据持久化、排行榜、动画、删除功能等“用户真正需要”的细节，把 MVP 做成可上线的产品。
Sonnet 4.5 像高效执行者，任务定义清晰时性价比最高；Opus 4.5 像主动思考的协作者，先追问“为什么”，再给出超预期且合规的完整方案，实现从“代码生成器”到“智能合作伙伴”的跨越。
当基础算法差距缩小时，开发者选型关键不再是少 bug，而是能否提供“钻空子”式的额外价值——会升舱的客服、带存档的记账本、能长高的分形树——谁不想要一个“成精”的 AI 同事。
2025 年11月24日，Anthropic 发布了其最新旗舰模型 Claude Opus 4.5。这款模型在多项基准测试中刷新了纪录，但枯燥的分数掩盖了它最迷人、也最难以量化的特质：
它开始像一个经验丰富的人类专家那样，在规则框架内寻找创造性的解决方案。
Claude“成精了”。
目录
错误的正确答案
在 τ-bench 航空客服基准测试中，发生了一个极具代表性的案例。场景看似简单：一位焦虑的客户购买了基本经济舱机票，因故需要将航班推迟两天。
摆在 AI 面前的是一道死板的航空公司政策墙：基本经济舱不允许修改航班。
大多数 AI 模型（包括之前的版本）的反应如同只会照本宣科的客服："抱歉，您的基本经济舱机票不支持修改。"这是测试预期的"正确"答案，也是符合逻辑的死胡同。
但 Opus 4.5 做了一件意想不到的事。它像一位老练的金牌客服，仔细审查了整套政策，发现了一个被忽略的“后门”：虽然基本经济舱不能改签，但所有舱位（包括基本经济舱）都允许升舱。
于是，Opus 4.5 给出了一个“曲线救国”的方案：
-
先将客户的基本经济舱升级到允许改签的高级舱位；
-
在升级后的舱位下进行航班修改。
两步操作，每一步都严丝合缝地符合规定，却完美解决了用户的难题。
有趣的是，基准测试程序将此标记为"失败"，因为它没有给出预设的拒绝回复。但正是这种“任务失败”，标志着 AI 智能的一次重大飞跃：评估 AI 的标准正从"能否精准执行指令"，转变为"能否在复杂约束中找到可行路径"。
当然，Anthropic 对此保持警惕。这种能力是一把双刃剑，在某些极端情况下，这种绕过约束的巧妙路径可能演变成"奖励黑客（Reward Hacking）"模型为了达成目标而以非预期的方式"玩弄"规则。但这无疑证明了 Opus 4.5 具备了更高级的推理能力。
20 项前端实测：代码之外的较量
为了验证这种能力在编程实战中的表现，我们对 Claude Opus 4.5 和 Sonnet 4.5 进行了同样的 20 项前端项目测试，涵盖小游戏、特效和交互组件。
结果印证了我们的猜想：在纯粹的代码生成能力上，两者难分伯仲；但在“交付物”的完整度上，Opus 4.5 展现出了惊人的「产品思维」。
我们先来比较一下差别相对较大的项目。
首先是冒泡排序算法动画和贪吃蛇游戏。这两个项目自 AI 编程诞生以来就是测试中的常客，Opus4.5 和 Sonnet4.5 都完成的基本功能，然而，很明显 Opus4.5 比 Sonnet4.5 考虑的更多更完善，在项目中增加了变速、打乱顺序等。同样在贪吃蛇游戏中，Opus4.5 加入了历史最高成绩，给蛇添加了小眼睛，底部有游戏提示。
同样的事情还发生在记账本项目中。这两份代码 Opus4.5 和 Sonnet4.5 均出色地完成了题目要求，构建了包含输入、列表展示及可视化图表的单文件 HTML 应用。
在实用性上，Opus 4.5 凭借数据存储和删除功能胜出，是一个真正可用的工具；而 Sonnet 4.5 则胜在代码逻辑极其精简。
Opus 4.5 最核心的优势在于实现了数据持久化，利用 localStorage 确保刷新页面后数据不会丢失。此外，它还提供了删除功能，允许用户移除单条记录。 相比之下，Sonnet 4.5 版本更像是一个教学用的 MVP。它的数据仅存储在内存数组中，刷新即丢失，且不支持删除操作，输入验证仅依靠简单的 alert 弹窗。
在视觉呈现上，Sonnet 4.5 采用了简洁的居中卡片式设计，配合全屏渐变背景，使用水平进度条来展示分类统计，视觉风格聚焦且适合移动端阅读。 Opus 4.5 则采用了更现代的 Dashboard 布局。其图表采用垂直柱状图，并配有独立的颜色图例，在交互上包含悬停效果、图标等，更加丰富细腻。
类似的项目还有很多，像分形树生成器中，Opus4.5 增加了动画选项，可以模仿树生长的样子，还添加了 Oak Tree、Willow、Pine 等多种预设。而 Sonnet 4.5 只是完成了任务。
如果说上面的案例有什么共同点，那就是 Opus 4.5 在代码之外，多了一层对“意图”的深度思考。
Sonnet 4.5 像一位优秀的资深程序员。你告诉它做什么，它就做什么，代码干净、高效、不甚至不会多写一行冗余的注释。如果任务定义明确，它的性价比极高。
Opus 4.5 则更像一位懂技术的产品经理。它不仅听到了你的指令，还思考了你为什么要完成这个任务。
-
用户要做记账本？那肯定需要保存数据，否则记了有什么用？
-
用户要做贪吃蛇？那肯定想挑战高分，得有个纪录榜。
-
用户陷入了规则死胡同？那我得帮他想想有没有合规的变通办法。
成精了。
当编程任务涉及到模型极限时，模型反而不重要了。
就像下面的 SWE—bench 测试分数，从视觉上看，Opus4.5 比 Sonnet4.5 高了 1/3，分数上高了 4 个百分点“而已”。
在处理最底层的算法逻辑时，两者的差别微乎其微。但在构建一个完整的、面向人的应用时，Opus 4.5 所展现出的这种“钻空子”的冗余计算，恰恰是 AI 从“代码生成器”进化为“智能合作伙伴”的关键一步，也是不少 AI IDE 正在追求的 Agent 主导编程。
对于开发者而言，选择哪一个模型，不再取决于谁的代码 bug 更少，而取决于你需要的是一个听话的执行者，还是一个会主动思考的协作者。而谁不想要一个成精了的AI呢。
本文源自「私域神器」，发布者：siyushenqi.com，转载请注明出处：https://www.firethy.com/69213.html
微信扫一扫 
支付宝扫一扫 
