Claude 新模型被曝“重大飞跃”：让它修一个 Bug，它想动一整类问题

给模型一个 Bug 单，通常的期待是它定位到出错的那一行，改掉，跑通测试。但据内测用户描述，Anthropic 正在测试的新版 Claude 会多问一句：这个 Bug 背后是一类什么样的问题，要不要把这一类一起修掉？

The Information 报道称，多位接触过新模型的用户给出了相当高的评价，认为这是“一次重大飞跃”。目前还不确定这款模型最终叫 Fable 还是 Opus，但可以确定的是，Anthropic 想让它在推理和判断上再往前走一步。

一分钟速览

• 新版 Claude 内测反馈集中在推理、直觉和对用户潜在意图的判断
• 它能从一个具体 Bug 追溯到背后的一类问题，并主动提出整体修复
• 谷歌 Gemini 4 Carbon 内测编程能力优于 Argon，视觉理解继续加强
• OpenAI 的 GPT-6.1 Terra 已出现在微软 Copilot 代码中，定位更偏向低成本主力
• 三大厂商的新一轮模型发布，可能集中在接下来一个月

从“修一个点”到“修一类问题”

这个细节值得单独拿出来说。过去的代码模型更像一个反应很快的补丁工：你指出哪里错，它改哪里。而“识别导致该 Bug 的根本类问题，并询问是否应该修复整个类问题”，意味着模型开始参与问题定义，而不只是执行修复动作。

这背后是两种完全不同的能力。前者依赖模式匹配，后者依赖对代码结构、调用关系和设计意图的理解。它也会带来新的协作问题：模型提出的“整类修复”未必符合当前版本的取舍，改动范围越大，评审成本越高。换句话说，模型越主动，人越需要清楚地表达边界。

三家都在准备下一手

报道同时提到，谷歌正在开发代号“Gemini 4 Carbon”的模型。早期版本的 Argon 在部分编程任务上落后于 Claude Opus 5，而 Carbon 在编程任务上优于 Argon，在需要视觉理解的任务上继续表现更好，例如分析视频、测试前端页面功能，这被认为与使用了 YouTube 数据训练有关。Carbon 已在谷歌内部编程平台向员工开放数日，有员工给出的评价是“感觉与 Opus 5.5 相当”。

谷歌内部测试过一系列 Gemini 4 模型，代号分别是 Argon、Barium 和 Carbon，最终是“Barium-B”被选中，发布成了今天看到的 Argon。Carbon 内测表现泄露后，有谷歌员工在社交平台上提到“递归自我改进”，但是否在暗示技术路线，目前没有官方说法。

OpenAI 这边的动作更隐蔽。GPT-6.1 Terra 已经出现在微软 Copilot 的代码里。此前不少人猜测 6.1 Sol 只是 Terra 改名发布，如今看这个判断并不成立。更合理的解释是，OpenAI 打算把 ChatGPT 的 Chat、Work 与 Codex 模式合并，因此需要一个更便宜的主力模型承接免费用户。

“跳出定势”为什么难评测

内测用户提到，新 Claude 在跳出思维定式方面表现更好，不会重复常见的常识性建议。比如被问及如何投资股票，它不会只建议看市盈率，而是会提出自己构建的算法来预测未来表现。

这类能力很难用现有基准衡量。主流评测考的是答案对不对，而“提出一个不同于常规的解法”考的是思路有没有价值，两者之间隔着巨大的评判空间。对企业来说，这意味着选型不能只看榜单，还要看模型在自己的业务约束下，会不会给出“看起来聪明但不可执行”的建议。

老语言是另一块战场

同一天还有一个容易被忽略的进展：OpenAI 表示最新几款 GPT 模型在 FORTRAN、COBOL 这类冷门编程语言上表现更好。COBOL 支撑着超过 40% 的银行系统、80% 的面对面信用卡交易和 95% 的 ATM 交易，Fortran 则用于天气预报和核反应堆安全分析，而能维护这些代码的人类程序员已经越来越少。

在把 COBOL 程序迁移到其他语言的测试中，GPT-6.1 Sol 在低推理档位达到 86.6% 的准确率，而 GPT-5.6 Sol 只有 5.4%；更高推理档位下准确率达到 97.9%。这组数字说明，模型的价值不一定体现在最前沿的编程语言上，反而可能出现在那些“没人愿意接手”的历史系统里。

接下来一个月，DeepSeek 已经率先出手，Kimi、GLM 和 MiniMax 的新模型也在路上。模型发布越来越像一场节奏固定的接力赛，真正拉开差距的，可能是谁能在具体工作流里把能力变成可交付的结果。