AI news

深度讨论新一轮模型发布:当智能进入月更时代 | Best Ideas

By Best Ideas 社群0 viewsSource: 海外独角兽
深度讨论新一轮模型发布:当智能进入月更时代 | Best Ideas

当 AI 开始加速 AI,模型公司的迭代周期正在被进一步压缩,模型公司开始进入“月更时代”。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

讨论主题:新一轮模型发布

参与嘉宾:拾象Best Ideas 社群

当 AI 开始加速 AI,模型公司的迭代周期正在被进一步压缩,模型公司开始进入“月更时代”。

过去的两周是全球模型的高密度发布期:Anthropic 发布 Opus 4.7,OpenAI 发布 Image 2.0 和 GPT-5.5,腾讯发布 Hy3 preview,沉寂了相当长一段时间的 DeepSeek 也终于带着 V4 回归。

在 DeepSeek V4 发布后,我们组织了一场Best Ideas 讨论会(在新窗口打开),和一线 AI researcher、开发者、创业者和投资人一起,复盘最近几款模型的真实使用体验,讨论 Opus 4.7、GPT-5.5、DeepSeek V4 背后的架构变化、能力边界和产业影响。这篇文章是对这场讨论的纪要整理。

What's Next:接下来,我们会继续围绕真实的 AI 产品构建来组织讨论、观察这一轮智能竞赛。如果你对模型边界有一手体感,正在用这些模型做产品、重构 Workflow,对于「AI-native 工具链」有独特方法论。欢迎加入我们下一场讨论,分享你的独特判断。

Insight01

新模型一线实测

Opus 4.7

1、Opus 4.7 最明显的两个优点:

•Long horizon task 的表现明显提升:给它一个比较难的任务可以推进得更长,而且不是靠无节制地烧 token,而是在高效的 token 配比下把任务推到极致。

•多模态理解能力有明显进步,已经追平了目前主流的多模态模型,有可能是为了解锁设计类垂直场景。

2、但 Opus 4.7 的缺点也很明显:文字表达能力退步了,不像 Opus 4.6 那样擅长抓重点、说话不绕弯。

3、这个变化很可能是一次阶段性的 trade-off:Anthropic 做模型时习惯从 pre-training 层面做优化,每次配比变化都会对体验产生影响,加上 RL 的持续迭代和 tokenizer 的更换,可能带来了一些副作用。

4、这种 trade-off 后可能也存在战略考量:如果不在 Opus 和 Sonnet 之间做明确的差异化,用户所有任务都用 Opus 跑,Anthropic 的算力会更加吃不消。现在的结果是用户自然形成了分工:做 coding 用 Opus 4.7,做文字表达切换到 Sonnet,这对 Anthropic 的资源分配反而是好事。

Dario曾经(在新窗口打开)解释过 Haiku / Sonnet / Opus 这三档分类背后的逻辑,它不是简单的“低/中/高”三档智能,而是同一条“能力-速度-成本”曲线上的三种产品定位,本质上是能力、速度、成本的不同取舍。因此,具体某个模型的升级并不是所有能力同步 +1。

GPT-5.5

5、GPT-5.5 提升比较明显,它不是像之前 5.3、5.4 那样纯靠 post-training 压榨 Codex 方向的能力,而是从 pre-training 层面做了实质性的改进。验证了 OpenAI 是可以做好 agentic 任务的。

6、GPT-5.5 最明显的体感是速度变快。对 coding agent 来说,速度本身就是能力的一部分,因为很多代码任务不是一次性写对,而是在环境里不断试错、运行、修改。当模型足够快,整个试错链路也会变快,实际效率会被放大,不过到了美国上班时间后会明显变慢。

7、总体来说,GPT-5.5 更像是 OpenAI 用来狙击 Opus 4.7 / Opus 4.6 的模型,而不是最终大招,也不是传言中的 Spud 模型。

8、今天的 SOTA 还是 Opus 4.7,核心领先优势在于 brainstorm 和 planning 能力。很多开发者在做 plan mode 和 brainstorm 的时候仍然选择用 Opus,因为它对用户意图的理解、在方向探索上的深度和广度,仍然更胜一筹。

DeepSeek V4

9、DeepSeek V4 在 agentic & coding 能力上是开源模型里明确的 SOTA,但和闭源模型的 SOTA 之间仍然有一定差距,这个差距大约在六个月以内。不过考虑到 DeepSeek 此前一直没有非常重视 agentic & coding,能临时追到这个程度已经很厉害了。

10、DeepSeek V4 最大的卖点是极致的性价比。它在模型计算 FLOPs 优化、KV cache 压缩等方面做了非常极致的性能优化,如果后面再叠加国产算力,价格还有可能继续被打下来。这也是 DeepSeek 一直以来最有价值的地方:每当市场在某个阶段出现供需不平衡,它总能给出一个极致优化的局部最优解。

11、DeepSeek 在过去很长一段时间里把 bet 下在了 long context 上,认为这是下一代范式的基础能力。但 long context 在智能提升的体感上不像 coding & agentic 那么明显和直观,如果 V4 能更早发布(比如去年底),借助 OpenClaw 带起来的这波 agentic 热潮,效果可能会更好。

12、DeepSeek 使用华为芯片这件事,大多数人关注的是“国产替代”本身,但更值得关注的视角是:DeepSeek 又比别人早了半步。虽然适配华为芯片确实耽误了相当长的时间,但如果它最早把华为 950 跑通了,接下来就可能最早吃到华为产能的红利。

13、DeepSeek 的历史意义不仅在于单个模型的性能,更在于它已经演化成中国为数不多能够独立探索新模型架构的厂商。每次 DeepSeek 的新架构出来,即使没有在能力上达到 SOTA,也会带动智谱、Kimi 等国内厂商跟进架构升级,连带降低整个行业的 inference 和训练成本。这次 DeepSeek 跑通了华为 950 集群的集成,只要其他厂商用类似架构,上 950 的门槛也会显著降低。

14、Google 异常的安静可能不是因为落后了,而是因为觉得自己有把握。Google 的算力资源实在太充裕了,它的 de-risk 集群都比 OpenAI 和 Anthropic 最大的训练集群要大。从和 Google 内部团队的交流来看,他们似乎对自家模型比较有信心,并不急于在现在回应竞争对手的每一次发布。

Insight02

模型吃掉一切脚手架

15、模型把“脚手架”训进去的速度非常惊人。一个典型的开发体验是,在 GPT-5.4 发布后,在同样的需求下,它和前一天的 GPT-5.3 已经呈现出完全不同的行为模式:有朋友提出了一个 iOS App 的开发需求,Codex 没有停留在写代码或给步骤,而是主动识别到手机和电脑处在同一网络环境里,进一步判断可以直接把 App 部署到手机上,并挂上调试进程。随后,它会让用户直接打开 App 体验,自己在后台观察日志、记录用户操作行为、定位 bug,再修改代码、重新部署。

16、过去这套闭环通常需要很多外部脚手架来帮模型组织,但现在模型已经自己成为了一个能跑完整开发流程的软件工程师。

17、从实际使用体验来看,模型升级对使用不同 harness 框架的用户带来的影响也非常不同:

•Opus 4.7 更新后,没有搭建自己脚手架的用户会感受到 AI 能力有飞跃,因为模型本身已经把很多 long running task 的能力训进去了,可以自发地跑很长时间。

•但基于 Opus 4.6 精心定制过脚手架的用户,反而会觉得效果变差。具体表现为,token 消耗量明显增大、频繁触发 context 压缩、会更积极地要求开新 session 而不是在当前 session 里复用,甚至在设置了 YOLO 模式后仍然会无视指令。

这背后的原因大概是:Opus 4.7 在 RL 训练中是以 team coordination 的模式来做 long horizon task 的,所以在使用过程中,最适配的方式也是把主 agent 设计成 team coordinator,用 agent-to-agent 的方式去跑,而不是直接让主 agent 去自主完成长程任务。

18、也有 AI 开发者提到,从 GPT-5.2 开始,OpenAI 和 Anthropic 在模型的开发能力上已经没有太大差别,差距更多来自 Codex 和 Claude Code 之间 harness 的差距,而这个 harness 的差距在 Q1 也已经逐渐追平。他在春节后选择全面切到 Codex,因为整体体验更稳定,在速度、开发能力、供应量、稳定性,以及账号风险等方面都更好。

19、上面这些 case 都这暴露出一个趋势:模型和harness(在新窗口打开)的耦合关系在变得越来越紧。新模型不是一个抽象的、更强的“通用大脑”,而是带着某种非常具体的使用范式一起发布。它的训练方式、system prompt、RL 数据分布,都会暗含“应该怎么使用它”。如果外部开发者没有按这个具体方法使用,效果可能会大打折扣。

20、这个趋势对于 harness 领域的创业公司来说是一个危险的信号:因为如果你的 harness 是根据上一代模型的能力和缺陷设计出来的,一旦下一代模型把这些能力训进去了,你的 harness 会瞬间变成 technical debt。除非 harness 本身更像一个可以随模型自动生成、自动编译、自动适配的系统,否则每次模型升级都会带来一次重构。

21、模型吞噬 harness 的趋势同样对 Skills 领域带来影响。当下的讨论中提到的 Skills AppSotre、Marketplace 本质上还是把 Skills 默认为插件、模板的存在,但 Skills 的商业化更像一个短期窗口,而不是一个长期平台型机会。

22、今天的 Skills 可以分为 2 类:

•类型 1:Capability uplift(能力提升),也就是让模型学会原本不会的事情,它的保鲜期大约只有三个月,因为有价值的部分一定会成为模型的养料,会在下一个版本被训进模型;

•类型 2:Encoded preference(偏好编码),也就是把个人偏好喂给模型,补充的是具体用户的个性化偏好,那它也会因为高度个性化而分发价值有限。

23、Coding/Agentic 场景下是否已经建立起数据飞轮?

•掌握用户数据一定是重要的,但用户数据并不能直接拿来训练模型,因为这些原始数据的清洗成本极高;

•数据飞轮更多体现在产品层面:当一个产品拥有全世界最多的程序员在你的平台上编程,你就能从统计意义上理解这几百万核心开发者的 preference 到底是什么,比如他们的编程习惯是怎样的、什么环节会介入。这种理解会持续反哺产品迭代,让产品越来越贴合真实用户的工作流。

•但这是不是一个足够深的壁垒,目前还不好说。它取决于程序员的行为模式到底有多碎片、多复杂,需要多大的样本量才能充分捕捉,以及这些数据和具体产品的 harness 环境绑定有多深等等。

Insight03

模型越快迭代,算力瓶颈越大

24、过去两三年大家反复讨论 Scaling Law 能不能继续,最终总是落到数据够不够的问题上,但现在往后看一到两代模型,数据不是卡点,算力才是。尤其当头部模型公司已经进入了 AI 加速 AI 研发的自循环,这意味着模型迭代速度会越来越快,算力也会越来越紧俏。

25、最新的 Mythos 超大参数模型发布后,最大的限制就是需要极大的集群才能 serve 起来,可能需要 NVIDIA GB200/GB300 NVL72 或者 Google TPU7x / Ironwood 这种级别的硬件。

26、国产模型要缩小和海外顶尖模型的差距,核心可能是三点:

(1)能组织起 10 万卡以上的高性能、稳定训练集群。这不仅要考验 GPU 数量,更考验 GPU 之间的连接能力,两者都有待补齐。

(2)自主建立起类 CUDA 的软件栈,不能永远被英伟达生态卡住。

(3)有更好的数据生成能力,比如 synthetic data,以及像 Claude Code 一样通过更好的产品掌握用户在真实任务里执行、试错、纠错的轨迹数据,了解真实的数据分布情况。

27、短期来看,算力是远比数据更大的挑战。中国开源模型在过去一年给了市场一种“追得很快”的感觉,但接下来有可能会阶段性地卡一下。因为国内模型现在在模型大小上和海外御三家还有不小的差距,要跳到下一个 level,可能至少需要四、五万张卡以上的集群支撑。

28、不过在更长的时间尺度上,中国在芯片方面的追赶速度可能被低估了,只是短期内(比如 2028 年之前)压力仍然很大:

•随着美国几家 AI 大厂开始自研芯片,客观上会增加市场上懂芯片设计的人才供给,其中一部分 know-how 可能会流回中国。

•Coding Agent 能力的提升也让手搓优化 kernel、从一个架构迁移到另一个架构的难度在下降。以前这个过程预计需要 5 到 10 年追赶,但今天在 AI 的辅助下可能会被加速。

Insight04

Token 涨价是确定趋势

29、Token 涨价会是一个确定性事件,中美两个市场同步进入涨价周期,尤其国内从“价格战”模式逐渐切换到“性能定价”模式:

•OpenAI 的 GPT-5.5 相较于 GPT-5.4 token 价格翻倍;

•智谱的 GLM 5.1 相比于 GLM 4.7,也在三个月左右 token 定价翻倍;

•Kimi 的 K2.6 相较于 K2.5 token 定价大概涨了 50%。

文章配图

30、涨价首先是由供需关系驱动:当前对 token(AI 智能)的需求是非线性增长,但供给只能线性扩张。未来两年 token 需求可能涨 1000 倍,数据中心也就扩几倍,供需缺口越来越大。

•成本端:今年算力成本至少上涨了 20%:

(1)GPU 极度稀缺,包括 Anthropic 的几乎每家 AI 厂商都要面临缺卡难题;

(2)集群的运维成本也在涨;

(3)模型变大、上下文变长,尤其是百万上下文对推理成本的影响非常显著,生成单个 token 所需的计算量和显存需求都大幅增加;

•需求端:Opus 4.5 之后,模型智能在复杂场景和任务上的表现提升,Agentic 和 coding 场景开始创造真实 ROI,以前不可想象的用例正在批量出现,且每个场景都极度消耗 token。只要企业发现模型能带来正向经济价值,就会愿意为更强模型支付更高 token 价格。

随着模型能力提升,更多新的高 token 消耗用例还在不断被解锁。例如 SemiAnalysis 最新播客访谈中提到,他们利用 AI 可以通过一张照片让模型反向拆解芯片里用了什么金属、对应什么设计,再进一步推理出一个投资判断。

31、DeepSeek 最早把国产开源模型的 API 定价打到了极低水平,这对国内模型厂商、推理厂商来说不太健康。因为中国模型并不天然拥有低一个数量级的成本优势,后面可能会有一次 “价格修复”。

32、考虑到 DeepSeek 过去并没有大规模对外提供商业化 API,所以过去的定价并不具备参考性。但接下来它自己也必须考虑商业可持续性。

33、Anthropic 和 OpenAI 可能明年一家的 ARR 就可以到达 2000-3000 亿美金,假设模型训练成本 300 亿美金,推理端毛利率 60% (Anthropic 目前的 API 毛利率据说已经有 70%+),那么头部模型一年的净利润可以达到近千亿美金,这已经超过 Meta 的利润水平。如果未来训练算力的投入占比持续下降,头部模型的利润率会非常可观。

但这么高的利润率能不能守得住,才是真正的问题。回顾历史,任何行业出现这种 margin 都会吸引激烈的竞争。两年前 Google DeepMind 说过一句话:"We don't have a defending moat, neither does OpenAI",这句话到今天似乎仍然成立。

34、关于需求侧的渗透率,目前 agent 类产品的渗透率可能只有 5% 左右,仍然很低。一个粗略估计是,Codex 周活用户约 400w,Claude Code 可能约 1000w;加上其他 agent 产品,总用户可能在 2000-3000w。相对全球 4 亿左右的高级知识工作者,这个渗透率大概也就是 5%,远远没有到天花板。

35、AI 时代的商业逻辑和互联网时代有一个根本不同:互联网时代单客的客单价是相对固定的,但 AI 时代一个人的客单价几乎没有上限,一个深度用户可以每天消耗上亿 token。Claude Code 现在头部 10% 用户大约贡献了 80%-90% 的营收,power law 非常明显,这意味着渗透率和使用深度是两个独立的增长维度,后者相比前者,可能反而有更大的释放空间。

Insight05

用好 AI 的 bottleneck 在于人本身

36、今年 Q1,模型能力已经跨越了拐点,接下来的核心竞争战场不再是模型智能本身,而是上下文和外部能力的对接。对企业来说是整个经营体系在数字世界里的完整映射,对个人用户来说就是自己的上下文管理。

37、有一位二级朋友分享了自己实际用 AI 辅助投研的完整流程,她从大约一万多家标的出发,搭建了一个多维度、多轮筛选的 agent 工作流。

•第一层是用结构化数据筛选公司的财务健康度:先从 Wind、Bloomberg 等数据源里拉取数据,整体大概有 300 多个维度,把 1 万多家公司按财务质量、估值、成长性、波动、盈利能力、资本结构先筛一遍,剔除基本面不健康的标的。

•第二层是利用非结构化数据做趋势判断:比如可以通过 YouTube API 实时抓取行业关键人物的公开发言,黄仁勋、Dario 等说了什么,同时整合 Stratechery、SemiAnalysis 等深度分析源的内容,形成一些对行业、公司的认知判断。

•第三层是用聪明钱做验证和估值分类:参考特定机构、特定投资人的持仓或方向,结合估值模型做最终筛选。

整个过程花了 2-3 天,人全程参与,从 1 万多家公司,筛到 1000 家、100 家,最后锁定个位数标的,目前选股胜率是 100%。

38、在投研场景里,不需要 SOTA 模型,真正决定效果的,往往是数据域:

•数据 solid 程度如何 (这里可以设计多种维度互相校验);

•数据实时性如何 (比如是否能通过 Yahoo、Youtube 等各类数据源的 API 实时捕捉最新的趋势变化),

这两点最大程度上决定了这个 agent 的上限。换句话说,模型只是发动机,数据域和 workflow 才是投研 agent 的护城河。

39、人的判断没有消失,但人的杠杆被放大了很多。AI 在投研里最强的价值是“宽搜索”。AI 可以在两三天内扫完 1 万家公司的所有数据维度,但人类最强的价值依然是“深度思考”。人类的直觉、对异常信号的感知、对单点问题的判断,仍然非常关键。

40、中国企业的数字化基础普遍很差,包括大互联网公司也是如此,即便数字化做得不错的企业,组织权限的割裂也会严重限制 AI 的效果。一个很现实的例子是,做系统对接时,最高效的方式是把两个系统的源码都拉到一起,让 AI 通读两边逻辑。但现在,不同系统的代码权限分属不同的员工,根本不允许拉通。所以,用好 AI 的 bottleneck 越来越不是模型本身,而是人和组织。谁能把上下文和权限打通得更彻底,谁的组织转速就会更快。

文章来自于"海外独角兽",作者 "Best Ideas 社群"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)