Replit 將 OpenAI 預設模型取代 Claude，置於 Agent 首位

Replit 已將 OpenAI 設為預設模型供應商，扭轉早前對 Anthropic 的依賴，儘管 Claude 仍然可供選用。Replit 的 OpenAI 預設設定，改變了大多數客戶在 Replit Agent 內最先接觸到的模型。這亦令一項基礎設施決策，演變成圍繞成本、編程效能及商業合作關係的公開競爭。

行政總裁 Amjad Masad 最初在 TechCrunch Disrupt 上對這項改變作出更強硬的描述。他表示 Replit 已不再與 Anthropic 合作，並認為 ChatGPT 已更切合公司的需要。其後他澄清了說法：Replit 仍然支援 Claude，但 OpenAI 現已成為其首選合作夥伴。

這個分別十分重要。Replit 並沒有從平台移除 Anthropic，亦未有放棄其模型中立的立場。它只是更改了預設設定，但由於不少客戶會接受平台的初始選擇，這仍可重新導向大量使用量。

這次轉向亦緊隨 8 月公布、與 OpenAI 更深入的合作關係。OpenAI 模型早已為 Replit 的 Free Mode 提供支援，而 Replit 亦開始發布涉及兩家供應商較新模型的生產環境觀察結果。

因此，這並非單純將 Anthropic 排除在外的故事，而是一次策略逆轉：Replit 將 OpenAI 放在核心位置，同時保留足夠的模型選擇，以便在效能、經濟效益或客戶需求再次轉變時作出回應。

Replit 的 OpenAI 預設設定實際改變了甚麼

OpenAI 現佔據 Replit Agent 的首選位置，但 Anthropic 仍留在產品及其營運架構之中。

Masad 向 TechCrunch 表示，Replit 基於效能、經濟效益及合作關係的實力而選擇 OpenAI。他的評論緊隨 2026 年 10 月 15 日在 TechCrunch Disrupt 的亮相。

最初的說法聽來相當決斷。Masad 表示 Replit 已不再與 Anthropic 合作，並引用內部評估、成本及兩家公司之間的商業關係作為理由。

到週末時，Replit 的立場變得更精確。根據更新後的預設模型報道，客戶仍可選擇 Claude 及其他支援的模型。OpenAI 是為 Replit Agent 提供支援的首選合作夥伴，而非其唯一供應商。

這項澄清區分了三項容易混淆的決定。

第一，Replit 控制向用戶呈現為預設的模型。這項選擇會影響那些不會檢視或更改模型設定的一般用戶。

第二，Replit 可將不同工作路由至不同模型。編程代理不一定會在整個專案期間綁定於單一基礎模型。

第三，只要產品容許，客戶仍可明確選擇 Replit 模型。因此，即使 OpenAI 獲得初始工作負載，Claude 仍然具有重要性。

Replit 的公開子處理商名單亦強化了這個分別。其 2026 年 8 月更新同時列出 OpenAI 和 Anthropic 為 AI 模型供應商，亦列出 Google 和 OpenRouter，顯示其供應商組合較廣泛，而非單一供應商架構。

實際效果仍然有利於 OpenAI。預設設定會影響行為，因為它減少了開始處理工作所需的步驟。開啟 Replit Agent 的客戶，更可能使用直接置於標準流程中的模型，而不是需要刻意選擇的模型。

這可重新導向大部分推理開支，同時不會阻止競爭模型的使用。Masad 表示，Replit 最近曾是 Anthropic 五大客戶之一，但兩家公司均未披露相關開支或使用量。

因此，預設設定猶如大規模採購決策。它決定哪一家供應商接收日常流量、哪個模型獲得更多生產環境回饋，以及哪位合作夥伴會與 Replit 的用戶體驗最緊密地連繫起來。

不過，仍可選用 Claude，限制了這項宣布可被引申的程度。Replit 並未顯示每一種工作負載都由 OpenAI 表現得更好；它只是決定，就目前而言，OpenAI 為其標準體驗提供最佳的整體組合。

最後這項限定十分重要。模型效能變化迅速，而 Replit 自身的工程工作假設最強的選擇可因應不同工作而有所不同。公司正在選定領先者，但未有永久結束這場競賽。

成本與分發令這項合作來得正合時宜

這次轉向之前，雙方已進行數月的產品整合，令 OpenAI 同時具備經濟理據及透過 Replit 的直接分發渠道。

Replit 與 OpenAI 在 2026 年 8 月公開擴大合作關係。Replit 推出採用 GPT-5.6 Luna 的 Free Mode；該模型定位為快速、經濟，適合日常工作。

在這個設計下，用戶可規劃、探索想法、索取回饋及處理較輕量的工作，而無須動用與較複雜建置工作相同的使用額度。Replit 隨後可將要求較高的工作轉入其他 Agent 模式。

OpenAI 將Free Mode 合作關係描述為模型經濟效益改善的結果。Masad 表示，OpenAI 的降價協助 Replit 向數百萬用戶提供這種體驗。

Replit 另外表示，在修訂後的產品設計下，Free Mode 讓客戶的創建量最多可增加 30 倍。這項數字來自 Replit，應視為公司主張，而非對已完成軟件的獨立審計衡量。

不過，產品邏輯十分清楚。對 AI 編程平台而言，模型成本並非次要考慮。每次代理回合都可能觸發規劃、程式碼生成、工具呼叫、測試、錯誤復原及後續推理。

單一回應的成本即使只有細微差異，在漫長的軟件建置流程中亦可變得顯著。當平台服務數百萬人時，這種影響會進一步擴大。

Replit 亦有動機將這種複雜性隱藏起來。大多數用戶想要的是可運作的應用程式，而非涉及多家模型供應商的採購工作。

公司於 8 月推出 Intelligent Model Routing，根據工作進展中的品質、速度及成本選擇模型。Replit 表示，其測試在與舊有 Max Mode 系統相若的輸出品質下，成本降低了 65%。

這項路由結果同樣是公司自行報告的數字。Replit 尚未發布足夠的獨立證據，讓人可將其視為適用於每個專案的普遍結果。

然而，路由與預設設定解決的是不同問題。路由是在工作期間選擇模型或配置；預設設定則為整個系統建立首選的商業及技術起點。

OpenAI 亦在 Replit 自身介面以外取得分發優勢。自 2026 年 1 月起，ChatGPT 用戶已可從對話中呼叫 Replit，以建立、更新及部署應用程式。

這項整合連接 OpenAI 的消費者介面與 Replit 的開發及部署環境，令兩家公司均有動機讓交接過程保持一致。

對 OpenAI 而言，這段關係將其模型延伸至端到端的軟件生產服務。對 Replit 而言，ChatGPT 成為潛在客戶可開始建置的另一個入口。

Anthropic 在編程領域仍然佔據強勢位置。Claude 模型仍嵌入於多個開發者產品，並因程式碼生成及推理能力而在程式設計師之間享有聲譽。

但模型品質本身並不決定平台預設設定。Replit 必須考慮推理成本、容量、產品整合、商業條款，以及當生產系統失效時供應商的回應速度。

Masad 的解釋綜合了所有這些因素。他並沒有將這次轉向描述為一個基準分數的結果，而是將 OpenAI 定位為最符合 Replit 當前優先事項的整體合作夥伴。

隨着 Replit 尋求較大型機構，這些優先事項亦正在改變。Masad 表示，企業合約去年佔公司收入約 2%，今年約佔 15%。他亦表示，企業客戶現時已佔收入一半以上。

Replit 預期企業及政府客戶將在 2027 年貢獻超過一半收入。這類買家除重視原始模型能力外，通常亦關注可靠性、安全控制、採購穩定性及支援服務。

首選合作關係可簡化這個說法。但若所選供應商出現服務中斷、提高成本，或在重要工作負載上落後，這亦可能帶來集中風險。

保留 Claude 的選項有助 Replit 管理該風險。公司可將 OpenAI 推廣為標準，同時保留談判籌碼及技術替代方案。

Replit 與 Anthropic 現透過預設設定競爭

主要競爭並非誰能獨家接入 Replit，而是誰能控制 Replit 用戶建置軟件時所走的標準路徑。

Anthropic 過去在 Replit Agent 中扮演核心角色。較早前的Claude 部署研究描述 Replit 在評估多個模型後，選擇在 Google Cloud 上使用 Claude。

該案例研究指出，由 Claude 驅動的 Replit Agent 透過 Cloud Run 支援超過 100,000 個應用程式。它將這段關係描述為 Anthropic 的模型能力、Replit 的代理系統及 Google Cloud 基礎設施的結合。

Replit 較新的資料顯示，這段歷史並沒有在一夜之間消失。9 月下旬，公司發布了涉及 Anthropic 的 Fable 5 和 Fable 5.1，以及 OpenAI 的 GPT-6 Astra 的生產環境觀察結果。

這些觀察研究模型如何將工作委派給專門的子代理。子代理是處理有限任務的較小型委派流程，例如探索程式碼、審閱變更或測試介面。

Replit 報告指，GPT-6 Astra 更頻繁地將工作委派予一般工作者。它亦表示，較新的 Anthropic 模型展現出強大的工程品質，並減少了對獨立程式碼審查代理的需要。

這項比較令任何聲稱 Replit 認為 Anthropic 技術不足的簡單說法變得複雜。在 Masad 宣布新預設設定前不久，其工程師仍在描述 Anthropic 模型的有價值行為。

因此，這次逆轉既是商業和架構層面的決定，也是技術決定。Replit 正在評估完整的代理成果，而不是只問哪一個獨立聊天機械人能產生最佳的單一程式碼樣本。

基礎模型在一個 harness 內運作，即管理提示、工具、上下文、測試、重試及委派工作的周邊系統。當這個 harness 改變時，同一模型的行為亦可能不同。

Replit 的生產系統亦可補償模型的弱點。它可以將探索工作送往一個元件、實作送往另一個元件，並將測試交予瀏覽器自動化流程。

這令 Replit 與 Anthropic 的合作關係，比最初台上評論所暗示的更不二元化。Anthropic 即使失去預設地位，其模型仍可對特定工作或客戶有所價值。

對 Anthropic 而言，壓力來自使用量被重新分配。若大多數客戶保留 OpenAI 預設設定，Claude 將透過其中一個最顯眼的 AI 軟件建置平台收到較少日常請求。

這影響的不只是即時收入。生產流量會產生關於故障、偏好工作流程、延遲，以及非技術用戶如何描述軟件工作的證據。

OpenAI 可以在鞏固其代理式編程地位的同時，獲得更多這類回饋。Anthropic 則必須說服 Replit、競爭平台或用戶，Claude 能帶來足以值得被明確選用的額外價值。

對 Replit 而言，壓力則朝相反方向發展。一旦公司將 OpenAI 推為標準選項，客戶便會將 Agent 的輸出品質與這項選擇連繫起來。

一次失敗的建置不會被理解為抽象的供應商問題。無論底層故障源自模型、harness、工具鏈還是應用程式環境，用戶都會視之為 Replit 的問題。

因此，Replit 將 OpenAI 設為預設選項，不僅改變流量，也轉移了問責關係。Replit 公開認可一家供應商，同時保留在介面背後使用其他供應商的能力。

這種安排更像雲端採購，而非消費者對聊天機械人的偏好。平台通常會基於成本效益和整合需要選擇主要供應商，同時保留替代方案以提升韌性。

不同之處在於，基礎模型會影響可見的產品行為。更改預設值可改變編程風格、介面設計、錯誤模式、工具選擇，以及在人手介入前可完成的工作量。

開發者不應將這項決定視為業界對 Claude 與 OpenAI 的整體裁決。Replit 的評估關乎其自身的 harness、工作負載、合約及客戶分布。

另一個編程平台使用不同的代理循環或用戶群，可能得出相反結論。維護大型既有程式庫的企業，其需求亦有別於透過提示建立新應用程式的創辦人。

較站得住腳的結論其實更狹窄：OpenAI 目前提供了 Replit 希望在預設路徑中獲得的組合，而 Anthropic 仍然具備足夠價值，值得繼續提供。

基準測試案例仍未完整

Replit 已解釋其決定背後的準則，但外界無法獨立重現完整比較。

Masad 表示，Replit 使用涵蓋效能等指標的內部基準測試。他亦提及一項公開基準測試，並稱 OpenAI 的 Sol 和 Astra 模型在從零開始建立 vibe-coded 應用程式時，表現一貫較佳。

Vibe coding 是指主要透過自然語言指令來建立軟件，由 AI 系統產生及修改大部分程式碼。它著重完成結果，而非手動實作。

這個定義帶來評估挑戰。從零開始建立應用程式，不只是產生正確的函式。代理必須理解含糊的要求、選擇架構、建立介面、連接服務、測試行為，以及從錯誤中復原。

能涵蓋這些步驟的基準測試可以很有用，但亦可能偏向其專門設計的 harness 及工作流程。

Replit 同時是評估者，也是選擇商業合作夥伴的平台。這並不代表其發現無效，但限制了這些發現能在 Replit 以外證明甚麼。

公司已公開部分關於其代理評估的方法細節，亦發布了生產統計數據，展示不同模型如何在其系統內委派工作。

這些披露比單純聲稱某一模型感覺更好，提供了更多實質內容。然而，它們仍未提供 OpenAI 與 Anthropic 在成本、可靠性、安全性和應用程式品質方面完整且經獨立審計的比較。

從公開資訊尤其難以比較成本。像 Replit 這種規模的平台，可能會協商到與已公布 API 條款不同的條件。

其總開支亦包括失敗的生成、快取內容、重試、工具、子代理及支援服務。即使模型的單位成本較高，只要能以較少嘗試完成工作，整體成本仍可能較低。

反過來亦可能發生。成本較低的模型若產生更多錯誤、使用更多 token，或需要更大量審核，總支出可能反而增加。

合作關係的強度更難衡量。它可能包括共同工程、容量承諾、回應時間、市場推廣、產品分發及協商後的商業條款。

因此，讀者應將 Replit 的決定與通用編程模型排名分開看待。公司擁有足以作出自身產品選擇的證據，但尚未公布足夠資料，讓獨立觀察者重現每一項結論。

時機亦帶來另一個不確定性。Replit 在 9 月的工程文章中，形容與兩家公司相關的模型均展現出強勁的生產環境表現。僅數周後，OpenAI 才成為首選合作夥伴。

這顯示該決定不僅涉及突如其來的技術勝出。8 月推出的 Free Mode、ChatGPT 分發能力、模型成本效益及企業策略，很可能都強化了基準測試結果。

Anthropic 關係的狀態亦存在落差。據報熟悉合作關係的人士，質疑 Masad 最初所稱 Replit 已不再與 Anthropic 合作的說法。

Replit 後來的澄清，較符合其公開產品證據。Claude 仍可供選擇，Anthropic 仍被列為子處理商，而公司仍形容自己採取模型中立策略。

最穩妥的解讀是，Anthropic 失去了首選地位，而非平台使用權。任何更強的說法都會超出目前已核實的證據。

用戶亦應問，Replit 的模型選擇在實際使用中如何呈現。一個可見的選擇器未必會揭示一次漫長代理工作階段中每個被調用的模型。

Replit 的架構容許核心模型將工作委派至其他程序。智能路由亦可隨著任務演變而改變系統行為。

企業買家需要更清晰的答案，包括記錄、資料處理、保留、資料駐留，以及哪些供應商會處理專案內容。Replit 的子處理商披露列出供應商，但採購團隊可能需要工作負載層面的細節。

開發團隊亦需要將模型變更與產生的程式碼及決策連繫起來的紀錄。可搜尋的工程知識庫有助在這些轉變期間保存評估筆記、事故發現及架構背景。

安全性仍是評估的一部分，而非任何基礎模型單獨可以解決的功能。Replit 的代理運行環境包括沙盒機制、網絡控制、身分識別、授權、編排及錯誤復原。

Masad 曾指出，代理需要這種周邊環境才能安全運作。這一點支持 Replit 的平台策略，但也意味著模型比較無法承擔完整的安全性主張。

應以可觀察的結果來評估 OpenAI 的預設地位：完成的應用程式、缺陷率、復原行為、安全事故、延遲，以及每項成功任務的總成本。

在 Replit 公布這些範疇的可比數據前，這項公告仍是一項有充分依據的平台決定，而非最終技術裁決。

三個訊號將考驗 Replit 對 OpenAI 的押注

下一階段將顯示，預設選項能否提升完成工作的成果、經受企業審查，以及維持真正的客戶選擇空間。

第一個訊號是 Replit 下一輪公開代理評估。最有用的發布方式，是在相同任務和相同 harness 內比較 OpenAI 與 Anthropic 模型，並納入總成本及失敗率。

若比較只限於最終基準分數，主要的經濟主張仍未得到解答。讀者需要知道，每次成功建置分別需要多少輪次、重試、工具呼叫及委派任務。

若 OpenAI 能以更低總成本維持較佳完成率，Replit 的決定看來便具技術依據。若優勢僅在狹窄的應用程式生成測試中出現，這種更廣泛的偏好看來便會更依賴商業協調。

第二個訊號是客戶對 Claude 的使用行為。Replit 表示用戶仍可選擇 Anthropic 模型，但未披露預設值更改後的實際選用頻率。

若有相當比例客戶手動選擇 Claude，將顯示模型身分仍然重要。這亦可能促使 Replit 保留可見控制項，並防止路由成為取代選擇權的不透明工具。

低轉換率則較難解讀。這可能代表用戶滿意 OpenAI，但亦可能只是確認用戶很少更改預設值。

因此，Replit 應將選擇率與結果指標配對。留存率、任務完成率、支援請求及重複使用情況，比單看模型選擇器的計數更具說服力。

第三個訊號是 Anthropic 在各編程平台的回應。Anthropic 可以透過模型改進、商業條款、更深入整合，或為複雜程式庫工作提供更有力證據來競爭。

若新一代 Claude 在 Replit 自身的評估中勝出，將考驗「模型中立」的含義。屆時 Replit 必須在維持首選合作關係與再次更改預設值之間作出選擇。

若 Replit 在證據改變時迅速轉換，其中立主張便會更可信。若 OpenAI 即使明顯處於劣勢仍維持預設地位，商業協調看來便會比基準測試領先地位更具影響力。

企業採用將為這種平衡帶來額外壓力。Masad 預期企業及政府業務將在 2027 年佔收入大多數。

這些客戶往往要求可預測的供應商和廣泛控制。一些客戶亦偏好多個獲批准的模型供應商，以減少依賴單一供應商。

Replit 可以保留 OpenAI 作為標準選項，同時說明替代方案可在哪些地方使用。它亦可讓管理員控制獲批准的供應商、路由、資料暴露及審計紀錄。

公司更大的策略考驗關乎信任。Replit 希望用戶無須思考模型選擇，同時亦希望將自己描述為模型中立。

這些目標只有在自動決策可供檢視時才能共存。用戶毋須在每一輪都選擇模型，但應了解哪些供應商可以處理其工作，以及平台為何改變方向。

最適宜將 Replit 的 OpenAI 預設選項理解為當前偏好，而非永久定局。它反映 OpenAI 在價格效能、分發能力及 Replit 代理系統內結果方面的組合。

Claude 持續可用，令產品內的競爭壓力得以維持。若 OpenAI 的成本效益或表現出現變化，這亦為 Replit 提供替代選項。

對開發者及企業買家而言，眼前行動很直接：評估完成的工作流程，而非供應商聲譽；記錄哪些模型處理了關鍵工作；並密切留意 Replit 下一次發布的基準測試。

決定性的證據不會是另一句行政人員引述，而是 Replit 是否公布可比較的結果、保留有意義的模型選擇，並在底層數據改變時調整其路由。