AI周报：DeepSeek新斩杀线、Gemini 4降本40%、可灵4.0一镜到底

本周AI圈的主线依然围绕“成本”与“工程化”展开。DeepSeek用V4.1 Flash L017版本重新划定了性能成本斩杀线，Gemini 4 Argon将复杂任务成本压低四成，而快手可灵4.0则把视频生成的镜头时长天花板抬到了30秒。话说回来，Anthropic的Code Review商用、英伟达128G硬件开售、微软自研推理芯片量产，都在指向同一个趋势：智能体流水线正在从实验走向端到端闭环。

DeepSeek 1017：白菜价不变，性能斩杀线再下探

DeepSeek^广告本周推送了V4.1 Flash L017版本。最值得关注的不是某个单项跑分，而是在维持原有低价单价完全不变的前提下，输出效率与耗时被大幅优化。据B站UP主小行星EI周报的梳理，该版本在DDSWE编程通过率上达到77%，平均单任务成本仅需一块三毛钱。

这个数字的意义在于帕累托前沿的移动。过去业界习惯在“性能”和“成本”之间做取舍，而DeepSeek试图证明两者可以同时推进。在零基础完整项目与游戏开发场景中，该版本展现出压倒性优势。对开发者而言，这意味着工程流水线的切换成本进一步降低，单任务一块三的账本会直接改变中小团队的项目排期逻辑。

帕累托前沿是经济学与多目标优化中的核心概念，指在资源约束下不存在“在不损害其他目标的前提下还能改进某一目标”的状态集合。在AI模型评测语境中，通常把“性能”和“成本”作为两个维度，画出散点图，位于左上方的包络线就是帕累托前沿。过去行业普遍认为模型越强、推理成本越高，因此前沿是一条向上倾斜的曲线。DeepSeek若能在维持单价不变的前提下提升通过率，相当于把前沿整体向左上方推移，意味着同等预算下可获得更高性能，或同等性能下花费更少。这种移动比单项跑分更具结构性意义，因为它改变了开发者的成本收益计算基准。

DDSWE（DeepSeek Software Engineering）是DeepSeek用于评估模型编程能力的基准测试，通常包含从零构建完整项目、修复代码缺陷、实现指定功能等任务，并要求模型在真实工程环境中输出可运行代码。其通过率指标衡量模型一次性完成任务的比例，比传统代码补全评测更贴近实际开发流程。77%的通过率意味着在多数标准任务中模型可独立完成，剩余部分仍需人工介入，这直接决定了智能体流水线中人工审查和返工的成本占比。

Gemini 4 Argon：成本狂降40%，工程智能体落地

谷歌正式向全量订阅用户开放Gemini 4 Argon，定位直指复杂工程与科学研究。在ARC AGI三评测中，该模型跑出97.5%的高分。更关键的是第三方实测数据：单任务完成成本仅为GPT-6 Asklra的60%，相当于成本下降约40%。

谷歌同步披露了一个标志性案例——用其无人指手完成了20万行Python代码谱优化，展示了工程智能体流水线的实际落地能力。据YouTube频道对同一发布会的分析，这一案例被视为“模型即工程团队”的早期信号。成本结构与任务复杂度的重新匹配，正在让企业级迁移从观望转向算账。

ARC AGI（Abstraction and Reasoning Corpus for Artificial General Intelligence）由François Chollet提出，是一套旨在衡量通用推理能力的评测集。它与传统考试型基准不同，题目以少量示例要求模型归纳抽象规则并应用于新场景，强调样本效率与泛化，而非记忆或模式匹配。ARC AGI三评测通常指该基准的多个子集或版本，得分高意味着模型在陌生规则下仍能进行有效推理，这被视为通向通用智能的重要信号。97.5%的分数说明模型在抽象归纳任务上已接近饱和，但该基准本身规模有限，高分并不直接等同于真实工程能力，需结合成本与落地案例综合判断。

工程智能体流水线指将大模型嵌入软件工程全流程的自动化系统，涵盖需求拆解、代码生成、测试、审查与集成等环节。与传统“模型即工具”不同，流水线强调多步骤编排：模型不仅写代码，还调用编译器、测试框架、版本控制等外部工具，并在失败时自动重试或回滚。其核心挑战在于长链路中的错误累积与成本控制，单任务成本下降40%会显著改变流水线的经济可行性，使企业从试点转向规模化部署。

Anthropic Code Review商用：审查机制被重构

Anthropic正式向组织级客户推出Code Review功能，同时披露了内部研发流程的变化。据其透露，在Claude Code编写了全项目近九成代码后，研发流程已从“人类写代码”转变为“人类与智能体共同重塑审查机制”。

这背后的逻辑是：当代码产出主体变成智能体，传统的人工代码审查会迅速成为瓶颈。Code Review的商用化，配合OPPO式组点与Festmo式开放策略，指向的是端到端智能体闭环。企业工程流水线的竞争焦点，正在从“谁能写更多代码”转向“谁能更高效地审查和集成智能体产出”。

代码审查（Code Review）是软件工程中由其他开发者检查代码变更的质量 gate，目的是发现缺陷、保证风格一致并传播知识。传统审查依赖人工阅读 diff，耗时且随代码量线性增长。当智能体成为代码主要产出方时，审查对象从“人类同事的代码”变为“模型生成的大批量变更”，人工审查迅速成为吞吐瓶颈。Anthropic将Code Review商用化，本质是把审查也交给模型：由模型对模型产出的代码做静态分析、逻辑校验与风险标注，人类只处理被标记的高风险部分。这形成了“生成—审查—修正”的闭环，但同时也带来审查者与被审查者同源的风险，即模型可能系统性遗漏自身同类错误，因此需要独立评测与抽样人工复核来兜底。

硬件与视频生成：128G本地推理与30秒一镜到底

英伟达联合各大PC厂商正式发售RPX Spark笔记本与轻薄本，128G统一内存让本地运行百亿乃至千亿级模型成为现实，生态伙伴软件同步跟进。话说回来，微软正式发布自研推理芯片Maya 300并启动大规模生产部署，巨头摆脱单一算力依赖的步伐全面提速。

视频生成侧，快手可灵4.0深夜上线，率先攻克单镜头30秒一镜到底超长视频生成，打破了以往仅能生成5秒7片的行业天花板。全能参考模式支持多角色与场景一致性稳定运镜，直接降低了影视短剧与商业广告的制作门槛。

统一内存（Unified Memory）指CPU与GPU共享同一物理内存池的架构。传统PC中显存与系统内存分离，大模型推理受限于显存容量，百亿参数模型通常需要多张高端显卡。统一内存让GPU可直接寻址128GB甚至更大的内存空间，从而在单台笔记本上加载百亿至千亿级模型。代价是内存带宽通常低于专用显存，推理速度会受影响，因此更适合本地开发、隐私敏感场景和中小规模智能体，而非高吞吐生产服务。英伟达RPX Spark的意义在于把这一能力下放到消费级形态，降低了本地推理的门槛。

一镜到底在视频生成中指单次生成连续镜头而不做剪辑拼接，模型需在整段时长内保持角色、场景与运镜的一致性。此前行业普遍以5秒左右为单片段上限，因为更长时长会导致身份漂移和画面崩坏。可灵4.0将单镜头延长至30秒，依赖的是长时序注意力机制与参考帧约束，使模型在生成过程中持续对齐初始角色与场景特征。这一突破直接关系到影视短剧与广告的生产流程：镜头越长，后期拼接与补帧的工作量越小，生成内容越接近可直接使用的素材。

快讯：模型、开源与生态

模型与多模态：OpenAI连发三起内部模型施准报告，ChatGPT获得Chrome标签页控制权；xAI推出第三代语音模型；BPF开源轻量文生图模型。

开源架构与工程基建：Meta开源8160亿参数模型，社区反响频频；Reflection开源5010亿模型；Anthropic自研版本控制替代Git；PyDantic创始人质疑图价保。

国内生态与模型研究：DeepSeek开放自研搜索接口；阶跃星辰开放StepWay沉重；阿里前问首款AI眼镜现货发售；面壁开源断册350亿模型。

智能体应用与工具：开发者重写Aboli全家桶；Rigor开源智能体审稿系统；VLLM机制优化；Kimi KZ与Perplexity开源计算机沙箱。

商业资本：CharacterAI破产出售；Anthropic Q3营收冲破百亿美元；OpenAI面临多周速送；我国新增人工智能出口管制清单。

下周值得盯的三件事

第一，开发者在DeepSeek 1017新斩杀线下的工程流水线切换情况，会直接反映在项目成本结构上。第二，企业在Gemini 4 Argon上的实际迁移比例与真实开销变动，是检验“降本40%”成色的关键。第三，快手可灵4.0一镜到底在商业短剧与影视制作中的成片表现，将决定视频生成能否真正进入生产级工作流。

从本周信号看，模型能力竞赛正在让位于工程效率竞赛。谁能把智能体流水线跑通、把审查机制重构、把单任务成本压到可复用的区间，谁就能在下一阶段拿到入场券。