AI晚报：OpenCode额度升至80美元，GLM-5.3灰测，Step 5开源倒计时

AI产品迭代的节奏没有放缓。从额度加码到模型灰测，再到开源倒计时，几条消息拼在一起，能看出当下大模型竞争的几个切面：推理速度、套餐性价比、以及智能体基础模型的开放程度。

OpenCode把Go套餐额度抬到80美元

OpenCode宣布，每月10美元的Go套餐中，DeepSeek^广告 V4.1 Flash的模型用量价值从60美元提高至80美元。套餐价格不变，可用额度直接增加三分之一。

这个动作值得拆开看。订阅制AI编程工具的核心卖点之一就是"额度感"——用户需要清楚自己花的钱换来了多少可调用的模型资源。把额度从60美元提到80美元，等于在价格锚点不动的情况下强化了性价比信号。对高频使用DeepSeek V4.1 Flash的开发者来说，这可能是续费或转化订阅的直接理由。

结合近期生成式AI网站流量数据来看，ChatGPT份额一年内从71.8%降至56.4%，但近几个月企稳回升；Gemini升至25.0%稳居第二；Cloud升至9.6%，超过DeepSeek位列第三。竞争格局在松动，工具层通过额度调整争夺用户的动作会更频繁。

GLM-5.3 High Speed开启灰测

智谱方面对部分订阅用户灰度开放了GLM-5.3 High Speed。用户可在Zcode中随机获得体验资格。

据用户实测，生成速度约为每秒493个token，是GLM-5.3 Flash峰值的两倍以上。这个数字如果稳定，对需要低延迟交互的场景——比如代码补全、实时对话、智能体循环调用——会有明显体感差异。

灰测采用"随机获得资格"的方式，说明资源仍在控制范围内。高速版本的定位通常不是替代主模型，而是在特定延迟敏感任务上做补充。后续能否转为正式开放，取决于灰测期间的负载和反馈。

什么是「High Speed」与「Flash」的分层：在大模型产品线里，同一代模型通常会按「能力上限」和「响应速度」拆成不同档位。Flash 类版本往往通过减少推理步数、压缩思维链长度或使用更小的激活参数，来换取更低的单次延迟；而 High Speed 版本则进一步把优化重点放在吞吐与首 token 时间上，常见手段包括推测解码（speculative decoding）、KV Cache 复用以及为高并发请求做批处理调度。

需要区分的是「生成速度」和「模型智能」：每秒 token 数（tokens/s）衡量的是解码阶段的吞吐，它并不直接等于模型在复杂推理任务上的表现。一个高速版本可能在代码补全、格式化输出、短对话等任务上体验极佳，但在需要长链推理的数学或规划任务上未必优于主模型。这也是为什么高速版本通常被定位为「特定延迟敏感任务的补充」，而非全面替代主模型。

Step 5 Preview进入开源倒计时

Step 5 Preview宣布即将开源，定位是面向真实场景中智能体任务的基础模型，官方已开启倒计时。

"面向真实场景的智能体任务"这个定位值得关注。过去不少基础模型的开源偏向通用能力展示，而明确指向agent任务，意味着训练数据和评测可能更贴近工具调用、多步规划、环境交互这类需求。如果开源后配套的推理框架和评测集也一并放出，对做智能体应用的团队会是比较实在的补充。

智能体基础模型的训练取向：面向 agent 任务的基础模型，与面向通用对话的模型在训练目标上存在明显差异。前者更强调工具调用（function calling）、多步规划、错误恢复和环境反馈的利用能力，训练数据里往往包含大量带状态的交互轨迹，而不是单轮问答。

这类模型在开源时，真正决定可用性的往往不只是权重本身，还包括配套的推理框架、工具调用协议和评测集。如果只有权重而没有可复现的评测基准，团队很难判断模型在自己的场景里是否真的比通用模型更强。因此「开源是否附带评测集与推理框架」，是判断这类发布含金量的关键指标，也是后续值得持续跟踪的点。

科研与开源：从数学证明到三维重建

两条科研开源消息同样值得记一笔。

HackingFace把形式化数据变成强化学习环境。 该项目将OpenAI近期公开的形式化数据显示整理成包含369个任务和405道数学题的开源强化学习环境，配有Linux自动判分器，可验证模型给出的证明。研究者可直接用于训练，减少人工评判成本。

NVIDIA开源Gator。 它能把随手拍摄的照片转成用于仿真的三维资产，能自行检查并修复重建结果。团队还演示了人形机器人在重建场景中运行的效果。这类工具的价值在于降低三维内容制作和机器人仿真训练的门槛，把"拍几张照片"和"可用仿真环境"之间的距离缩短。

形式化数据与自动判分：形式化数学（如 Lean、Coq 等证明助手使用的语言）要求每一步推理都严格可检验，因此天然适合做强化学习的奖励信号来源。把形式化数据整理成强化学习环境，核心价值在于「自动判分器」——模型给出的证明可以被机器验证真伪，无需人工逐条评判，这大幅降低了训练与评测的成本。

照片转三维资产的意义：从随手拍摄的照片重建可用于仿真的三维资产，难点在于几何一致性和物理合理性。能自行检查并修复重建结果的工具，意味着它可以减少人工修模的环节。对机器人仿真训练而言，这能显著缩短从「现实场景拍照」到「可用仿真环境」的路径，降低数据采集与场景搭建的门槛。

几个零散但有意思的动态

NASA在Artemis-I任务中采用照片定位模型Astrolog，为宇航员拍摄的3687张月球照片定位。模型通过匹配月面底图切片寻找拍摄位置，方法源自此前定位地球照片的项目。

腾讯TRTC团队推出免费工具Nukate，开发者添加一个异步加载的脚本标签，就能把网页联系页面变成实时聊天入口。访客消息可直达站长的Telegram，回复也能实时返回网页。工具支持接入自定义AI模型，目前仍处于早期开发阶段。

另有消息称，谷歌曾计划更新Gemini 3.X版Flashlight，但9月初出现三个模型检查点后未见新的内部发布，后续可能搁置更新，也可能转向4版，目前尚无定论。

---

整理下来，这一天的信息集中在三件事上：工具层用额度换留存，模型层用速度抢场景，开源层用垂直定位换采用率。方向不同，逻辑一致——都在往"更具体的使用场景"里扎。