AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

把 Dots 当生产力工具连用一天之后，一位工程师给出了七百多赞的负面清单，读下来更像一份产品定位的病理报告，而不是普通的吐槽。他最核心的一句是：这个工具想让你当一个"不许碰水管的管道工"，摩擦被内置到了产品里，以至于感觉它不是拿来用的，而是拿来演示的。

清单第一条摩擦来自数据可见性。Dots 看不到用户的 ChatGPT 会话，所有内容都得手动复制粘贴，工作方式直接退回前一轮对话产品时代；让它读 Codex 会话又实打实烧掉 Codex 配额，读一次的代价高到不敢常用。

文件上传不可用，附件与资料库一度停摆，agent 从后端取的下载链接全部返回 502。一个号称帮你管理 ChatGPT 和 Codex 工作的 agent，恰恰在这两个数据源的入口处卡住，这是产品承诺与实际通道之间最直接的断裂。

用户在新 OpenAI 产品上最值钱的资产，本来就是历史上积累的会话与上下文，而这些资产在新产品里不允许复利，这一点比任何单个功能缺陷都更伤长期价值。

清单第二条是幻觉与黑箱的叠加。它倾向于把技术细节全部抽掉、用最含糊的说法解释问题，为一次失败的下载来回四轮才拿到准确解释；完整任务、会话、调用都会编造。更麻烦的是对它正在做的事零可见性——两者相乘，用户无法判断任务是否真的完成。

它自己也说不清能做什么、不能做什么，没有工具清单或文档技能，用户得像越狱一样让它先枚举一遍工具。作者把这种感觉类比回早期在 Poke 上逼旧版模型说实话的日子：能力宣称与实际行为之间隔着一层说不清的墙。

清单第三条是权限与配额的失控。虚拟机被锁得形同虚设，禁止 Tailscale 意味着没法 SSH 进开发机，"云环境"这个卖点因此只剩展示价值。一个过夜的总结任务，用户剩两成 Codex 配额、压根没指望它动用，醒来后配额归零、冒出六个新 Codex 任务，而工作因为早期认证障碍早已失败——它仍然不停开新任务重试，说明失败重试策略里没有失败次数与配额的联动上限。

还有各种认证弹窗要求人必须坐在电脑前，把"用手机随时指挥"的前提直接拆掉。最刺的一句是：如果这真是 Astra，得送进实验室研究它是怎么演成两年前的模型的。

作者的终评把问题拉到产品哲学层面：他们发布了一个想替你管理两个重度产品的工具，却没有给足进入这两个产品数据的通道，与此同时还在主推第三方插件——而用户对这个产品是"插件还是插件"毫无兴趣，因为在一个好的 harness 里，模型本来就能自己把这些接好。

他拿两个开源项目做对照：OpenClaw 和 Hermes 之所以能用，是因为出问题时你可以自己进去修；Meta 的 Muse 能用，是因为 Meta 懂这个道理、把产品拖到真正好用才发布。

这些摩擦指向同一个结构性问题：常驻 agent 的价值取决于它能合法触达多少工具和数据，权限不足的助手退化成又一个聊天框，而"又一个聊天框"恰恰是用户已经在 ChatGPT 里拥有、不需要再装一遍的东西。产品意图与访问能力之间差着的，是一整个信任层与权限层。

横向看，这不是 Dots 独有的困境，而是常驻 agent 这一品类的集体考卷。Muse 拿到的评价相对好，关键在于发布节奏——Meta 把它拖到真正能干活才放出来，第一印象由能力而非承诺构成。

开源阵营的优势则是可修性：出问题能自己进代码里定位，用户的挫败感有出口；闭源常驻 agent 的挫败感没有出口，只能等下一次版本更新，于是每一条摩擦都被放大成口碑负债。订阅制又让这种负债更贵：额度被烧光的用户不是"下次再试"，而是"下次先怀疑"。

把这次清单和 Dots 发布期的其他反馈放在一起，会看到同一条线在不同位置断裂：发布时主打的是跨 ChatGPT 与 Codex 的统一调度，使用时断在数据通路上；宣传时强调自主执行，实际却弹出一堆必须人工到场的认证窗口；号称额度管理智能，结果是失败任务连开六个新任务烧掉配额。

三个断点都指向同一件事——调度层的野心跑在了权限层与可观测层的前面。这正是当下常驻 agent 赛道最容易犯的错：先把入口做出来，再补底下那一层，而底下那层恰恰决定用户会不会留。

终评里还藏着一条对验收标准的提醒。作者反复强调"零可见性 + 高幻觉率"的组合，而不是单拎任何一项：一个会编造但操作透明的系统，用户能看穿它；一个透明但偶尔编造的系统，用户能校验它；两者叠加才让"任务是否完成"变成不可知。

对做 agent 验收的人来说，这条比幻觉率这个单一指标更有用——评测时除了看结果对不对，还要看过程能不能被复盘：每一步调用了什么工具、传了什么参数、哪一步失败、为什么重试，这些链条缺一环，用户就只能靠猜。把这三件事写进验收清单，比争论模型是强是弱更早出结果。

给正在接 agent 的团队三条可执行的：一是先审计数据通路，问清楚 agent 能读哪些会话、哪些文件，读不到的部分要么补通路、要么在宣传里删掉；二是给配额和任务创建设硬上限，禁止在任务已失败时自动开新任务重试，避免一夜烧光额度还留下六个僵尸任务；三是把可观测性做成默认，让 agent 的每一次工具调用对用户可见，幻觉率再低，不可见的操作都不会产生信任。

第三方评测机构给 GPT-6.1 Sol 出的分数卡，重点不在分数本身，而在它替换前任的速度：上一代 GPT-6 Sol 上线仅一周就被新版本顶替。指数层面，6.1 Sol 比 6 Sol 高 4 分、比 5.6 Sol 高 5 分，距 GPT-6 Astra 只差 1 分，而单题成本不到 Astra 的四分之一；agent 型知识工作的两个分项——AA-Briefcase v1.1 与 GDPval-AA——分别再涨 4 分和 5 分，涨分集中在真实工作负载而非刷题项。

分项结构比总分更值得读。Astra 定位仍是"最高智能"的天花板，Sol 系列做的是把天花板下放：分数逼近、成本砍到四分之一，等于官方在同一代里造出两档供给，一档买智能，一档买性价比。

对多数团队而言，能否吃满 1 分之差的智能取决于任务是否长链、是否少有人兜底，这类任务本来就少；而分数在分项上的分布提示，涨的是"读文档、做简报、跨工具执行"这类日常负载，正好覆盖大部分企业调用面。换句话说，这一代把钱花在了最高频的那部分调用上，边缘长尾仍留给 Astra 挡着。

定价链条同样连成一条线：6.5 时代之后，6 Sol 相对上一代打五折，6.1 Sol 再把缓存读取折扣从 90% 抬到 95%，账面单次调用价不变，agent 混合价却继续下行。

三次动作指向同一策略——用折扣而非标价让重度缓存的 agent 负载实际降价，标价留在那里服务轻量用户，折扣留给规模化用户。看价格时若只盯每百万 token 的牌价，会漏掉这条线上真正的降价发生在哪里。

一周一代的节奏带来的管理问题比技术问题更大。评测机构七天能出一张完整分数卡，用户上手一周就可能看到版本被顶替，锁定某一代模型的提示词与工作流，保质期等于官方发布周期。采购合同里的模型版本条款、CI 里跑的回归集、内部沉淀的提示词库，都隐含一个过期日，只是没人写在纸上。

把这份分数卡放回行业里看，模型层的两股力量正在同时收紧。一边是旗舰厂内部的自我替代：一周一代的节奏让每款模型的可用窗口缩短，能力上移与价格下移被压进同一次迭代，用户在同一家产品线里就能买到两档供给，天花板与性价比分开卖。

另一边是开源阵营的追赶，同一批评测里开源模型与前沿线的差距逐月收窄，闭源厂商用更快的迭代和更深的折扣回应——两边同时动作，用户端的体感是选择变多、贬值变快。

由此产生的行业影响有三层。评测机构的角色变了：从"发布后一次性背书"变成"按周滚动复核"，评测周期必须贴着厂商发布周期跑，否则榜单一出就过期。云厂商与路由层受益：模型轮换越快，按任务动态路由的价值越高，固定绑定单一代模型的架构成本上升。

供应链的隐含条款开始显形：采购合同的版本锁定、CI 回归集、提示词库都带着无人书写的过期日，模型越像消耗品，这些资产的重估越频繁。

对选型与工程团队的实操建议有两条：一是把"任务档位 + 混合价"当成固定量，模型随版本轮换、档位不动，每次官方发布只对分项做一次回归测试，不重建整套工作流；二是把缓存命中率当成价格的一部分来治理，同一份上下文反复进出的调用方式天然吃满九五折，把系统提示词、检索片段与工具定义的顺序固定下来，命中率的提升会直接体现在账单上，比等下一次官方降价更可控、也更可预期。

OpenAI 官方给 6.1 Sol 下的定位是三个数字：接近 Astra 的智能、Astra 五分之一的价格、95% 缓存读取折扣；ultrafast 八倍速先给 Astra，随后跟进到 Sol。这组参数把定价、速度、智能摆到同一行，值得逐个拆。

价格维度上，"五分之一"意味着旗舰档内部分层：顶配智能的长任务用 Astra，量大价敏的批处理切到 Sol，选型从"哪个最强"变成"哪一档够用"。缓存读取 95% 折扣是更关键的一条——它奖励重复命中的负载。

agent 场景恰好重缓存：同一份代码库、同一批文档反复进出，命中率高的团队实际账单远低于标价，命中率低的调用方式九五折等于没给。真正决定花费的是调用模式，不是挂牌价。

速度维度上，八倍速的分量在 agent 回路里被放大：规划、执行、校验的单轮延迟压下去之后，同样的墙钟时间能多跑几轮，吞吐是被迭代次数乘上去的。把这组能力同时押在两个模型上，说明推理侧的竞争已经从纯分数转向"够用的分数 × 更低的价格 × 更快的回路"。

接入方先核对三件事：任务的缓存命中率、批处理与长任务的档位分配、超时阈值是否跟着提速放宽。这三项定了，价格表上的数字才有实际意义。

开源权重这条线把"前沿"的保鲜期压缩到了季度级别。一条一千两百赞的推把四款模型摆在一起：GLM 5.3 Flash、DeepSeek V4.1 Flash、Qwen 3.8 Next Flash，加上 Qwen 3.8 27B 这个 27B 规模的小模型，无论按智能分还是按能力维度，都超过十个月前被公认属于前沿智能的那批模型。

换句话说，上一个年关时大家排队等邀请码的目标，现在被开源阵营按着打，其中一款还是能在单机跑起来的体量。

变化的不只是分数。能力层面的追平意味着开源模型开始接过真实负载：企业内部的抽取、改写、代码补全这些量大价敏的任务，用户没有理由继续为十个月前的技术付前沿价。闭源厂商的溢价被迫收窄到长尾——超长上下文、复杂工具编排、特定安全合规——而这些恰恰是少数团队才用得满的功能。

选型的实操含义很直白：拿你在用的闭源模型加你的真实任务，换同档开源模型跑一遍，若结果打平，差价就是可省下的部分。真正该花时间核对的是长尾场景，而不是继续为整条任务线付前沿价。判断依据来自公开发布信息与评测榜单，具体到你自己的数据，还得靠这一轮对照跑出来。

ARC Prize 挂出 GPT-6.1 Sol 在三代基准上的实测数据。ARC-AGI-1：98.5%，每题 $0.06；ARC-AGI-2：94.2%，每题 $0.25；ARC-AGI-3 标准 harness 下 52.7%、每题 $7.6K，换 provider adapter 后 96.4%、每题 $4.4K。

最扎眼的一条：96.4% 与 GPT-6 Astra 的 99.9% 同档，成本低 77%。

上一代模型用一年半把单题成本打到一分钱量级，这份数据补上了另一半：高分档拼的不是能不能做对，而是做对一道题要花多少钱。ARC-AGI-3 的两组数字把外壳的影响摆上台面——同一模型同一题集，换调用方式就从 52.7% 跳到 96.4%，模型一行没改。跑分是模型加外壳的联合输出，读榜单时把它当成整体看。

选型时看到 99.9% 与 96.4% 并排，先确认两边是不是同一种外壳，分数才可比。盯自家账单的团队可以把单题成本当外部基准：模型迭代后若同类任务的单次成本没跟着降，省下的部分多半被调用方式吃掉，问题出在调用外壳而不是模型报价。

一家 AI 公司把自己的 ChatGPT 订阅全部退掉，并公开号召同行一起抵制 OpenAI，这件事本身就是订阅制模型走到某个阶段的信号。BridgeMind 在这条四千多赞的推里给出的理由很直接：额度被砍掉一半，官方给的解释是效率提升可以补回来；他们不接受这个说法，还进一步指控 GPT-6.1 Sol 只是上一代模型在榜单分数上做了强化。

推文最后那句警告更有分量：如果用户照常付费，其他实验室会跟进同样的做法，砍额度对厂商来说是纯利润。

订阅额度这件事第一次被放到台面上公开对抗，而不是用户私下抱怨，说明几件事同时发生了。第一，模型能力的对比在用户侧已经很难感知，大家能算清的只有自己的额度曲线，一旦额度缩水，感知比跑分下滑直接得多。

第二，模型厂商把钱揣进口袋之后，改善推理效率省下的成本用户分不到，这让"效率提升"这类解释在用户眼里越来越像托词。第三，一线应用厂商愿意为此撕破脸，意味着订阅额度已经不是小事，它直接决定下游产品的成本结构。

订阅这门生意的脆弱点就在这里：用量承诺写在定价页上，实际配额握在厂商手里，用户和开发方都没有约束手段。前阵子各家给 Pro 用户补偿积分、把 20 倍用量口径调整来调整去，本质都是同一件事在不同侧的反应。

给自己产品接大模型 API 的人值得做一件具体的事：把调用配额和降级预案写进自己的成本模型里，别把单一厂商的额度当成稳定基础设施。真遇到额度砍半，能多快切换到备用端点，决定你的产品是安静降级还是直接趴窝。

昨天帮朋友做一个短视频项目，需要把一条爆款视频的风格复刻出来。以前这种活得找剪辑师，或者自己学AE搞半天。后来发现Hypit这个开源项目，直接把这个路径一次性打通了。

Hypit的思路很简单：把任意一条TikTok、Instagram或YouTube Short的链接丢给你的Agent（Claude Code、Codex都行），它会把这条视频拆解成一套完整的可编辑工作流。footage、captions、B-roll、特效，全部锚定到文字而不是时间轴秒数。

我昨天用它复刻了一条20秒的口播视频，从丢链接到拿到可编辑的工作流，整个过程不到5分钟。最让我惊喜的是，它不只是简单的克隆，你还可以从模板出发，或者直接用自然语言描述你要的视频，Agent从零写工作流。

几个亮点：

• 一条命令，100个变体，换主播不动字幕，换语言时序自动重排
• 64个headless Chromium并发渲染，一个20秒视频总成本.15
• 纯代码渲染模式：零API调用，一条视频/usr/bin/bash

不过要注意的是，你得有Node.js环境，生成模型要自备API key，协议也不是MIT，商用前值得看一眼。

项目地址：github.com/hypit-ai/hypit

需要做视频批量生产的，可以直接收藏这个。

Typeless这个工具很多人用过吧，打字效率确实高，但就是得付费。最近朋友把他的Typefree开源了，我试用了一段时间，完全可以平替Typeless，而且免费。

Typefree的核心优势在于它的交互方式。除了传统的键盘输入，它还加了新的鼠标交互，大多数时间可以不用键盘，鼠标就能搞定。这点对于习惯鼠标操作的人来说很友好。

具体来说，我用它处理了几个日常任务：写邮件、整理笔记、快速搜索。响应速度不错，识别准确率也还可以。当然，免费工具在功能上可能没有付费版那么完善，但作为平替完全够用。

几个亮点：

• 完全免费开源，不用担心付费问题
• 支持鼠标交互，操作更灵活
• 可以自己配置API，灵活性高

项目地址：github.com/kdsz001/typefr…

对于想提升打字效率但又不想付费的用户来说，Typefree值得试试。

ARC Prize 把两条成本曲线摆在一起。达到 ARC-AGI-1 的 75 分，19 个月里单题成本从 o3-preview 的 26 美元掉到 DeepSeek V4 Flash 的 0.01 美元，降了 99.95%。

换到 ARC-AGI-2，同样的 75 分线只花 6 个月，从 Gemini 3 Deep Think 的 13.62 美元掉到 Dots3-Note Preview 的 0.08 美元，降 99.44%。

两件事值得分开看。

一是降速在加快。ARC-AGI-1 用 19 个月降掉两个数量级，ARC-AGI-2 用 6 个月走完同一段路。新基准的"昂贵期"越来越短，按这个节奏，下一代基准从发布到降到分币级别可能只要几个月。

二是价格不能当能力用。0.01 美元那条是 Flash 档模型，能拿到 75 分不代表它能替掉当年那个 26 美元的模型做别的事，它只是在这条特定基准的这个分数上等价。拿成本曲线当能力曲线，是选型里最常见的误读。

真正被改掉的是预算假设。过去做 agent 实验要按"每步几美元"估价，现在可以按"每步几厘钱"设计，允许试错的次数多出两三个数量级。

Artificial Analysis 放出了 Gemini 4 Argon 的完整评测。结论先摆出来：在它自己的智能指数上，Argon 的高推理档拿到 53 分，追平 GPT-6 Astra 的最高档，比 GPT-6.1 Sol 高 1 分；在当前 50% 折扣价下，单任务成本 1.99 美元，是 Astra 的 60%。Google 因此重新回到智能水平前三的实验室。

这是 Google DeepMind 七个多月来第一个高于 Flash 档的专有模型。53 分比上一代非 Flash 模型 Gemini 3.1 Pro Preview 高 23 分，也比 Gemini 3.8 Flash 高 12 分。

分数背后的东西值得拆开看。

一是能力结构变了。Argon 的提升主要来自幻觉率下降和 agentic 能力增强，而不是通用推理变强。在 AA-Omniscience 上它的幻觉率是 15%，是所有智能指数 45 分以上模型里最低的，Astra 是 51%，Sol 是 54%。

差距不在"答对多少"，而在"不知道时肯不肯说不知道"。代价是准确率：Argon 50%，比 Gemini 3.1 Pro Preview 低 5 分，比 Astra 低 13 分。总分能追平，靠的是少编、多承认，不是多知道。

agentic 一直是 Gemini 的短板，这次换了位置。Argon 在 AutomationBench-AA 上拿 77.5% 排第一，比 Claude Sonnet 5.5 的最高档高 6 分；Terminal Bench 4 上 57%，比 Gemini 3.1 Pro Preview 涨了 53 分，排在 Claude Sonnet 5.5、Claude Opus 5.5 和 GPT-6 Astra 之后。

AA-Briefcase 上 1494 Elo，靠的是 65% 的评分表通过率，是它记录到的最高值，但分析质量和呈现质量偏低，分别是 1576 和 1308 Elo。

二是成本账要自己重算。1.99 美元来自 50% 首发折扣加 95% 缓存折扣，折扣结束后回到 3.98 美元，大约是 Astra 的 1.2 倍。也就是说，Argon 的性价比优势靠促销撑着，促销一停就消失，而 Google 还没公布截止日期。

它便宜也不是因为省 token：Argon 单任务平均输出 62k token，Astra 只要 27k，是单价低换来的。标准价每百万输入 4 美元、输出 20 美元，折后 2 和 10，缓存输入折后 0.1 美元。

模型本身：上下文 1M，支持文本、图像、视频、语音输入，只输出文本。还带一个新的 Long Decode Continuation 能力，能把长回答暂停、在后续请求里接着生成，让推理跑满 1M 输出 token 而不断连。

可用状态也要交代：Argon 目前只向部分用户灰度，没有公开可用；50% 是首发推广价，Google 未确认结束时间。想按这个价格做预算的人，得把折扣结束后的 3.98 美元当成常态来算。