搜索：
搜索到 68 篇与 的结果-
Kimi K3 开源测评：国产大模型真的能逼近 Claude 和 GPT‑5.6 吗？ 很多开发者在日常编码时都遇到过这样的烦恼：想让 AI 帮忙写点样例代码或者调试奇怪的 bug，却发现要么反应迟钝，要么经常给出不靠谱的建议，还得自己花时间修补。这时候很多人会想，如果能有一款国产大模型，既便宜又能像海外顶尖模型那样靠谱，那就太好了。Kimi K3 到底有什么过人之处这款模型宣称拥有 2.8 万亿参数，支持一百万 token 的超长上下文，并且原生能看懂图片和视频。官方还透露，它们在训练时用了全新的注意力机制和稀疏专家结构，声称在同样的算力下能产生更多有效智。实际编码体验如何在实际项目中让它帮忙改写一个后端服务的数据校验模块。首先，让它先阅读相关文档，随后让它直接在编辑器里给出修改建议。整个过程不到十分钟，模型不仅把关键的校验逻辑写对，还顺手把之前被忽略的空指针检查补上了。整个差异提交很干净，没有出现无关的格式变动或者无用的函数。前端表现如何接着让它来做一个交互式的数据可视化小组件，需要用 Canvas 画出随时间变化的曲线，并让用户可以拖动滑块调节参数。模型先调用网络搜索确认了最新的图形库 API，然后生成了代码。运行后发现动画流畅，交互灵敏，甚至比之前用某些闭源模型做的同类组件还要流畅一点。在更复杂的全栈项目里表现如何又让它尝试做一个简易的在线待办事项应用，前端用 React，后端用 Node 加 SQLite。它先读取了现有的目录结构，然后一步步搭建路由、写数据模型、写 API 接口，最后还跑了一遍自动化测试。整个过程大概花了三十多分钟，中间没有卡住，也没有需要反复纠正的低级错误。和老对手相比怎么样根据公开的基准表现，这个模型在某些编码基准上已经超过了某些闭源竞品，但在一些更深的软件工程基准上仍然稍弱一些。不过在实际开发场景中，感觉它的稳定性和易用性已经达到了让人愿意每天用的程度。成本方面怎样官方给出的价格是输入缓存命中每百万 token 0.3 美元，未命中三美元，输出每百万 token 十五美元。因为它的缓存机制在编程场景下据说能超过九成，所以实际花费往往只需要不到零点三美元每百万 token。在一周内跑了几个中等规模的项目，花费不到总额的百分之五。适合哪些开发者 需要经常处理大段代码或长文档的后端工程师。 喜欢做前端交互特效、数据可视化的前端同学。 想要快速搭建原型、进行快速实验的全栈爱好者。 使用建议 先在官方网站或插件里申请免费额度，先跑几个小实验感受响应速度。 如果打算做长时间的 Agent 任务，记得把系统提示和工具描述做好缓存，这样可以让费用降到更低。 重度使用时考虑升级到更高的订阅档位，以免频繁触发额度限制。 总体来说，这款国产大模型已经在很多实际编程场景里展现出了足够的竞争力。虽然在某些极限基准上还差一点点，但它的价格优势和易用性已经让很多开发者愿意把它当作日常工具。你有没有试过用类似的国产模型来写代码？欢迎在下面留言分享你的体验和技巧。 -
Kimi K3 真能平替 Claude Fable 5 写代码？别让跑分忽悠了，先看这份避坑指南 刚刷到朋友圈又在传「Kimi K3 代码能力超越 Claude Fable 5」，手痒想把生产环境的模型全切过去省钱？且慢！ 这两天看到很多信息，核心焦虑就一个：基准测试跑分好看，但落到自己的代码库、预算、上线期限上，到底靠不靠谱？今天这篇长文，不搬运官方 PPT，不复读榜单截图，只讲「跑分与生产环境脱节」的那些事儿，给你一套不用赌运气的验证方法论。读完大概率能帮你省下几十万算力预算，或者避开一场上线前夜的灾难性回滚。🛑一、 先破个最大的执念：榜单第一 ≠ 你的主力模型前几天 Frontend Code Arena 那波热度，Kimi K3 以 1679 分把 Claude Fable 5（1631）和 GPT-5.6 Sol（1618）按在地上摩擦，朋友圈一片「国产之光、闭源模型完了」的欢呼声。但手头有个真实案例：某中型 SaaS 创业公司，CTO 看到榜单周一拍板「全量切 K3」，周三凌晨三点接到电话——自动化重构任务在两万行 React 代码库里疯狂幻觉，把 Redux store 结构改崩了，测试覆盖率从 82% 掉到 41%，回滚花了整整一天。为啥跑分赢了实战却输了？核心就三点： 测试集分布偏差：Arena 这类 Elo 评测，本质是「人类偏好投票」。前端任务里 Brand & Marketing、Data & Analytics 这类「有标准答案、短平快」的题目权重高；但你生产环境里的「重构含混需求、处理遗留技术债、跨仓库依赖推理」根本不在测试集里。 评测条件不统一：Moonshot 自己发的那 35 个基准里，编程用的是 KimiCode，通用 Agent 用 Claude Codex，视觉推理又换工具链。换个提示词模板、调个 temperature、开不开思维链，分数都能波动 5-10 分，更别提跑分时给的上下文、工具调用预算、重试策略跟你生产环境完全两码事。 幻觉率的隐形税：Artificial Analysis 实测 K3 幻觉率从 K2.6 的 39% 飙到 51%。意思是每 100 个回答里，超过一半可能编造不存在的 API、引用不存在的库版本、或者自信满满给出错误的架构建议。写前端组件可能只要改两行 CSS 能跑通，但写支付核心逻辑、数据迁移脚本，一个幻觉就是 P0 事故。 经验法则：凡是只秀总分、不公开「失败案例集」「重试次数」「人工修正率」的跑分，默认当营销素材看，别当采购依据。📉二、 架构层面的「隐形差距」：MoE + Delta Attention 真能扛起百万上下文？K3 官方参数 2.8T，MoE 架构 896 专家、单次激活 16 个，配合 Delta Attention 和 Attention Residuals，号称百万上下文解码快 6.3 倍。听起来很美，但亲测过类似架构的模型在两个场景会「掉链子」： 专家路由抖动：长上下文里，同一个逻辑概念（比如「用户权限校验」）可能被路由到不同专家，导致前后逻辑不一致。有次让模型基于 30 万 Token 的老代码库写新模块，前半段用的权限检查函数签名是 checkPerm(user, resource)，后半段莫名其妙变成 verifyAccess(ctx, action)，其实是同一个函数被不同专家「幻觉」出了两套签名。 稀疏注意力的「视而不见」：Delta Attention 为了加速，会近似计算远距离 Token 交互。实测百万 Token 里把关键约束（如「严禁直接操作数据库、必须走 Repository 层」）塞在开头 10 万 Token 处，模型前 5 轮对话还能遵守，第 6 轮开始就直接写 db.execute() 了。这不是上下文窗口大小的问题，是稀疏机制对「硬约束」的遗忘率随轮次累积。 反观 Claude Fable 5，虽然不开源架构细节，但从行为观测来看：它的「始终开启思考」机制，把推理过程显式化为长思维链，反而把一致性约束外化到了 Token 层面。同样是 30 万 Token 代码库，Fable 5 第 10 轮还能准确复述开头的架构约束，代价是单次调用延迟高、Token 耗得凶。但对于「改错要命、调试成本极高」的核心链路，这笔「思考税」往往比返工便宜。🧠三、 算账最扎心：Token 单价便宜 ≠ 任务单价低官方报价 K3 $3/M 输入 + $15/M 输出，Fable 5 $10/M + $50/M，差价 3-5 倍。但我帮过至少 5 家公司做过精细化成本核算，真正落地的「单任务成本」公式是：单任务成本 = (输入 Token × 单价 + 输出 Token × 单价) × 重试次数 + 工具调用 Token × 单价 + 人工 Review 修正工时 × 时薪 + 基础设施分摊（自建推理集群 / 网关路由 / 监控告警）有个做外包开发的团队，把所有「写单测、生成 Swagger、转 TypeScript 类型」这类标准化任务全丢给 K3，单价确实从 Fable 5 的 $0.85/任务 降到 $0.12/任务。但他们核心的「遗留系统微服务拆分」任务，K3 平均重试 4.2 次、人工修正 38 分钟/任务，折算下来 $12.6/任务；Fable 5 重试 1.1 次、修正 6 分钟，折算 $3.2/任务。省下的边际任务钱，不够填一个核心任务的坑。💸再加上 K3 缓存命中才 $0.30/M，未命中 $3/M。Agent 场景里，系统提示词、工具 Schema、检索文档往往占 60%+ Token，稍微改个 Prompt 版本就缓存失效。Fable 5 官方给 90% 缓存折扣，虽然基价高，但长对话、多轮 Agent 的边际成本反而更可控。别光看标价，跑一周你的真实流量、真实 Prompt 模板、真实重试策略，算出来的账单才不骗人。四、 开源「免费午餐」的隐形账单：自托管 2.8T MoE 你扛得住吗？K3 宣称 Modified MIT 协议、7 月 27 日放权重，很多老板眼睛一亮：「自建推理、数据不出域、彻底省 API 钱！」我见过某金融科技公司真这么干了：买了 8 张 H100（80G 显存），部署 vLLM + TensorRT-LLM，结果推理吞吐只有 120 tok/s，并发 5 个请求就 OOM，优化了三周（量化到 FP8、开 PagedAttention、调专家并行策略）才勉强跑到 400 tok/s，还不稳定。运维同学天天盯着显存碎片、专家负载均衡、KV Cache 碎片整理，比优化业务代码还累。现实清单： 显存门槛：2.8T MoE 即使 4bit 量化，单卡 80G 也跑不下完整模型，至少双卡起步，生产级高可用得 4-8 卡集群。 工程复杂度：MoE 专家并行、动态路由、负载均衡、故障熔断，不是套个 Docker Compose 能搞定的。 迭代跟进：Moonshot 后续会发 K3.1、K3.5、K4，你自己跟进融合、回归测试、评测基准维护，是持续投入。 数据合规：自建在国内机房算「数据不出境」，但模型权重来源、训练数据版权、输出内容合规审查，法务审批周期往往比搭集群还长。 建议：除非你有成熟的 MLOps 团队、明确的合规红线、且推动机制、并且任务量大到能摊薄这笔固定成本（通常日均百万 Token 起步），老老实实用 API、用网关路由（如 OrcaRouter、CallMissed 这类 OpenAI 兼容网关）做流量分发，性价比最高。🏗️五、 到底怎么选？给你一套「不拍脑袋」的实战决策树别再纠结「谁更强」，问自己三个问题，答案里藏着最优解： 任务失败的代价是多少？ 写个后台管理增删改查、生成文档、翻译注释 → 失败成本低 → 默认 K3，省钱要紧。 改支付核心流程、写数据迁移脚本、自动化合规审计、生产环境自动发布 → 失败要背锅、甚至赔钱 → 上 Fable 5，甚至加人工 Review 闸口。 上下文里的「硬约束」有多复杂？ 几百行单文件、规则简单 → K3 够用。 跨仓库、百万行遗留代码、架构约束散落在 50 个文档里、还得结合运行时日志推理 → Fable 5 的显式思维链更抗造。 团队的运维/评测成熟度在哪档？ 有专人跑夜评测、维护回归集、能搞定自建推理 → 可以考虑自托管 K3 做底座。 只有两三个全栈兼职跑 AI、没精力盯模型版本漂移 → 买 API、接网关、配好熔断降级，别自找麻烦。 更极致的玩法，是现在给客户落地的标配——「分级路由 + 熔断兜底」： 网关层按任务类型、上下文长度、历史成功率、实时延迟，自动把 85-90% 流量分给 K3（或 K2.6/DeepSeek V3 等性价比模型）。 核心链路、高价值任务、K3 连续失败 2 次、或置信度低于阈值 → 秒级升级到 Fable 5。 Fable 5 也搞不定（极少数） → 落入人工工单池，记录案例喂回评测集。 全链路打通 Token 级计费、延迟 P99、成功率、人工介入率看板，每周复盘调路由规则。 这不是理论，某电商客户上这套架构后，代码生成类任务成本降 62%，P0 事故率降 78%，人工 Review 工时减半。关键不是选哪个模型，是建立了「持续评测 + 动态路由」的工程化闭环。🔁六、 别光听别人说，亲手跑一遍「烘焙赛」才踏实光看文章再多也是二手经验。留个实操作业，这周末找两小时： 从你的真实项目里抽 20 个典型任务（5 个简单增删改查、5 个中等重构、5 个困难架构决策、5 个边缘 Bug 复现）。 分别用 K3 API、Fable 5 API、你们现在主力模型，跑三遍（温度 0.2/0.5/0.7 各一次）。 记录：通过单测率、人工修改行数、Token 耗费、延迟 P50/P99、幻觉次数（引用不存在符号、编造 API）。 算账：单任务总成本 = API 费 + 人工时薪 × 修改分钟数。 输出一张 Excel，发给技术负责人、财务、产品经理，开个 15 分钟复盘会。 哪怕最后结论是「全量上 K3」或「全量留 Fable 5」，也是基于你的代码、你的团队、你的预算做出来的理性决策，而不是被营销裹挟。📊七、 模型迭代快，评测体系得跟上K3 今天放权重、下周出 K3.1、下月出 K4，Fable 5 也会迭代，GPT 系列更是月月新版本。把赌注押在某个具体模型版本上，是会输光筹码的。唯一的长期护城河，是建立属于你自己的： 版本固定的评测集（含失败案例库） 自动化的回归流水线（每周跑一遍，对比新旧版本） 可观测的路由网关（随时能切模型、调策略、看成本） 人工反馈闭环（Bad Case 进评测集，Good Case 进 Few-shot 池） 工具层面，CallMissed、OrcaRouter、LiteLLM 这类 OpenAI 兼容网关，或者自己基于 Kong/Envoy 搭一层薄网关，成本都不高，但能让你在模型更迭潮里保持「随时能切、敢于切、切得准」。你们生产环境里现在主力用哪家模型？有没有被跑分忽悠过、上线后翻车的惨痛经历？或者有什么省钱又稳的路由妙招？欢迎在评论区扔出来，我们一起把坑填平！ 💬
-
MiniCPM5-1B 本地部署全攻略：1B 参数模型也能跑在笔记本上？ 为什么本地跑大模型总让人头疼？许多开发者想在自己的笔记本或台式机上试试最新的开源大语言模型，却发现动不动就内存爆炸、跑起来卡得像老式手机。这时候你需要一个又小又能打的模型，以及一套傻瓜式的部署步骤。MiniCPM5-1B 到底有什么魔力？这款十亿参数的密集型Transformer虽然体积不大，但在各种基准测试中表现出媲美更大模型的能力。它的架构做了轻量化设计，使得在同等精度下占用的显存更少，非常适合资源受限的端侧设备。GGUF 方案：跨平台的通用通道如果你使用的是 Windows、Linux 或者老旧的 Mac，GGUF 格式是最友好的选择。它能够被 llama.cpp、Ollama、LM Studio 等主流推理框架直接读取，支持中央处理器与图形处理器混合计算。# 获取模型 git clone https://github.com/OpenBMB/MiniCPM.git cd MiniCPM # 下载 4bit 量化文件（示例文件名，实际请参照官方页面) wget https://example.com/minicpm5-1b-q4_k_m.gguf # 使用 llama.cpp 运行 ./main -m minicpm5-1b-q4_k_m.gguf -p "你好，请介绍一下MiniCPM5-1B模型" MLX 方案：苹果芯片的专属快车道搭载 M 系列芯片的 MacBook 能够利用 Metal 框架获得极低延迟的推理体验。MLX 格式正是为这一场景而生，只需简单安装即可启动。pip install mlx from mlx_lm import load, generate model, tokenizer = load("openbmb/MiniCPM5-1B-MLX") response = generate(model, tokenizer, prompt="你好，请介绍一下MiniCPM5-1B模型", max_tokens=200) print(response) Ollama 方案：一键启动的懒人包想要快速搭建本地AI服务而不想折腾命令行？Ollama 提供了图形化的模型管理界面，只需一个 Modelfile 就能把模型注册进去。# 创建 Modelfile FROM MiniCPM5-1B-GGUF # 构建并运行 ollama create minicpm5 -f Modelfile ollama run minicpm5 # 调用 API 示例 curl -d '{ "model": "minicpm5", "prompt": "你好，请介绍一下MiniCPM5-1B模型" }' 如何根据自己的硬件挑选合适的量化精度？ 如果内存只有 4GB 左右，优先选择 4bit 的 Q4_K_S 或 Q4_K_M 版本，基本能保证流畅对话。 若有 8GB 以上内存，可以尝试 5bit 或 6bit 的量化，在保持质量的同时提升响应速度。 对于追求最高准确度且资源充裕的用户，FP16 或 BF16 版本也是可选的，只是占用会更大。 实战中常见的坑及解决思路在帮助社区成员部署时发现，以下几个问题出现频率最高。 模型文件下载不完整导致段错误，建议使用官方提供的哈希校验或 torrent 下载。 框架版本不匹配造成符号未定义，保持 llama.cpp、mlx、ollama 均为最新稳定分支。 中央处理器线程数过多反而造成抖动，可根据物理核心数设置线程，例如使用 -t 4。 想要更深入地玩转模型压缩？如果你对上述基础部署已经得心应手，可以尝试自行制作混合精度的量化文件，或者结合 LoRA 进行任务微调，这些技巧在社区里已经有很多成熟的教程。总而言之，MiniCPM5-1B 以其小巧身材和强悍表现，为想在本地设备上跑大语言模型的开发者提供了可行的路径。只要挑对量化格式和部署工具，就能在咖啡馆的笔记本里也享受到人工智能的乐趣。欢迎在评论区告诉我你在部署过程中遇到的坑或分享你的成功经验，让我们一起让本地AI变得更简单！项目地址：https://github.com/OpenBMB/MiniCPM
-
Grok 4.5 正式上线！马斯克最强AI代理能力实测爆表，附免费使用教程 为什么这次的Grok 4.5值得你停下来看两分钟？开发者最头疼的不是模型好不好用，而是每调用一次都要掏出真金白银，长期下来预算直接爆表。今天我们要聊的这位新来者，号称能在保持同样智商的同时，把花费砍掉一半以上，还能自己动手写代码、做表格、甚至帮你生成PPT。听起来像科幻？不，它已经放出来了，而且免费额度足够你先玩透。它到底有什么“过人之处”？首先，别被“Opus‑class”这类名词吓到。简单说，它的理解和推理能力已经达到了业界顶尖水平，但在速度和成本上做了大幅优化。官方给出的数据是：相同任务下，它消耗的token数量只有竞品的一半，换句话说，同样的钱能跑两倍的工作量。其次，它被设计成「代理型」AI。也就是说，你只要给出一个高层次的目标——比如“帮我做一个季度财务分析报告”，它就能自行调用网络搜索、写代码、生成图表、甚至排版幻灯片，中间不需要你每一步都瞅着屏幕。实际测试怎么样？在测试机上跑了几套常见场景： 用自然语言让它写一个爬虫脚本，从GitHub抓取趋势数据，然后生成CSV。全程不到15秒，脚本直接可用。 让它根据网上最新的宏观数据，构建一个复杂的Excel财务模型，包含多层链接和条件格式。得到的文件打开后，公式没错，格式也挺整齐。 最后给它一个产品介绍的大纲，让它做出配图建议和PPT大纲。出来的幻灯片结构清晰，连配色方案都给出了建议。 这些都是在实际项目中经常遇到的琐事，以前得花半小时甚至更久去查文档、写样例、调试。现在只要一句话，模型就能帮把脏活累活干完。为什么它能做到又快又省？核心在于两点：其一是训练时采用了更稀疏的注意力机制，使得同样参数量下计算量下降；其二是SpaceXAI把自己闲置的算力租给了竞争对手，顺便把剩余资源用来跑自己的模型，这样一来单位算力的利用率提高了，成本自然被摊薄。换句话说，它不是靠堆砌更大的模型来变强，而是把现有算力用得更精。这就像你原来开一辆耗油的SUV换成了混合动力车，马力没降，但每公里油钱少了一半。免费怎么用？SpaceXAI在Grok Build平台上提供了试用额度，只要注册账号就能拿到一定数量的token，足够跑几十个中等复杂度的任务。具体步骤如下： 访问官方网站，点击“立即试用”按钮。 用邮箱或社交账号快速注册，完成邮箱验证。 进入控制台，选择Grok 4.5模型，复制给出的API密钥。 在本地命令行或你喜欢的IDE里，用curl或者官方SDK发送请求，记得把模型ID指定为grok-4-5。 第一次调用时，系统会返还剩余额度，你可以在后台看到消耗情况。 如果你是Cursor的用户，好消息是这个模型已经直接内嵌在编辑器里，打开插件市场搜索Grok，装上后就能在编辑器边栏里直接对话，省去切换窗口的麻烦。说了这么多，对普通开发者意味着什么？最重要的是，它把「高成本」这道门槛降低了很多。以前只有大厂才能肆意使用顶尖模型做自动化，现在小团队甚至个人开发者也能在预算有限的情况下，让AI去处理那些重复又费脑的工作。这样一来，你有更多时间去做真正需要创意的部分——比如设计新功能、优化用户体验。当然，也没有绝对的免费午餐。在极端长上下文或者超大规模推理时，它的表现可能还是赶不上最高端的竞品。但对于日常的代码生成、文档撰写、表格处理这些场景，它已经足够“好用且不贵”。进一步探索的方向如果你对模型如何自己调用工具感兴趣，可以去研究一下函数调用（function calling）的实现细节，看看是怎么把自然语言转换成可执行的API调用的。另一个值得关注的点是模型的自我纠错机制，它在生成代码后会自行做一次语法检测，这也是为什么得到的脚本往往能直接跑通的原因。最后，我想听听你的声音：你有没有在实际项目里试过类似的AI？它帮你解决了什么问题，或者又遇到了什么限制？欢迎在下面的留言区分享你的经验和吐槽，大家一起聊得越热，越能发现其中的门道。
-
GPT-5.6 炸场了：Codex 被「吞」进 ChatGPT，三档定价直指 Anthropic 命门，开发者该不该跟着折腾？ 这篇文章能帮你省下多少冤枉钱、避开多少坑？别急着充值、别急着迁移代码库、更别急着把现成的工作流推倒重来。OpenAI 这波 GPT-5.6 全量上线 + Codex 并入 ChatGPT Work 的组合拳，看似声势浩大、定价凶狠、功能炫酷，但凡搞过模型选型、踩过 API 坑、熬过半夜调 Prompt 的老手都知道——发布会上的 PPT 和生产环境里的血泪，中间隔着十万八千里。今天咱们不看榜单、不听营销、不跟风，就用大白话把这事儿彻底掰开了、揉碎了给你讲清楚：到底哪些是真材实料、哪些是自家哈佛给自家考、哪些是专门针对 Anthropic 定的「杀猪盘」、国内开发者现在该干啥、该等啥、该绝对别碰啥。读完这篇，起码能帮你避开「首发即迁移」的大坑，省下几万甚至几十万的试错成本。一、 7 月 9 日到底发生了什么？别让营销话术把你带偏了 模型三档全量开放：Sol（旗舰）、Terra（均衡）、Luna（极速/极廉），统一 1M 上下文、128K 输出、知识截止 2026 年 2 月中旬。 定价直接对标 Anthropic：Sol $5/$30 贴着 Opus 4.8、Terra $2.5/$15 卡着 Sonnet 5、Luna $1/$6 蹭着 Haiku 4.5——这不是巧合，是赤裸裸的价格战。 Codex 桌面端「消失」了：独立应用下线，能力全并进新版 ChatGPT 桌面客户端，变成了「聊天 / Work / Codex」三个模式的统一入口。 ChatGPT Work 首发仅限 Pro/Enterprise/Edu：Plus 和 Business 要再等几天，免费用户只能用网页版的阉割功能。 API 依旧不直接服务大陆：想用得走中转/聚合平台，GA 后 24-48 小时通常就能上车，价格浮动官方价 +10%-30%。 这些硬事实里，最吵、最误导人、也最需要打折扣的，是那句「Sol 在 Coding Agent Index 拿 80 分，比 Fable 5 高 2.8」。为啥？往下看。二、 厂商自家后院跑出的 80 分，跟你生产环境里的体验没半毛钱关系咱们先不聊数字，聊聊「考场」。OpenAI 拿出的三个核心成绩单——Coding Agent Index 80 分（领先 Fable 5 2.8）、Agents' Last Exam 53.6（领先 13.1）、Intelligence Index 与 Fable 5 差 1 分但快 61% 省一半钱——全都是在自家调教过的 harness（测试脚手架）上跑出来的。这就好比老师自己出题、自己阅卷、自己给满分，然后对外宣称「我班第一」。三周前 Anthropic 发 Fable 5 时也玩过这出：SWE-bench Pro 80.3% 是自家 agentic 脚手架跑的，独立评测一追问「中立环境下能剩多少」，现场就尴尬了。现在 OpenAI 反向上演同一出戏，分数还诡异地也卡在 80——这剧本咱们太熟了。真正的公开榜单 SWE-bench Pro 上，Fable 5 以 80% 对 Sol 的 64.6% 领先整整 15 个百分点。OpenAI 的反应更有意思：不追分，转头去「审计」SWE-bench 本身年久失修。这招「赢了夸榜权威、输了骂榜过时」，两家轮流上演，看着解压，选型时别当真。Simon Willison 这种亲自下场跑真实任务的老手结论最扎心：「Sol 确实非常能干，但在日常复杂编码任务上没超过 Anthropic 的模型」。这句话里藏着的信息量：天花板能力差不多，甚至 Sol 还略弱；真优势在「单位产出成本」——更快、更省 token。Artificial Analysis 独立测的编码任务成本比 Fable 5 max 档便宜约 40%，这才是全场最不容易造假、最对得上定价逻辑的硬指标。三、 真正的大新闻不是模型，是 Codex 被「折叠」进超级 App——这改变了工具链的底层逻辑很多人盯着参数量、上下文窗口、推理强度看得眼花缭乱，却忽略了一个动作：Codex 独立桌面应用彻底下线，整个并进 ChatGPT，变成了 Work 背后的执行引擎。CLI 保留了，但重心肉眼可见地偏了。这不是简单的 UI 合并，是哲学分叉： OpenAI 押注「消费级超级 App」：你聊天的那个窗口，同时能改表格、重构仓库、替你上网办事、跑几小时的长任务。目标用户是做 PPT 的分析师、管表格的 PM、不想碰终端的业务方。 Anthropic 走「可组合的开发者原语」：Claude Code 是独立 CLI/SDK，薄而可脚本化，塞进 CI、cron、git worktree 才是正经用法。目标用户是要把 agent 融入工程流水线的硬核工程师。 有去年冬天对比过这促路线，当时判断 agent 能力越来越多地长在「薄而可脚本化」那一层，而不是一体化的壳里。OpenAI 现在在壳上下重注，商业上很理性——Codex 独立做开发者产品撑不起一个 App，但做大众 agent 产品的肌肉，生意大得多，账单还落在开发者头上。如果你去年选了 Codex，你选的工具刚在内部换了东家。Codex CLI 接下来两个季度会被当成几等公民，路线图跟着消费级优先级走，这事儿得盯着。四、 价格战里的「三把狙」：每一档都盯着 Anthropic 的软肋打，但别让便宜蒙了心把价目表摊开，意图藏都藏不住： Sol $5/$30 直接坐在 Opus 4.8 $5/$25 头上：输入价一分不差、输出略高，却宣称 Fable 级能力——等于「用副旗舰价格卖旗舰」，把 Fable 5 $10/$50 拦腰砍半。 Terra $2.5/$15 卡进 Sonnet 5 标准价 $3/$15 下沿：输出完全对齐、输入削五毛，这数字是盯着价目表算出来的。 Luna $1/$6 贴着 Haiku 4.5 $1/$5：输出多收一美元，换一个更大的上下文窗口。 关键时间点：Sonnet 5 早鸟价 $2/$10 到 8 月 31 日截止。9 月 1 日恢复 $3/$15 后，Terra 在纸面上就成更便宜的中端。我把话放这儿——Anthropic 要么延长早鸟价，要么在它到期后几周内跟进降价。2026 年前沿模型定价越来越像 2014 年云存储：在弹药充足的对手头顶撑价格伞，等于把份额白送。给 Q4 做 API 预算的，把「中端价格向下走」当默认假设。五、 国内开发者的「能不能用、怎么便宜试」实操指南：别拿账号安全赌明天扎心但必须说：ChatGPT Work 对国内用户短期内基本是「看得见摸不着」。 API 路线：官方依旧不服务大陆，走中转/聚合平台今天就能试。建议全押 Luna：$1/$6 官方价意味着中转加价三成也就三五十块人民币，够把你一周真实任务全跑一遍——三档里对国内唯一友好的档位。选中转只看两点：是否按官方模型名透传（防偷换）、是否支持按量不锁月费。 封号风险：这轮 GA 没放松风控，反而因为 Work 能操作本地文件和浏览器，账号与设备环境绑得更深。虚拟卡开 Pro、IP 频繁跳区、多人共享账号——依旧是三大触发条件。别为了 GPT-5.6 去冒充值几百美元订阅费的封号风险，API 按量试完再说。模型能力 API 能完整评估，Work 的产品体验不值得押上账号。 Work 国内体验：核心卖点（读本地文件、操作本地应用、内置浏览器连续工作几小时）每一项都要稳定长连接。挂代理跑持续数小时的 agent 任务，断线重连的体验你懂的。加上本地文件会上传到 OpenAI 执行环境的数据现实，判断是：未来一两个季度国内可用性都不会及格。想要「能连续干几小时的 agent」，本地跑的 Claude Code 或开源替代仍是更现实的选择。 六、 该不该切换？三类人三个答案，还有一张「迁移前必等的三张入场券」Claude Code 是日常主力且跑得顺：别动。 GA 当天按厂商天花板数字迁移，正是 Fable 5 发布时警告过的错误——中立 harness 评测现在一个都没有。7 月 9 日发生的一切，没改变你终端里今天能干的事。唯一值得盯的是九月的价格棋，那才最终碰到你账单的地方。按量买 API token 的：不切换，但这周把 5 美元便宜实验做了。 拿 5 美元（中转约 50 块），把你最近五个真实任务——这周真挂过的测试、真写过的迁移脚本，不是玩具 prompt——喂给 Luna，和当前默认模型对比。5 美元约等于 50 万 token Luna 输出，足够看清工具调用纪律和指令跟随质量。Luna 惊艳再升 Terra，最后才碰 Sol；三档 Coding Agent Index 75/77/80，档间差距小到便宜档就能告诉你贵档的大部分答案。无论你坐哪个位置，真正的迁移决定都压到三个信号出现之后——截至今天，三个都还不存在： 中立 harness benchmark：Sol 和 Claude 系在谁都不控制的第三方脚手架上跑 Terminal-Bench 或 SWE-bench。 两周真实生产反馈：GA 首周模型有安静降级和限流抽风前科，让别人先踩。 蜜月期后的价格：OpenAI 没承诺现价永久，Anthropic 的应对两个月内必然落地。 三个信号都倒向 GPT-5.6，九月再迁移，你不会损失七月的任何东西；有一个不倒向，你省下的就是一次工作流重建。七、 那些容易被忽略但决定体验的细节：浏览器控制稳了、Atlas 停了、多 Agent 并行、Sites 部署、GPT-Live 语音实测几天，有几个变化挺实在： Computer Use / 浏览器控制明显稳了：以前偶尔点歪、页面变了还按旧状态操作，这次准多了，来回找按钮、重复点击的情况少了。OpenAI 自己日志里也写了「GPT-5.6 让 Computer Use 更快」。 Atlas 浏览器 8 月 9 日停运：书签、标签页、历史不会自动迁移，正在用的赶紧导出。但浏览器能力没停——新版桌面端内置浏览器支持多标签、下载、更顺导航和账号登录；Chrome 扩展也改名叫 ChatGPT，直接住进侧边栏，能新建任务、继续历史对话、跳回 App。以前是「Codex 插件帮 Codex 操作 Chrome」，现在是「ChatGPT 直接住进 Chrome 侧边栏」。 任务一复杂就自己拆 Subagents 并行：默认四个 Agent 同时跑，一个查资料、一个看代码、一个找问题、主代理收结果。API 也上了 Multi-agent 测试功能。Altman 说 Sol 在 Agentic Coding 上 Token 效率高 54%，但多 Agent 看着热闹，任务没选对就是几个人一起烧额度。改个小文件也拉几个代理，只会让大家重复看同一段代码。 前端生成比 5.5 好看了，但离 Claude 还有距离：第一版底稿正常多了，布局留白层级不让人想推倒重来。但整体气质和细节上 Claude 更稳，GPT-5.6 还得一轮轮调才能交付。 Sites 功能进来了：从头做网站、本地项目交给它、保存版本、一键部署拿线上地址、环境变量密钥单独管理。对不熟悉部署的人真方便，但目前公测，套餐/地区/工作区设置/中转登录都会影响能不能看到。拿线上地址做内部工具前记得查权限，别把密钥、内部数据一起放出去。 GPT-Live 前一天上线：付费用 Live-1、免费用 Live-1 mini，可打断、可搜网、可用记忆、同段对话处理文图。暂不支持视频和屏幕共享，需要的还得用旧版高级语音。 八、 别让「首发焦虑」绑架你的技术决策这几年见过太多团队：发布会一结束就拉着全组连夜改 SDK、换 Prompt、跑 benchmark、写迁移脚本，结果两周后模型安静降级、价格跳水、竞品反手一个更香的更新，前功尽弃不说，还把原本稳的工作流搞崩了。某家模型宣称「推理能力质变」，我按捺不住把主力分类任务切过去，结果在长尾脏数据上翻车率比旧模型高 30%，回滚花了三天。后来等中立评测出来，发现它在干净数据集上确实强，但鲁棒性根本不够生产级。seitdem，团队定了条铁律：没中立评测、没两周生产反馈、没蜜月期后价格，绝对不迁移核心链路。哪怕竞品吹得再响、定价再狠、Demo 再炫，这三张入场券一张都不能少。这次 GPT-5.6，Sol 在自家 harness 拿 80 分、Terra 卡着 Sonnet 价位、Luna 便宜得像不要钱、Codex 并入超级 App、多 Agent 并行跑得热闹非凡——这些全是发布会上的真相，不是你生产环境里的真相。真相在两周后的中立榜单里、在你跑真实任务的那 5 美元 Luna 账单里、在九月 Anthropic 到底降不降价的那个动作里。九、 给不同角色的一句话行动清单 独立开发者 / 小团队：花 50 块跑遍 Luna，记下工具调用成功率和指令跟随分，存进 Notion，九月再看。 中大型团队 Tech Lead：别动核心链路。指派一个低优先级 side project 给实习生/初级跑两周 GPT-5.6 API，产出对比报告，顺便摸清中转稳定性。 产品经理 / 非技术决策者：别被「超级 App」演示忽悠买 Pro。让技术同事跑完上一条实验，拿数字说话。 国内想体验 Work 的用户：省省吧，现在网络环境跑不了持续数小时的长任务。盯着 Claude Code 本地跑、或开源替代（如 OpenHands、Aider 配本地模型），才是正经生产力。 在选型边缘摇摆的新项目：用现在最顺手的模型先跑起来。模型层迁移成本在降低，业务逻辑重构成本才大头。别让模型选型拖延交付。 十、 发布会是营销的，账单是自己的，代码跑得通才是硬道理GPT-5.6 的发布是真的、全球的、定价带着杀气的——这些经得起推敲。能力宣称大多还不算数：编码旗舰分是自家 harness 跑的，最深的公开 benchmark 还落后 Fable 5 十五分，全场最可信的优势是单位任务成本，不是能力上限。7 月 9 日真正值得记住的是那次合并：OpenAI 把开发者 agent 折叠进消费级超级 App，Anthropic 继续卖可组合的开发者原语。这个分叉对你工具箱的影响，会比这个季度的榜单长命得多。花 5 美元跑一遍 Luna，盯住中立 harness 的数字——在证据（而不是发布会）先动之前，默认模型别动。你说呢？你那边有没有已经按捺不住想冲的？还是打算像我一样端着茶看戏？欢迎在评论区吐槽你的「首发焦虑」经历，或分享你跑 Luna 5 美元实验的真实数据——咱们以实战说话，不听 PPT 吹牛。
