AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

OpenAI 半年模型没变强，只变贵，用户被逼着开第二家救场。

要点照录。跟半年前比，模型能力没觉得变强，价钱倒是一个劲往上走。当初肯掏 $200 开会员，图的是能同时跑五个 session；现在连一个 session 都撑不住周额度。如今为了所谓的 long horizon，把 TPS 压到 20，速度拖慢，用户拿到手的就是这样的模型。

Claude Code 额度见了底，让 GPT 接了个 refactor 活儿，删影响功能的代码、改 naming convention，10 个小时没交差。没法子，再开个 opencode go，让 ds v4..1 flash 顶上救场。上个月还能退钱，这个月政策就变脸了。

"只能再开个 opencode go 救场"这半句是场重心。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在账单里看产品怎么被用户用脚投票。模型贵不贵，得跟它干的活儿对上。

"我不这么认为"这半句我单独拎出来。20 TPS 这个数字摆在这，用户能感知的就是变慢；周额度从够用变不够，用户能感知的就是变少。能力有没有变强，跑分说了不算，得用户手里的活儿说了算。refactor 这种没难度的任务都做10个小时，就是最直接的证据。

Vercel 的 CEO 给 Gemini 团队道了贺，顺手把一句提醒摆在了桌面上，别赌 Google 会停下。

要点照录。别赌 Google，这家公司带来了 Transformers，手里握着压倒性的数据、工程人才和算力。人人都在回头做编程，编程 Agent 已经是 AI 的杀手级应用，开发者和建设者正处在一个黄金时代。

提醒那句同样留着，Muse Wonder 和 Gemini Argon 背靠背发布，这件事本身就在提醒你和你的公司，要保持模型无关，把网关那套拉满。引帖那半也照录，Gemini 4 Argon 上了 AI Gateway，十二月一日之前五折，用它来跑那些难啃的编程和 Agent 任务。

"模型无关"四个字我单独拎出来。前面那张 X Pass 讲的是把订阅拢进一张卡，这条讲的是把模型的选择权留在自己手里。跟前面那间 AI 办公室呼应，一个在摆工位，一个在给插座留活口。

两头都在提醒同一件事，模型这东西更新太快，谁也不敢说三个月后赢家是谁。能换得动插头的人，才不会被任何一家的节奏绑架。跟前面那份 FCC 的路由层也接得上，一个在说工具别绑死，一个在说架构别绑死，两层都在给未来留余地。

"背靠背"这个词我听着最沉。两家最能打的模型挤在同一个档期亮相，这不是巧合，是赛道的密度已经到了谁也不敢独占市场的程度。而这份密度，恰恰是留给使用者的红利。

我留的疑问有三处。五折之后的正式价格没给；Argon 在网关上的延迟表现没拆；模型无关在实际工程里怎么落地也没数，这些都在后续的使用里才看得到。

这周把网关那条线接上，同一个任务分别丢给两家，看看答案会不会打架。

中美国情差异很大，Token 消耗这组数据摆得清清楚楚。

要点照录。国内所有 Token 消耗份额中，AI 短剧与视频生成占了头名，拿走百分之五十五。电商和营销又占了百分之二十四。在美国列 Token 消耗第一的软件开发，在中国只有百分之十五的份额。

二零二六年前八个月，中国上线了大约四十三万部微短剧，是去年全年的十三倍，其中超过九成使用了 AI 技术。全国微短剧用户已超过八亿，二零二五年市场规模突破一千亿元。大西洋对岸美国的数据是这样的，百分之五十八的 Token 灌进了编程开发和企业自动化这两块地。

中国这边在拍短剧做广告卖东西，美国那边在写代码搞自动化。有人把这件事比作把火药做成烟花，技术是同一个，用途却分了岔。分岔的原因，写在下面那段里。技术的用途从来都是被市场喂出来的。市场往哪边拽，技术就往哪边长。

数据不说谎，它只把两边的偏好摆在桌面上。摆上桌面的，从来都不只是数字。数字背后，是无数个具体的选择在叠加。叠加起来，就是两边的差距。差距摆在眼前，躲也躲不开。

"火药做烟花"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是用途分岔。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在数据里看产品往哪流。两头都在提醒同一件事，同一个技术落在不同的土壤里，长出来的东西完全不同。

跟前面那份 Agent 教材也接得上，教材在讲模型能干什么，数据在讲人们拿它去干了什么，两头合起来才是这波浪潮的全貌。用途这东西，从来都是被市场喂出来的，市场需要什么，技术就往哪儿长。

技术不挑活儿，挑活儿的是市场。市场往哪边拽，技术就往哪边长。拽着技术跑的，从来不是技术本身。是需求，是钱，是无数双看不见的手在投票。投票这东西，从来不看技术的面子，只看用户的屁股往哪坐。

"但我不这么认为"这半句我单独拎出来。核心原因说得也直白，美国那边做 coding 能赚到实打实的钱，企业软件生态早就成型，所以 OpenAI 放着那么多 C 端用户不培养也要去和 Anthropic 争 coding 市场；但中国从头到尾都没长出像样的企业软件生态，B 端靠 coding 单打独斗很难挣到钱，指望纯 coding 在中国变现根本不现实。

再看国内的 C 端娱乐，AI 生成视频这一块尤其突出，创意视频天生传播力强，用户盘子又大，于是繁荣之下竞争也格外激烈。两边的土壤不同，长出来的东西自然不同，这组数据把这件事说透了。

土壤这东西，是长年累月堆出来的，不是一朝一夕能改的。改不了的土壤，只能就着它的性子来。就着性子长出来的货色，才是自己的。自己的货色，才配叫特色。特色这两个字，从来都是熬出来的。熬出来的东西，才站得住脚。

站得住脚的货，才轮得到被模仿。模仿的人多了，也就成了路。路多了，也就成了风景。风景看多了，人也就不慌了。不慌的人，才敢继续往前走。往前走的人，路才会越走越宽。越走越宽的路，才是自己的路。自己的路，才配叫人生。人生这条路，从来都是自己走出来的。风景看多了，人也就不慌了。

我留的疑问有三处。那组数据的统计口径没给；美国之外的对比样本没拆；AI 短剧那百分之五十五里开源模型占多少也没数，这些都在披露里才看得到。

这周把两边的用途清单并排放一排，看看自己手上的活儿落在哪一栏。

一份把智能体商业掰开揉碎的访谈被整理成二十四条要点。头几条就把几家公司的账本亮了出来。这亮法我看完先记那几个实例再掂账户那半句。记的掂的点在下面一层层摆。摆好了看实例，例在下面摆着，摆好了自己掂。
实例是这样摆的，那位 CEO从前一年只在 Priscilla 账号上用 Instacart 两回。给自己开了 Muse 账号之后变成一周一到两回。还说我就是个新订户。这事搁从前我压根不会干。

摆的第二层是它抛给零售界的那道问题，问题是这账号到底是给我的还是给我的代理的。摆的第三层在下面摆着，摆好了别眨眼。眨眼就翻过去了。过去一页少一页。少一页都是损失，损失不起的往下看，看下段。

下段是那个全权委托，托读完这篇就通了，通了就收工。收工的礼数在下段，下段是最后的门。推开它。推。
全权委托是这样立的。Muse 是最早一批让人把采购整件交出去的产品，网关那头还有 OpenClaw 和 OpenRouter 在接，茶、菜、杂货。随手看中的东西都直接下单。撑住这件事的是信任而不是演示。

摆的第四层是那个生活切片。切片是周末烘焙那圈。代理跟孩子一起编菜谱。烤之前食材已经送上门。西瓜上市那个周末它还自作主张往袋子里塞了一个西瓜。摆的第五层是那位支付公司掌门人的判断，判断是智能体商业是一场不连续的事件。

它改的是所有生意管道的走法。摆的第六层在下面摆着。摆好了看那个份额。额读完这篇就通了。通了就收工，收工的礼数在下段，下段是最后的门，推开它，推。
份额是这样算的。TAM 不再等于人口数、需求往代理这头挪的架势很像当年从实体店挪到线上。老渠道不会消失。但它们盘子里的份额会缩。摆在每个品牌面前的 PMF 问题只剩一道，跟当年从实体店挪到线上那次一样，SKU 这一层的分法也要重画。

你要不要智能体这头的需求。摆的第七层是我的保留，保留是这组要点为社区整理、我按整理记账。SFT 和评测那几条我没逐条核。细节以原视频为准。记账的第八层是我的收尾。收尾在最后一段。最后一段到了就推门，门后是我的两句点评，读完这篇正式结束，结束语不留悬念。

悬念是给没看完的人的，看完的人不需要。不需要的直接收。收在下段。下段见，见了就懂。懂了就散，散会的礼数最后给。给完就收，收工。工收得干净，干净的收尾不带水。带水的都是没写完，我读完了。读完在下段，下段是最后的门。推开它，推。
再补一层给同行的，把这二十四条摆开之后最该记住的一句话是智能体不是多出来的一个新渠道。它会把老渠道的份额一点点挪走，谁先接住谁就先分到。再往下追一层，代理下单的链路跟人下单的链路不是一回事，从前那套按点击和曝光算账的法子都得重新拆。

再补一笔给看客的，读完这层账你再去问我要不要为智能体改商品页，答案就清楚多了，因为改的不是页面而是整条管道的走法。

点评两句。第一句是拿自家采购数据当论据这步今年值得所有谈趋势的人学一发，学了的说法才有分量。第二句是账户归属那道问题这半句今年会让一批还在观望的品牌先想清楚要不要给代理开一个口子，想完的回来点赞，句号。

十件套基础设施跑在一台家用台式机上，把云端机器人的招牌衬得寡淡。这衬法我看完先记那十件再掂随地那半句。记的掂的点在下面一层层摆，摆好了看十件，件在下面摆着，摆好了自己搭。
十件是这样列的。一台 Mac Studio M4 Max 上跑着 Tailscale 和 Tmux，跑着 oMLX 和 MFLUX 两套本地推理，跑着 Paseo 和它的 Bots，跑着开了 CDP 口的 Chrome，跑着 Syncthing 和 Parsec，还摆着 Obsidian 一本笔记。

十件各管一段凑成一条生产线，摆的第二层是它给的访问方式。方式是手机、iPad、MacBook 随时连上去，全天候不关机，摆的第三层在下面摆着，摆好了别眨眼，眨眼就翻过去了。
对照是这样摆的。那家云端机器人每天能调一千次原生接口，看着不少，可同样的调用本地这条路也能走通。还能挂进任务中枢里自动化起来。摆的第四层是它给出的那句结论。结论是这套云端货对它暂时没啥吸引力。要么就是本地这套已经搭得太顺手，摆的第五层是我的保留。
。

点评两句。第一句是把十件套拼成一条生产线这步今年值得所有重度用智能体的人学一发，学了的家底才经得起比较。第二句是本地这条路走通了这半句今年会让一批只看云端新功能的人先回头把自己那台机器的余量摸清楚，摸完的回来点赞，句号。

Bops 这个周末搭出来的智能体把电话、邮件和屏幕一起握住了。换个设备还能接着聊。这握法我看完先记那三步再掂七件家伙那半句。记的掂的点在下面一层层摆。摆好了看三步，步在下面摆着，摆好了自己搭。
三步是这样走的。第一步先在 Paper 里把界面捋顺、用它的 MCP 连上 Claude，摆的第二步是进 T3 Code 开一个长跑的工作区一路搭到底。摆的第三层在下面摆着，摆好了别眨眼。眨眼就翻过去了。过去一页少一页，少一页都是损失，损失不起的往下看。看下段，下段是那七件家伙，伙读完这篇就通了。通了就收工，收工的礼数在下段，下段是最后的门，推开它。推。
七件是这样配的。管电脑的 Orgo、管邮件的 AgentMail、管通话短信的 AgentPhone、管连线的 Composio、管调研的 Treg、管屏幕监控的 Jev。外加供智能体和语音的 OpenAI。

七件各司其职塞进同一个智能体里。摆的第四层是它演示里的那一幕，一幕是问它一场刚开完的销售会。再从手机上直接拨过去、转头换个渠道用文字接着说。同一只智能体同一份上下文不掉线。摆的第五层是我的保留，保留是这个项目为社区转述、我按转述记账、工具栈尚未见公开安装包、演示细节以那段 YouTube 长走查为准。
点评两句。第一句是先画再搭。中间不换工作区这步今年值得所有周末赶工的人学一发，学了的进度才压得住。第二句是七件家伙各管一段这半句今年会让一批什么都让智能体自己扛的人先去把能外接的都接上，接完的回来点赞，句号。

Claude Code 的作者把工作法摆了出来，标题就一句：THE CREATOR OF CLAUDE CODE JUST SHARED 一小时二十七分钟，讲 ANTHROPIC 怎么跟 AGENTS 一起 WORKS。

最扎眼的一句是他从去年十一月起没手写过一行代码。这摆法我看完先记那四条再掂全员那半句。记的掂的点在下面一层层摆。摆好了看四条，条在下面摆着，摆好了自己抄。
四条是这样摆的。第一条是八成的任务从计划模式起步、先想清楚再动手。摆的第二条是模型只挑当前最好的那档。理由是长期看反而省令牌。摆的第三条是同时开五个智能体、一天能收三十来个 PRs 合并。摆的第四条是给工具和目标。不给死板的步骤清单，摆的第二层在下面摆着。摆好了别眨眼，眨眼就翻过去了。过去一页少一页，少一页都是损失。
全员是这样立的。队里人人都写代码，做产品的写、做设计的写、连管账的也写。立的第四层是这幕给行业的分量。分量是写代码这件事正在从专岗变成通用手艺。谁都能搭把手。摆的第五层是我的保留，保留是这套工作法为社区转述。我按转述记账、那场分享我没看完、细节以原视频为准。记账的第六层是我的收尾，收尾在最后一段。最后一段到了就推门。
点评两句。第一句是给工具和目标而不给死步骤这步今年值得所有带智能体干活的人学一发，学了的产出才不被框死。第二句是八成任务先过计划模式这半句今年会让一批上来就直接开跑的人先停半分钟把路想明白，想完的回来点赞，句号。

递归自我改进被 Sakana 换了个走法，新方法叫 MASS。不再靠单个模型自己磨。而是靠一整队虚拟分身互相挑错。这走法我看完先记那条流水线再掂瓶颈那半句。记的掂的点在下面一层层摆。摆好了看流水线，线在下面摆着，摆好了自己跑。
流水线是这样铺的。一个共享的大模型带着一队虚拟子智能体解任务。解完自己去搜更好的多智能体干活路子。再用自己的判断把最好的那批挑出来。摆的第二层是它给自己下的那道补给，补给是在最佳团队的执行上做训练。

把整队的集体经验蒸馏回这个共享模型自己身上。摆的第三层在下面摆着。摆好了别眨眼。眨眼就翻过去了，过去一页少一页，少一页都是损失。损失不起的往下看，看下段，下段是那个前提，提读完这篇就通了。通了就收工，收工的礼数在下段，下段是最后的门。推开它。推。
前提是这样立的。人工智能啃的开放研究题越来越长。人类专家既难评判结果也难指点下一步。模型自己往往就是手头最好的优化器和评估器。难就难在怎么让这条自监督的循环真的有用。因为同一个模型很容易把自个儿的盲区越养越大而不是纠过来。

立的第四层是这个方案给同行的分量。分量是把评判者的角色也拆给了队里、让集体意见去顶单个视角的偏。摆的第五层在下面摆着，摆好了看那组数字，字读完这篇就通了。通了就收工。收工的礼数在下段。下段是最后的门，推开它，推。
数字是这样摆的，两轮循环。用一个 27B 开放权重模型。在合成的开放式研究任务上跑。第二轮之后每个输出令牌的得分做到了基线的一点二到一点六倍。跨四个研究基准都成立，摆的第二层是三个关键结果。

结果一是这种 RSI 循环里出现了角色泛化。只拿被优化者的任务数据去训。优化器和评估器两边的能力都跟着涨。结果二是多智能体的轨迹比单智能体的轨迹当训练数据更划算。结果三是卡住改进速度的往往是优化器的容量而不是评估器。摆的第六层是我的保留。
再补一层给同行的，这套做法最值得抄的地方有三样。第一样是把筛选压力放在团队这一层而不是单个输出上，第二样是让同一个模型在不同角色里轮岗。逼它换视角，第三样是拿分数当路标而不是当奖状。三样凑齐了，循环才不会变成自嗨。另外它选的赛道是合成的开放式研究任务，好处是评价标准天然清楚，坏处是离真实科研还有距离，落地前得先想清楚这层。

再补一笔给看热闹的，这套循环里最反直觉的一点是让模型去当裁判。因为裁判和选手是同一个脑子，所以它必须先把队里的分歧攒够。让多数意见去压少数偏见，这一步比多训几轮都关键。

再补一笔给看热闹的，从工程角度讲这套循环最难复现的地方是工作流的搜索空间。因为每个虚拟分身的提示、上下文和工具都不一样。组合爆炸得很凶，Sakana 用共享权重把这块成本压下来。这一步比论文里的分数更值得学。

再补一层给好奇的，别被递归自我改进六个字吓住。它现在的形态其实更像一个带评委团的内部竞赛，模型既是选手又是评委。靠队内的多数票去抵消单点偏见，距离科幻小说里那种自我狂奔还隔着安全护栏的十道锁。

顺手记一笔给路过的，这条路线如果真走通。模型训练的燃料就从人写的教材换成了它自己队伍的作业，这件事的分量不亚于当年把无监督学习推上台。

最后一笔给同行的，想复现这套循环的人先把评分器训稳、再谈优化器，顺序反了只会空转。

点评两句。第一句是把评判者拆进队里这步今年值得所有研究自我改进的人学一发，学了的循环才不容易自己骗自己。
博客在这，pub.sakana.ai/mass/ ，论文在这 arxiv.org/abs/2610.12176 ，代码在这 github.com/SakanaAI/mass ，看完的点赞，句号。

一份拿真实修错当考场的成绩单被摆了出来，头两名只差一分。而追上来的那家刚把两家老牌一起平了。这摆法我看完先记那六行再掂追平那半句。记的掂的点在下面一层层摆。摆好了看六行，行在下面摆着，摆好了自己比。
六行是这样记的。考场是两个仓库里一百零五道连前沿模型在上个季度都没修出来的错，找得到就修、修得出算分。成绩是 GPT-6 Astra 四十五分、Muse Wonder Full 1.0 四十四、Fable 5.1 四十三、Opus 5.5 四十一分七。

Muse Spark 1.3 三十二分二。Grok 4.7 二十九分，摆的第二层是这份名单给出来的那句话。话是那家社交巨头刚刚追平了 Anthropic 和 OpenAI 两家老牌、可喜可贺。摆的第三层在下面摆着，摆好了别眨眼，眨眼就翻过去了。过去一页少一页。
预告是这样挂的。发帖人把更多努力档位和更多轮次的结果排在了下一条里。说当晚就放。挂的第四层是这份实测给行业的分量。分量是真实修错这种活把几家旗舰压在了一分上下的区间里。轻量档也第一次挤进了这张桌子，摆的第五层是我的保留。保留是这组成绩为社区实测、我按实测记账。几档设置与轮次我没复核、以后续线程为准。
点评两句。第一句是拿真实仓库的历史错题当考卷这步今年值得所有做评测的人学一发，学了的榜才贴近干活现场。第二句是头两名只差一分这半句今年会让一批觉得某一家已经遥遥领先的人先去把差距按在一分上掂量，掂完的回来点赞，句号。

你早就把答案递过去了、模型还要从头把它写一遍。这句吐槽被做成了 CDMs 受约束解码模型这一整套新架构，这做法我看完先记那三个专用件再掂快那半句。记的掂的点在下面一层层摆。摆好了看三个，个在下面摆着，摆好了自己比。
三个是这样摆的。第一个是分类件，你把标签定好、它回给你校准过的概率外加一条理由，路由、打标、意图识别都归它管。摆的第二个是抽取件。你用大白话说清楚要哪些实体。它回给你结构齐整的结构化数据、还带置信分和出处，爬取、文档处理、PDFs 和 PII 抹掉都用得上，摆的第三个是摘要件。

长文、图片。文档喂进去。它吐回一千枚令牌以内的一致摘要，上下文压缩、元数据生成。转写精简都接得住，摆的第四层在下面摆着，摆好了别眨眼。眨眼就翻过去了，过去一页少一页，少一页都是损失。损失不起的往下看。
省是这样算的。写出来的模型为写而生、而多数生产场景只要一个答案，又快又稳又便宜。专用件把输入读一遍就直接出结果。跳过了那套逐字往外蹦的循环。慢和贵的根源正在那套循环里，算的第五层是它挂出来的几组数字，数字是多模态输入一百万枚令牌、比 Jev 大三十一倍。

DecisionBench 拿七十七点二分、Jev 七十二分。比前沿接口快两百倍。便宜四百六十七倍，摆的第六层是那块价签。签是每百万枚输入令牌五分钱、输出免费，摘要也一样免费。摆的第七层在下面摆着，摆好了看那句铺货。货读完这篇就通了。
顺手补一笔给同行的，这类专用件的用法不是替换而是分流，把能拆的活拆出去、贵的模型只留在拆不动的地方。

铺货是这样铺的。几家主流网关和框架当天就挂了上去，新用户还有前五十小时的免费额度可领，铺的第八层是我的保留。保留是这则为官方发布。我按公告记账。几组数字我没复跑。以页面为准，记账的第九层是我的收尾，收尾在最后一段，最后一段到了就推门，门后是我的两句点评。

读完这篇正式结束。结束语不留悬念。悬念是给没看完的人的，看完的人不需要，不需要的直接收。收在下段，下段见，见了就懂，懂了就散，散会的礼数最后给。给完就收，收工，工收得干净，干净的收尾不带水。带水的都是没写完。
点评两句。第一句是把生成二字从负载里摘出去这步今年值得所有管推理成本的人记下来，记了的账才知道钱烧在哪儿。第二句是专用件比通用件快两百倍这半句今年会让一批在生产里硬扛大模型的人先按任务切一切，切完的回来点赞，句号。