[控场AI]
· 9 分钟阅读· 4,870 字

Claude Fable 5.5曝光、GPT-6.2发布引争议,AI模型混战升级

Claude Fable 5.5曝光、GPT-6.2发布引争议,AI模型混战升级

密集发布背后,基准分数趋同,模型真正差异在于可靠完成实际工作的能力。

本轮 AI 发布密集:Anthropic 疑似曝光 Silicon 2(或为 Fable 5.5),时机与 IPO 临近吻合;OpenAI 推出 GPT-6.2 Astra 与 Soul,基准提升且成本大降,但社区对其可用性评价两极,系统卡显示编码遗漏一致障碍比例从 11.09% 升至 22.28%;谷歌 Neon 模型现身,Gemini 任务功能向 6 国数亿用户免费开放;微软发布 7 款模型,MAI Image 2.7 在图像编辑基准登顶;Anthropic 推出代码模式与关联计费;Perplexity 年化营收破 10 亿美元;NVIDIA 一季度营收 1158 亿美元并宣布 1500 亿美元回购。核心结论是:当基准分数越来越接近,评价体系正在失效,最好的模型是能可靠完成工作的那个。

AI 模型发布节奏正在变得前所未有地密集。一边是 Anthropic 的神秘新模型疑似浮出水面,一边是 OpenAI 的 GPT-6.2 双版本引发社区激烈分歧,谷歌、微软也接连放出新动作。这些发布背后,折射出的其实是同一个问题:当基准分数越来越接近,模型真正的差异究竟在哪里?

Claude Fable 5.5 疑似曝光:Silicon 2 现身,IPO 前的关键一步

据 B站 UP 主 WorldofAI 的梳理,一个名为 Silicon 2 的隐身模型出现在 Anthropic 的云服务类别下,定价为每百万输入 Token 10 美元、每百万输出 Token 50 美元,与 Fable 5.1 完全一致。UP 主也指出这些可能只是占位价格,因此模型身份尚未最终确认。

真正有意思的是时间点。Anthropic 的 IPO 日益临近,而目前其模型家族中除 Fable 外的其他模型都已处于 5.5 版本,发布一个 5.5 级别的 Fable 检查点来平衡版本目录,逻辑上相当合理。

来自独立分析机构 MHR 的图表提供了另一个佐证:前沿 AI 基准分数的提升速度约为此前速率的 1.4 倍,从每年约 17 个 AE 载点加速至每年 24 个点。Anthropic 内部标记为 Model 1 至 Model 4 的几个未识别检查点位于该轨迹顶端附近,最新检查点 Model 4 在 AE 载量表上大约位于 179 的位置,显示其仍在持续进步。Silicon 2 是否就是 Model 4 尚无定论,但大概率指向 Fable 5.5。

AE 载点与前沿基准加速

文中提到的“AE 载点”是人工智能分析机构(Artificial Analysis)用于衡量模型综合智能水平的指数单位,其全称为 Artificial Analysis Intelligence Index,通过对编码、数学、推理、知识等多类基准测试进行归一化加权得出。MHR 图表所展示的“每年 17 个点加速至 24 个点”,指的是这一指数在过去一年中的年化提升速度从约 17 分升至约 24 分,意味着前沿模型的综合能力正以约 1.4 倍于此前节奏的速度增长。这一加速现象与算力投入、合成数据训练以及推理时计算扩展等因素有关,也解释了为何各厂商的模型版本迭代周期明显缩短——在指数快速攀升的阶段,落后一个版本就可能意味着数十分的差距。

隐身模型与占位定价

“隐身模型”(stealth model)指在正式发布前被意外暴露在云服务目录、API 文档或计费系统中的未公开模型,通常以代号形式出现,用户可短暂调用但其身份未被官方确认。这类暴露往往源于云平台预配置计费条目或灰度测试。文中 Silicon 2 的每百万输入 10 美元、输出 50 美元定价与 Fable 5.1 完全一致,很可能是沿用旧条目的占位价格(placeholder pricing),而非最终定价,因此仅凭价格推断模型身份并不可靠,还需结合上下文窗口、模态支持等参数综合判断。

GPT-6.2 Astra 与 Soul:一场被情绪裹挟的发布

OpenAI 正式推出 GPT-6.2 Astra 与 GPT-6.2 Soul,承诺在成本大幅降低的同时带来重大改进。但社区反应两极分化严重——Matt Schumer 称测试体验"基本不可用",表示永远不会推荐;Zio 更进一步称 Astra 是"OpenAI 优势以来发布的最差模型"。

UP 主对此提出了不同看法。他指出 Zio 在发布前花了大量时间测试模型,甚至给 OpenAI 写了详尽的反馈信,其中最大的抱怨之一是 TypeScript Rust 编译器项目:Astra 花了 7 天工作却没有带来有意义的改进,最终得到的编译器慢了 56%。但 UP 主强调,就连 Zio 也承认 Astra 在代码审查方面极为出色、在 3D 游戏开发上令人印象深刻、在电脑操作方面也很强。

据报道,就连 Zio 也承认 Astra 的代码审查方面极为出色……那么我们怎么从承认这些优点转而说它是有史以来最差的 AI 模型呢?

从公布数据看,Astra 的输入 Token 价格约为每百万 8 美元、输出约为 40 美元,API 定价降低了 20%;Soul 则为 2 美元和 10 美元,定位日常 workload。在人工分析智能指数上,Astra 得分 62 分,上一代为 57 分,仅次于 Claude Fable 5.2 的 65 分。更关键的是成本差异:Astra 每项智能指数评估任务花费约 4 美元,而 Fable 5.2 约为 26 美元 54 美分。

但可用性问题确实存在。据 OpenAI 自己的系统卡,Astra 在约 22.28% 的评估编码案例中遗漏了一致障碍,而前代模型为 11.09%——这在编程问题透明度上出现了明显退步。UP 主的结论是:Astra 在 3D 生成、电脑使用和专业工作流方面表现出色,Soul 则以更低成本提供出色性能;但 Fable 5.2 和 Opus 5.5 在复杂编程和可靠智能体工作负载上仍占优势。

我希望看到更多独立测试

系统卡与“一致障碍”指标

系统卡(system card)是前沿模型发布时附带的官方技术文档,用于披露模型的能力评估、安全测试结果、已知局限与风险缓解措施,是外部研究者判断模型真实行为的重要依据。文中提到的“一致障碍”(consistency obstacle)属于编码评估中的一类失败模式,指模型在生成代码时遗漏了使程序在边界条件下仍能正确运行所必需的一致性处理,例如错误处理、状态同步或并发保护。该比例从 11.09% 升至 22.28%,意味着新模型在编码任务的透明度与可靠性上出现明显退步——它可能仍能生成可运行的代码,但在面对复杂或异常输入时更容易留下隐患。这类指标比单一通过率更能反映模型在真实工程场景中的可用性。

人工分析智能指数与成本效率

人工分析智能指数(Artificial Analysis Intelligence Index)是业界常用的第三方综合评测指标,将多个公开基准的得分归一化为 0-100 的分数,便于跨厂商横向比较。文中 Astra 得分 62、Fable 5.2 得分 65,差距仅 3 分,但每项评估任务成本分别为约 4 美元与约 26.54 美元,成本效率相差数倍。这说明在基准分数趋于接近的阶段,单位智能的成本(cost per intelligence)正成为比绝对分数更关键的选型维度——对于高频调用或大规模智能体工作负载,数倍的成本差异往往比几分的能力差距更具决定意义。

谷歌双线推进:Gemini 新模型与任务功能免费开放

谷歌方面,名为 Neon 的新模型出现在云计费目录中,定价为每百万输入 Token 3 美元、输出 15 美元,介于 Gemini 轻版和批量版之间,支持文本、图像、视频和音频。UP 主称其部分较新输出"比我见过的 Fable 的表现还要好"。

话说回来,Google 宣布大幅扩展 Gemini 任务功能,向包括美国和加拿大在内的 6 个国家的数亿符合条件的用户完全免费开放。该功能让 Gemini 不再只是回答问题,而是能实际执行任务——转发邮件处理回复和日历事件、给本地商家打电话比价查库存,甚至通过 Google Pay 完成购买。

不过也有隐忧。多名用户注意到 Gemini for Carbon 模型经常跳过思考过程,即使设为高或超高推理级别,面对复杂任务时也会直接跳过。

那谷歌绝对需要调查一下

Gemini 任务功能与智能体执行

Gemini 的“任务”(Tasks)功能属于智能体式(agentic)能力,与传统的问答式交互有本质区别:模型不再只输出文本,而是调用外部工具与服务完成多步骤操作,例如读取邮件上下文后起草回复、查询日历可用时间并创建事件、通过电话接口与本地商家交互,以及在获得授权后调用支付接口完成交易。这类功能依赖工具调用协议、权限沙箱与人工确认机制,其可靠性取决于模型在多步规划中保持目标一致的能力。文中提到 Carbon 模型在高推理级别下仍跳过思考过程,反映的正是智能体场景中的一个典型风险——模型为追求响应速度而省略中间推理,导致复杂任务中出现目标漂移或步骤遗漏。

微软、Anthropic 与 Perplexity:工具层的实质进展

微软在 Ignite 大会上发布 7 款新 AI 模型。MAI Code R 和 Code R Flash 已在 GitHub Copilot 中可用,前者专注调试、重构和跨代码库推理,后者针对速度和日常开发优化。更大的惊喜是 MAI Image 2.7——据称在人工智能图像编辑基准测试中拿下第一,而所需价格约为紧随其后的四款模型的六分之一。Image 2.7 Flash 的图像生成定价约为每千张 10.24 美元起,标准模型则为每千张 34.82 美元。

Anthropic 为云平台推出代码模式,让 AI 智能体不再逐个调用工具,而是可以编写脚本串联多个工具,在后台执行的同时保持响应。此外还推出关联计费功能,开发者无需再与第三方平台共享云 API 密钥,可直接通过 Cloud 支付 API 费用。

Perplexity CEO Arvind 透露其年化营收流水已正式突破 10 亿美元,并声称达到这一里程碑时花费比正准备 IPO 的 Anthropic 少了 5 亿美元。

代码模式与工具编排

Anthropic 为云平台推出的“代码模式”(code mode)改变了智能体调用工具的传统范式。此前智能体通常逐个发起工具调用,每次调用都需要一次模型往返,延迟高且上下文消耗大;代码模式允许模型生成一段脚本,在脚本中串联多个工具调用并在后台执行,模型只需在脚本完成或遇到异常时介入。这种方式显著降低了往返次数与 Token 开销,也更接近人类开发者使用 SDK 的工作方式。与之配套的关联计费功能则解决了密钥管理问题:开发者无需将云 API 密钥共享给第三方平台,而是通过云平台直接结算 API 费用,既降低了密钥泄露风险,也简化了多方计费链路。

NVIDIA 的悖论:领导层风波与创纪录营收并存

NVIDIA 领导层风波迎来新进展。Jason 在 X 上承认自己犯下严重错误并承担责任,表示愿意重返 NVIDIA 担任 CEO。但据财报电话会议,董事长表示董事会不打算让其重新出任 CEO,不过也未完全排除这种可能。

NVIDIA领导层风波又迎来一项重大进展

与风波形成对照的是业务数据:NVIDIA 公布一季度营收达 1158 亿美元,其中数据中心部门贡献 1076 亿美元,净利润 653 亿美元;预计下一季度营收将达 1300 亿美元,并宣布规模高达 1500 亿美元的股票回购计划。这些数字表明,对 AI 基础设施的需求依然极为庞大,AI 正成为科技界最大规模基建投资周期之一。

一个值得记住的结论

把这一轮发布放在一起看,最清晰的信号不是谁赢了基准测试,而是模型能力的评价体系正在失效。Zio 的批评和 UP 主的测试都能自洽,因为它们针对的是不同工作负载。正如视频中所说:最好的模型未必是基准测试得分最高的那个,而是那个能可靠帮你完成工作的模型。在亲自测试之前,任何"最强"或"最差"的标签都值得保留。

#Claude Fable 5.5#GPT-6.2 Astra#Gemini Neon#AI模型对比#OpenAI#Anthropic#微软AI模型#AI基准测试
分享:

相关推荐