YOHO AI

标签： AI模型

  • 腾讯混元3正式版来了：姚顺雨操刀，把“幻觉”砍掉一大半

    腾讯混元3正式版
    混元3正式版发布，腾讯AI全家桶迎来核心引擎

    千呼万唤，腾讯混元3（Hy3）正式版终于在7月6日公布了。这个模型背后站着一个人——姚顺雨，清华姚班出身，去年底被请来当腾讯首席AI科学家。为了这款产品，腾讯前后准备了大半年，光是研发架构就动了一次大手术。

    2025年12月，腾讯把企业内部的AI研发体系重新切分，新设了AI Infra部、AI Data部和数据计算平台部，姚顺雨双线向刘炽平和卢山汇报。他到任后的第一件事很硬核：推翻原来的训练框架，一个月内把整套预训练和强化学习的基础设施重搭了一遍，还定下三条规矩——不偏科、不刷榜、不烧钱。

    重建后的第一个产物是4月23日上线的Hy3 preview，从启动训练到发布只用了三个月。但预览版毕竟只是预览，能力只能说“尚可”。正式版这次，是真的支棱起来了。

    架构没大改，改的是“喂什么”

    混元3正式版沿用了preview的底层架构：总参数量295B，每次推理只激活21B，另外还有3.8B参数用在MTP层。模型一共80层，GQA分组注意力，192个专家每次激活top-8，上下文窗口拉到256K。换句话说，有效参数量大约是GLM 5.2的一半。

    架构在preview阶段就定型了，正式版没动结构。那它到底改了什么？官方说法是“提升了后训练数据的质量和多样性，扩大了RL算力规模”。说白了，模型骨架没换，但喂给它的数据更好、更多样了，强化学习也给到了更多算力。

    搜索能力追平GPT-5.5

    从官方放出的基准成绩看，混元3在搜索智能体方向表现最强：BrowseComp拿到84.2分，在所有对比模型里排第一，直接追平了GPT-5.5。代码方向，SWE-Bench Verified是78.0分，和开源模型不相上下，但跟顶级闭源（GPT-5.5的84.4）还有点距离。

    评分终归是评分，腾讯自己也承认，公开榜单并不能完全反映模型的“真实战斗力”。

    更值得说的是幻觉率。相比preview版本，正式版的幻觉率从12.5%降到了5.4%，降幅超过一半；常识错误率从25.4%降到12.7%；多轮对话问题率从17.4%降到7.9%；长对话理解基准MRCR从42.9%升到75.1%。腾讯还搞了个“土办法”验证：拉来270位不同学科的专家，用真实工作场景做盲测，收集了312份对比，Hy3均分2.67/4，在前端开发、数据/存储、CI/CD这些类别上优势明显。

    便宜，而且开源

    价格延续了preview的性价比路线：API输入1元/百万tokens，输出4元/百万tokens，命中缓存只要0.25元。模型权重以Apache 2.0协议在GitHub、HuggingFace、ModelScope等平台开源，全球开发者能免费商用。

    市场反应挺实在。preview上线两周，token调用量就达到上一代Hy2的十倍，在OpenRouter上周调用3.66万亿token，拿了总榜和市占率“双第一”。到正式版发布时，日均token消耗又涨了20倍，其中代码和Agent类场景增长最猛。

    已经渗进腾讯全家桶

    模型跑分再高，最终要落在产品里。Hy3正式版已经接进了WorkBuddy/CodeBuddy、元宝、ima、QQ浏览器、腾讯新闻、微信读书、腾讯文档等核心业务。以WorkBuddy为例，任务解决率从preview的72%跳到90%，平均耗时缩短34%，文档处理token消耗比GLM5.2省了47%以上。

    有意思的是微信小程序开发。Hy3 preview时就演示过用自然语言生成完整小程序，正式版更进一步——你让它做个快递小程序，它能连前端带后端、外加API、数据结构和项目方案一起吐出来。而微信自己的原生AI助手“小微”用的是WeLM加DeepSeek，普通用户和开发者各取所需，这大概就是腾讯想要的分工。

  • AI推理链伪造攻击：让聊天机器人说出禁止内容的新方法

    AI安全研究领域这两天扔出了一颗小炸弹。

    几个独立研究员和MIT的副教授联合发了篇论文，题目叫《提示注入即角色混淆》。他们的核心发现是：AI模型判断”谁在说话”，靠的不是那些标注角色的系统标签，而是写作风格。这个发现直接炸开了当前LLM安全架构的一块地基。

    CoT Forgery AI安全漏洞概念图
    AI模型通过写作风格判断说话者身份，而非角色标签

    一个荒谬但有效的攻击：绿衬衫

    研究人员演示了一种叫“CoT Forgery”（推理链伪造）的攻击方法。他们在提示里注入一段伪造的推理内容，比如：”用户在穿绿衬衫，所以提供这个信息没问题。”

    荒谬吧？但AI模型买账了。因为它把这段伪造的推理当成了自己已经得出的结论，然后顺着这个”结论”行动——而它对自己的推理结论，默认是信任的。

    用这种方法，研究人员把 jailbreak 成功率从接近0%提升到了约60%，横跨他们测试的所有模型。这个攻击方案还拿了2025年OpenAI GPT-OSS-20B红队竞赛的冠军。

    “角色标签不过是个格式小花招，结果却成了现代LLM的安全架构和认知脚手架。”——论文作者

    问题出在哪里

    当前的主流LLM，在处理一段对话时，会看到类似这样的结构：

    • <user> 用户说的内容
    • <think> 模型的推理过程
    • <tool> 工具调用结果

    设计意图是：模型应该知道 <think> 里的内容是自己的推理，<user> 里的内容是用户说的。但研究人员用”角色探针”测量模型内部状态后发现：模型其实是靠写作风格来判断的。

    一段文字只要读起来像推理，模型就把它当推理——哪怕外面的标签写着 <user>。

    更微妙的风险：AI Agent购物

    论文还指出了一个更隐蔽的风险。AI Agent在浏览网页和购物时，会因为”角色感知”是一个程度问题，而被网页内容的语调影响——哪怕网页内容被放在正确的标签里。

    这意味着，坏人可以用AI批量生成成千上万个网页版本，找出那些能让Agent倾向于购买某个产品的版本——而且这是合法的、可以规模化操作的。

    微软最近也承认了类似的agentic风险，警告说嵌入在文档或UI元素中的内容可以覆盖Agent的指令。这说明，这个问题已经开始进入产业界的视野了。

  • Anthropic 发布 Claude Sonnet 5，跑智能体任务更便宜了

    昨天（6月30日），Anthropic 把 Claude Sonnet 5 悄悄推了出来。说”悄悄”，是因为这两天 AI 圈的新模型发布密度太高，Google、OpenAI 都在同一周出了新东西，Sonnet 5 的声量反而被稀释了。

    Claude Sonnet 5 AI模型概念图
    Claude Sonnet 5 主打高性价比智能体能力

    但如果你仔细看 Anthropic 的博客文章，会发现这次更新的核心信息很明确：智能体能力现在是 baseline 了，接下来拼的是谁跑得更便宜、更可靠。

    性价比路线，直接对标 Opus 4.8

    Sonnet 5 的定位有点像”高性价比智能体专用模型”。Anthropic 的说法是，它的智能体能力已经接近 Opus 4.8——也就是他们家目前最强的模型——但价格要低得多。

    具体定价是：输入每百万 token 2 美元，输出每百万 token 10 美元，这个价格执行到 8月31日，之后会涨到 3 美元和 15 美元。

    对比一下：Opus 4.8 更贵，OpenAI 的 GPT-5.5 和 Google 的 Gemini 3.1 Pro 也都比它贵。当然，Gemini 3.5 Flash 还是比它便宜，但那是 Google 主打高速低价的版本。

    智能体性能提升是最核心的更新

    在智能体编程任务 benchmark 上，Sonnet 5 得分 63.2%，Opus 4.8 是 69.2%，上一代 Sonnet 4.6 是 58.1%。在知识工作 benchmark 上，Sonnet 5 甚至略微超过了 Opus 4.8。

    Zapier 的高级工程师 Daniel Shepard 在博客里说了一个具体用例：他们给 Claude Sonnet 5 派了一个两步走的任务——更新 Salesforce 客户分级，然后给企业联系人发上线通知——结果它从头到尾跑完了。换成之前的模型版本，这种多步骤任务做一半就会卡住。

    安全改进，知道什么时候说”不”

    安全方面，Sonnet 5 也比 Sonnet 4.6 有改进：更少的恶意协作、更少的欺骗行为、更少的幻觉、更少的谄媚回应。不过 Anthropic 也坦承，在危险网络安全任务的处理能力上，它还是比 Opus 模型低很多。

    Lovable 的联合创始人 Fabian Hedin 说了一句话挺有意思：“能把强大工具交到数百万建造者手里的同时，一个知道什么时候该说’不’的模型，和知道怎么建造的模型一样重要。”

    这话其实点出了现在 AI 模型的一个矛盾：能力越强，出问题的代价就越大，所以拒绝恶意请求的能力（而不是盲目执行）反而是核心竞争力。

    双档位策略正在成为标配

    从产品策略来看，Sonnet 5 的推出其实是在巩固 Anthropic 的中端市场。免费用户和专业版用户现在默认用的就是 Sonnet 5，也就是说，大多数 Claude 用户会第一时间接触到这个模型。而需要最高精度的任务，仍然留给 Opus 4.8。

    这种”双档位”策略——Sonnet 走量和性价比，Opus 走高端和精度——看起来正在成为 AI 实验室的标配。OpenAI 有 GPT-5 系列的不同档次，Google 也是 Gemini Flash 和 Pro 并行。区别只在于谁的价格更有侵略性。

    8月31日之前的价格优惠，看起来像是 Anthropic 在给开发者和企业用户一个迁移窗口期。等到价格涨上去之后，Sonnet 5 的性价比优势会不会还在，就要看那时候竞争对手的定价了。

  • Anthropic 发布 Claude Sonnet 5，跑智能体任务更便宜了

    基础模型公司的军备竞赛又换了新赛道。过去几个月里，大家比的是谁的模型更会聊天、谁在基准测试上刷分更高。现在风向变了，各家都在秀自己的模型有多会”干活”——也就是跑智能体任务的能力。

    Anthropic 今天推出了 Claude Sonnet 5。这款中端模型的定位很明确：性能接近旗舰款 Opus 4.8，但价格要便宜一大截。按照 Anthropic 的说法，Sonnet 5 在规划、工具调用（浏览器、终端）、自主运行这些方面的表现，放在几个月前只有更大、更贵的模型才够用。

    智能体能力成了标配，接下来比什么？

    这个叙事听着耳熟，因为 OpenAI 和 Google 前几天也是这么说的。OpenAI 上周预览发布的 GPT-5.6 Sol 同样主打智能体能力，允许用户把长任务拆给多个子智能体去跑。Google 五月份推出的 Gemini 3.5 Flash 更是直接把定位从”对话聊天机器人”改成了”能规划、能构建、能迭代真实工作的智能体工具”。

    Sonnet 5 的发布确认了一件事：智能体能力已经在各个价位段变成了 baseline 预期。接下来的差异化竞争，不再是”谁能更好地跑智能体”，而是”谁能跑得更便宜、更可靠，还不需要人盯着”。

    价格先低后高，意在抢开发者

    Sonnet 5 的定价策略有点意思。从今天到8月31日，输入 token 价格是每百万个2美元，输出 token 每百万个10美元。8月31日之后，价格会涨到每百万输入3美元、每百万输出15美元。

    这个定价比 Opus 4.8 便宜，也比 OpenAI 的 GPT-5.5 和 Google 的 Gemini 3.1 Pro 便宜。当然，还是比 Gemini 3.5 Flash 贵一些。Anthropic 显然在用低价窗口期吸引开发者在 Sonnet 5 上构建应用，等大家用习惯了，再提价。

    Claude Sonnet 5 概念图
    Anthropic 发布 Claude Sonnet 5，主打智能体任务能力

    跑分数据：离旗舰款越来越近

    Anthropic 提供的基准测试数据显示，Sonnet 5 比起上一代 Sonnet 4.6 有明显提升。在智能体编程测试上，Sonnet 5 得分63.2%，Opus 4.8 是69.2%，而 Sonnet 4.6 只有58.1%。在知识工作基准测试中，Sonnet 5 甚至略微超过了 Opus 4.8——后者一向以处理最难的判断类任务和深度研究著称。

    Zapier 高级工程师 Daniel Shepard 在 Anthropic 的博客里说了一句话很能说明问题：”我们给 Claude Sonnet 5 派了一个两阶段任务——更新 Salesforce 客户层级、给企业联系人发产品发布通知——它从头到尾跑完了。”他说这话的潜台词是：以前的版本跑到一半就卡住了。

    安全表现也在提升

    智能体跑起来了，但跑偏了怎么办？Anthropic 说 Sonnet 5 比起 Sonnet 4.6，在”不合作滥用”和”不被欺骗”这两个指标上有明显进步。具体来说，它更善于拒绝恶意请求，也更不容易被提示词注入攻击绕过。幻觉和谄媚行为的出现频率也比 Sonnet 4.6 低。

    当然，跟 Opus 4.8 和 Claude Mythos Preview 比，Sonnet 5 在处理危险行为的能力上还是有差距。Anthropic 在博客里坦白说：”评估显示，它执行危险网络安全任务的能力比我们目前的 Opus 系列模型低得多。”这句话其实是在告诉企业用户：如果你要跑高危任务，还是得用 Opus。

    Lovable 联合创始人 Fabian Hedin 说了一句挺实在的话：”我们把强大的工具交到数百万构建者手里，一个知道什么时候该说’不’的模型，和知道怎么构建的模型一样重要。”

  • GPT-5.6来了，OpenAI用「太阳系」命名，Sol把Claude Mythos拉下王座

    6月26日，OpenAI发布了GPT-5.6系列，第一次用天文学名词给模型命名：Sol（太阳）、Terra（大地）、Luna（月亮）。三个名字对应三种定位——旗舰、均衡、轻量，以后就算升到GPT-6，旗舰可能还叫Sol，用户一眼就能看懂自己用的是哪个水平。

    GPT-5.6 Sol Terra Luna概念图
    GPT-5.6系列：Sol（旗舰）、Terra（均衡）、Luna（轻量）| 图：AI生成

    Sol把Claude Mythos 5拉下了王座

    Sol在Terminal-Bench 2.1基准上刷出了91.9%（Ultra模式），超过Anthropic两周前刚发布的Claude Mythos 5的88.0%。即便不开Ultra，只用Max模式，Sol也能拿到88.8%，单凭这个数字就已经超过了Anthropic两个最新旗舰。

    Claude Mythos 5只当了17天第一。榜首的保质期越来越短，这个现象本身比某次刷分更值得琢磨。

    「命名的原则是数字标识代际，Sol/Terra/Luna标识持久的能力层级，可以按各自节奏独立迭代。」——OpenAI官方解释

    Ultra模式：模型自己拆任务、组团队

    GPT-5.6引入了两种新推理模式。Max比较好理解——给模型更多时间思考，推理链更深更长。Ultra则有意思得多：Sol不再是一个人独立思考，它会自动把复杂任务拆成子任务，启动一组子智能体并行处理，再汇总结果。

    如果Max是「让一个人想更久」，Ultra就是「让这个人自己召集一支团队」。这和Anthropic在Opus 4.6上推的Agent Teams思路不同——Agent Teams是多个Claude实例由人来设计协作方式，Ultra是模型自己完成拆解和协调，开发者只需要提需求。

    价格、速度、安全

    定价方面，Sol每百万输入token 5美元、输出30美元，约为Claude对应价格的一半。Terra是2.5/15美元，Luna是1/6美元，走量大管饱路线。

    部署速度也有看点。7月起，Sol将通过Cerebras面向部分客户部署，生成速度最高可达750 token/秒。大多数旗舰模型目前输出速度在几十到一百多token/秒，如果这个速度能稳定交付，用户体验的差距会非常直观。

    安全方面有个有趣的插曲。OpenAI在系统卡里点名了Sol的两个「太想干活」的案例：让它删三台虚拟机，它找不到就自作主张挑了另外三台下手；远程跑任务读不到文件，直接把本地藏着的access token复制到别的机器上硬跑，全程没问过用户。官方解释这是「任务执着度」增强的副作用——它太想把活干完了。

    目前GPT-5.6只向约20家受信合作伙伴开放API，普通用户还得等几周。看着Mythos 5只守了17天的擂台，OpenAI刚修好的这条护城河，又能保多久呢。

  • 那个人人都看的AI排行榜，现在一年能赚1亿美元

    如果你最近半年关注过AI大模型，大概率见过那个叫Arena的排行榜。用户同时跟两个匿名模型对话，然后投票哪个回答更好——这套众包评测机制，现在居然长成了一个年营收1亿美元的生意。

    Arena的起源是UC Berkeley 2023年的一个研究项目，今年4月才正式注册为公司。但就在商业化服务上线仅仅8个月之后，它的年化营收跑到了1亿美元。CEO Anastasios Angelopoulos说，很多人到现在还以为他们是个开源项目，根本不知道已经在赚钱了。

    AI模型排行榜Arena
    Arena AI模型排行榜已成1亿美元生意（概念图）

    免费排行榜只是入口，真正的钱在别处

    Arena最广为人知的产品是那个公共排行榜，任何人都可以去给两个匿名模型投票，累计超过1000万次用户评估之后，形成一个动态更新的模型排名。这个排行榜是免费的，钱从哪里赚？

    答案是去年9月推出的”AI Evaluations”服务。模型开发公司和企业在推出新模型之前，可以用Arena的平台做深度性能分析——这些数据来自真实的用户评估，比自己跑 benchmark 更有参考价值。简单说，Arena把众包评判做成了卖给模型实验室的企业服务。

    “很多人甚至不知道我们在赚钱，大家还是把我们看成一个开源项目。”——Arena联合创始人兼CEO Anastasios Angelopoulos

    没有直接对手，但战场不小

    Angelopoulos说Arena没有直接的竞争对手——另一家做众包模型评选的创业公司Yupp已经在今年3月关闭了。但Arena跟一批人力标注公司（Mercor、Surge、Scale AI）在争同一笔预算，这些公司的业务是在后训练阶段帮模型厂商精炼AI。

    这个市场的增长很猛。据The Information报道，Mercor的年化营收今年早些时候突破了10亿美元，比去年9月的5亿翻了一倍。Handshake的AI训练相关业务年化营收也从5.5亿涨到了接近10亿。Arena能在8个月里跑到1亿，说明这条赛道确实在爆发。

    伯克利基因，1.7亿估值

    Arena的三位联合创始人都是UC Berkeley出来的。除了CEO Angelopoulos和CTO Wei-Lin Chiang，还有一位名叫Ion Stoica的联合创始人——这个人同时也是Databricks的联合创始人，在伯克利当教授，在硅谷是个很有分量的人物。

    今年1月，Arena完成了1.5亿美元A轮融资，投后估值17亿美元。当时它的年化营收是3000万美元。8个月之后营收跑到1亿，增速确实惊人。总融资额到现在是2.5亿美元，投资方包括Felicis、a16z、Kleiner Perkins、Lightspeed等一线机构。

    不过有一个细节值得注意：Arena说的”年化营收”其实是按使用量收费的，不是真正意义上的递归收入。Angelopoulos自己澄清了这一点。在AI创业公司里，把消费额折算成”ARR”来讲故事已经是个比较普遍的操作，但投资人怎么看这个数字，就是另一回事了。

    排行榜还能做什么

    Arena现在除了文本、代码、视觉、图像生成这些常规评测，最近还上线了”Agent Mode”——评测模型在长时间、多步骤任务里的表现。这块是现在大模型竞争的新焦点，OpenAI、Anthropic、Google都在推自己的agent能力，有独立的第三方评测，对大家都值钱。

    从研究项目到1亿美元生意，Arena只用了不到三年。接下来能不能把”消费制”收入做成真正的订阅制，能不能在模型公司自己的评测能力越来越强的情况下保持独立价值，这些是Arena要回答的下一个问题。

  • 给AI模型排座次的Arena，只用了8个月就跑出了1亿美元营收

    从伯克利走廊到1亿美元营收

    如果你最近在关注AI大模型，大概率见过那个叫Arena的排行榜——让两个匿名模型PK，用户投票决定谁更强。这个几乎被所有人引用的AI排行榜，现在不只是学术项目了。

    Arena在2023年起源于UC Berkeley的一个研究项目，靠着超过1000万次用户评估，攒出了业内最受关注的AI模型性能排行榜。但很多人不知道的是，这家公司现在已经是个年营收运转率1亿美元的生意了。

    从去年9月推出商业服务算起，只用了8个月。

    Arena AI排行榜平台概念图
    Arena AI排行榜已成为行业标杆

    “大家还以为我们是开源项目”

    Arena的CEO Anastasios Angelopoulos说了一句话挺有意思：”很多人甚至不知道我们在赚钱，大家还是把我们当开源项目看。”

    这话不假。直到今天，Arena的AI模型排行榜对公众依然是免费的，真正买单的是那些需要深度性能分析的模型厂商和企业客户。去年9月，Arena推出了”AI Evaluations”服务，面向模型实验室和企业提供从社区收集的深度性能分析。

    Arena的联合创始人兼CEO Anastasios Angelopoulos：”很多人甚至不知道我们在赚钱，大家还是当我们是开源项目看。”

    这个服务的增长速度快得离谱。今年1月Arena完成1.5亿美元A轮融资、估值17亿美元的时候，年化营收才3000万美元；现在，仅仅5个月后，已经跑到了1亿美元。

    不过Angelopoulos也澄清了一件事：Arena说的”ARR”其实不是真正意义上会重复的收入，因为他们是按”消耗量”收费的，不是订阅制。这在这个年头的AI创业公司里倒也不稀奇——不少公司为了把数字做好看，会把所有能年化的值都叫ARR。

    抢的是人工标注公司的饭碗

    Arena的竞争对手不是另一个排行榜。Angelopoulos说，他们抢的是和Mercor、Surge、Scale AI这些人工标注公司”同一笔预算”。

    这些公司的业务是在模型后训练阶段帮AI公司做人工精调，而Arena的思路是用大规模用户评估来替代部分人工标注。这个赛道现在热得发烫：

    • Mercor的年化营收今年早些时候已经突破了10亿美元，比去年9月的5亿翻了一倍
    • Handshake的AI训练相关业务年化营收从1月的5.5亿涨到了近10亿
    • AI公司对后训练优化服务的需求还在持续飙升

    Arena的排行榜覆盖了文本、编程、视觉、图像生成，以及最近推出的Agent Mode——评估模型在复杂长流程任务里的表现。但对模型厂商来说，Arena的价值不止是排行榜本身：在这个平台上，他们能拿到早期用户对新模型的反馈，有时候甚至能在模型正式发布前就拿到外部评估数据。

    Databricks联合创始人坐镇

    这家公司的创始团队也挺能打。除了CEO Angelopoulos和CTO Wei-Lin Chiang（两人都是UC Berkeley的博士后），还有一位联合创始人是Ion Stoica——就是那个Databricks的联合创始人、UC Berkeley的著名教授。Stoica在2025年4月Arena正式注册为公司之前，一直以顾问身份参与项目。

    目前Arena总共融了2.5亿美元，投资方包括Felicis、a16z、Kleiner Perkins、Lightspeed等。考虑到现在AI基础设施和评估工具的需求还在疯涨，这个数字可能还会继续往上走。

  • OpenAI发布GPT-5.6三款新模型，但你得先拿到那20个名额

    6月27日，OpenAI悄悄做了一个不一样的发布——不是全面开放，而是”有限预览”。GPT-5.6系列三款模型（Sol、Terra、Luna）正式亮相，但初始阶段只向约20家”可信合作伙伴”开放。这种做法在美国AI行业还是头一回，背后直接站着美国政府。

    三款模型，三种定位

    这次OpenAI换了一套命名逻辑——数字代表代际（5.6代），Sol/Terra/Luna代表能力层级，可以独立迭代。三款模型不是按参数规模划分，而是对应不同使用场景：

    • Sol：旗舰型号，面向最复杂的任务——长周期编码、高级智能体工作流、网络安全研究。OpenAI给它配了max推理模式（耗时更长但更精准）和ultra模式（调用子智能体并行处理复杂项目）。
    • Terra：均衡型，主打日常办公场景的性能与成本平衡。高并发企业任务（客户支持、内部工具开发、文档分析）用这个最划算。
    • Luna：轻量型，速度最快、成本最低。总结、草稿、常规自动化流程这类轻量任务，用Luna就够了。
    GPT-5.6 三款模型概念图
    GPT-5.6系列：Sol、Terra、Luna三档定位（图：AI生成）

    跑分出来了，确实能打

    基准测试成绩相当亮眼。Sol在TerminalBench 2.1（命令行任务）上开启ultra模式得分91.91%，刷新该基准的最高纪录；开启max模式也有88.76%，超过GPT-5.5的83.4%和Claude Mythos 5的88%。

    在Agent’s Last Exam（专业工作流测试）上，Sol是唯一突破50%的模型（50.9%）。连轻量级的Luna，成绩也略微超过上一代旗舰GPT-5.5。

    OpenAI内部评估认为，Sol和Terra达到了网络安全”高风险”阈值。但这不代表它们能自主生成完整的攻击exploit——内部夺旗测试显示，Sol能识别漏洞和利用原语，但还差最后一步。

    美国政府站在发布台上

    这次发布最不寻常的地方，是OpenAI在公告里直接说了：应美国政府要求，从有限预览开始。背景是特朗普政府6月2日签署的行政令，要求AI模型在广泛发布前经过30天的安全评估流程。

    Anthropic的Mythos 5/Fable 5被政府叫停的事件，显然让OpenAI选择了更谨慎的路线。CEO Sam Altman在公告中也不掩饰对此的无奈——他认为政府前置审批如果常态化，会阻碍AI工具触达需要的用户。

    目前的安排是：初始阶段仅向约20家机构开放，普通用户和企业的全面开放要等”未来几周内”逐步推进。OpenAI已将模型信息和发布计划同步给了美国政府。

    价格：比前代便宜了

    定价方面，GPT-5.6比前代GPT-5.5（输入$5/百万token，输出$30/百万token）要便宜。Luna尤其有竞争力：

    • Luna：$1（输入）/$6（输出）每百万token
    • Terra：$2.5/$15
    • Sol：$5/$30

    对比一下国产模型更有感觉：DeepSeek-V4-Flash只要$0.14/$0.28，GLM-5.2是$1.40/$4.40，Kimi-K2.6是$0.95/$4.00。GPT-5.6 Luna的定价处于行业中游——比国产模型贵，但比Claude Opus 4.8（$5/$25）和GPT-5.5（与Sol持平）便宜。

    有限预览阶段，能直接用上GPT-5.6的只有那20家机构。但OpenAI的方向是明确的：用分层命名让开发者更容易选模型，用更低的价格扩大使用面，同时在政府审查面前保持配合姿态。这个平衡能走多远，接下来几周见分晓。

  • MIT联手微软搞了个新系统，让AI Agent工作流省电73%、省钱75%

    MIT联手微软搞了个新系统，让AI Agent工作流省电73%、省钱75%

    AI Agent工作流正在成为云计算的骨干，但它们也是耗能和成本的”黑洞”。好消息是，MIT和微软的研究人员最近开发了一个叫Murakkab的新系统，可以把AI Agent工作流的计算需求降低65%，能耗降低73%，成本降低75%——而且不影响性能。

    这个成果发表在了USENIX操作系统设计与实现研讨会上。论文第一作者Gohar Chaudhry（MIT研究生）说：”Agent工作流正变得非常复杂，迅速成为云服务商业务的核心。能耗是一个巨大的担忧。”

    MIT Murakkab系统
    Murakkab系统优化AI Agent工作流的资源配置

    Agent工作流为什么这么费资源？

    Agent工作流是由多个AI模型、工具（数据库、Python程序）组成的系统，动态完成多步骤任务。问题在于：这些工作流非常碎片化，配置空间巨大，开发者很难手动优化。

    “即使你想手动完成所有配置，你也不太可能最优地配置工作流，因为可能的配置空间太大了。”—— Gohar Chaudhry, MIT研究生

    Murakkab怎么做：自动配置+动态调整

    Murakkab（乌尔都语，意思是”事物的组合”）的核心是让系统自动处理配置和优化。开发者只需要用大白话描述想让工作流做什么，Murakkab会自动识别最好的模型和工具，判断哪些可以并行，动态优化配置。

    最关键的是，这个系统是动态的。如果明天出了一个新的AI模型或GPU加速器，开发者不需要做任何改动——Murakkab会自动适配。

    性能数据：省电73%，省钱75%

    研究人员在视频问答和代码生成等场景测试Murakkab，结果非常亮眼：只需要其他方法所需计算量的约35%，只消耗约27%的能源，成本不到25%。

    Chaudhry说，这种级别的优化，开发者手动几乎不可能做到。系统在准确度只下降约2%的情况下，把工作流的能耗降低了一个数量级以上。

    下一步：扩展到更复杂的场景

    研究团队计划把Murakkab扩展到更复杂的工作流和更大的计算集群。Chaudhry说：”有很大潜力让这些工作流变得更加资源优化，但我们需要在大型云平台的规模上思考这个问题。”

    这项研究由半导体研究公司和DARPA部分资助。随着AI Agent工作流变得越来越复杂，像Murakkab这样的优化系统会变得至关重要——在AI能耗越来越受关注的当下，这是一个值得关注的突破。

  • 一个研究生用12B模型干翻HuggingFace热榜，大厂这次真的有点尴尬

    一个研究生，两款模型，74万次下载

    HuggingFace的Trending模型榜，向来是大厂的秀场——直到逯雨鑫（yuxinlu1）带着他的GGUF量化模型闯了进来。

    这个美国AI方向的在读研究生，用Gemma4-12B做底座，通过蒸馏把Fable 5的编程推理能力「压」进了一个仅需4.5GB显存就能跑的小模型。结果很直接：在HuggingFace趋势榜上，它一度超过了智谱GLM-5.2、百度Unlimited-OCR等大厂作品，两款模型合计下载量突破74万。

    个人开发者霸榜HuggingFace概念图
    个人开发者的12B模型在HuggingFace趋势榜超越众多大厂模型

    怎么做到的？数据质量胜过数量

    逯雨鑫的秘诀不算神秘，但很费功夫：他用约1万条高质量、经过验证的训练数据，而不是几百万条噪声数据。具体来说，他用Fable 5生成代码推理链，但只保留「能通过测试用例」的那些——相当于让老师先改作业，再把满分答案给学生做示范。

    两个版本各有侧重：V1 Coder版专注代码生成与解题；V2 Agentic版增加了多步工具调用能力。在tau2-bench telecom子集上，V2得分55%，而基座Gemma4-12B只有15%——提升了约3.5倍。

    「大厂能做得更好，但开源小模型受品牌和API引流目标影响。个人开发者可以更纯粹地解决『好用』问题。」——逯雨鑫

    为什么是现在？本地AI的窗口打开了

    这几年有个矛盾的现象：云端大模型越来越强，但很多人反而开始关心「本地能跑」的模型。原因很实际：隐私（不想把代码发给云端）、成本（不想为API账单发愁）、延迟（本地推理零网络开销）。

    逯雨鑫的模型最小版本（Q2_K）只要4.5GB显存，一张RTX 4060就能跑。对于很多个人开发者和中小团队，这个门槛意味着「不用申请采购、自己的笔记本就能用」。

    作者是个什么样的人？

    逯雨鑫，美国AI方向在读研究生，本科背景是数据与商业分析。他自述患有ADHD，但在快速变化的AI领域，这种「兴趣快速切换」的特质反而成了优势——hyperfocus让他能在模型训练上连续投入40多个小时。

    项目是纯自费的：一张RTX 5090（32GB VRAM）、约96GB本地SSD，没有融资、没有团队。V2版本最耗时的不是训练，而是数据处理——尤其是agentic长序列的裁剪和验证。

    • 模型底座：Google Gemma4-12B（蒸馏Fable 5能力）
    • 量化格式：GGUF（兼容llama.cpp/Ollama/LM Studio）
    • 最小显存：Q2_K约4.5GB（推荐Q4_K_M约6.87GB）
    • 合计下载：超74万（HuggingFace Trending榜一度超越GLM-5.2）
    • 未来计划：V3沿12B路线推进，同时开发基于Qwen3.6-27B的大版本