Gemini 4 Krypton曝光:性能逼近Fable 5.2且更便宜

Gemini 4 Krypton逼近顶级模型且成本更低,模型选用转向按任务匹配。
本期AI动态的核心是头部模型性能差距快速收窄与选型逻辑的转变。Google 的 Gemini 4 Krypton 以匿名代号在 Arena 和 API 中测试,部分任务超过 Opus 5.5、接近 Fable 5.2,且成本显著更低,但在 Web 开发上仍更接近 Sonnet 5.5。Anthropic 官方数据反直觉地显示,Opus 5.5 在 52 项编码任务中解决率 84.6% 高于 Fable 5.2 的 82.7%,而后者每任务成本高 2.8 倍,建议先提高推理强度再考虑升级模型。此外 Claude Code 推出多线程项目协作与 /btw、/fork 命令,GPT-6.2 Astra 与 GLM-5.5 消息流出,ChatGPT 与 Gemini 相继落地代理支付,Google 用 Gemini 4 系列参与多个数学猜想的机器验证形式化。
周末AI圈依然热闹。Google的Gemini 4 Krypton新检查点被发现在Arena和API中测试,早期结果称其已能挑战Opus 5.5、在部分任务上接近甚至超越Fable 5.2,同时成本显著更低。话说回来,Claude Code迎来项目协作大更新,GPT-6.2 Astra早期输出流出,GLM-5.5基准图泄露,Anthropic还发布了模型选用指南。
Gemini 4 Krypton:Google的迭代速度有点吓人
据多位获得早期访问的开发者和Arena测试记录,Gemini 4 Krypton以"Gemini 4 Hydrogen"的名义在API和Arena中接受测试。最新检查点被识别为一个新的模型slug,相比几天前曝光的Krypton A检查点又有明显提升——而Krypton A本身已经在几乎所有领域任务上超过了Gemini 4 Carbon。
真正让人意外的是对比数据:这个新检查点在部分任务上已经超过Opus 5.5,与Fable 5.2相当接近。视频中展示的动画动态图形生成对比显示,Krypton的输出质量相比Argon有实质性跃升,细节处理和代码完成度都明显改善。

实际测试案例更能说明问题。有用户用Krypton生成了一个CSGO克隆游戏,包含不同装备配置、纹理、地图敌人显示和血条——虽然画面基础,但功能完整,UI组件和代码细节的处理恰好是此前Gemini模型常被诟病的短板。另一个案例更夸张:单个HTML文件、纯JavaScript实现的3D火箭引擎模拟,没有任何外部资源,热流可视化、引擎热量与流动的3D呈现都相当精致。
不过也有冷静的声音。视频作者坦言,在Web开发任务上,Krypton更接近Sonnet 5.5而非Opus;但在其他领域它可能确实超过了Opus 5.5。这种"分领域互有胜负"的格局,恰恰说明头部模型之间的差距正在缩小。
Arena(LMArena) 是一个公开的盲测对战平台,用户对两个匿名模型的输出投票,系统据此计算 Elo 式排名。模型在正式发布前常以匿名代号(如文中的 Hydrogen)进入 Arena 收集人类偏好数据,因此开发者能通过识别模型 slug、输出风格或响应特征来"提前发现"未发布模型。这种匿名测试被称为 stealth 测试或 A/B 测试,是当前大模型厂商评估真实用户偏好的重要途径,但也意味着早期榜单结果往往混合了测试版本与正式版本,解读时需要谨慎。
Claude Code:从单线程到项目协作
Claude Code这次的项目功能更新值得单独拿出来说。项目协调器现在能跨多个并行线程协调任务、在群组项目聊天中直接回答问题、并持续更新每个线程的工作状态。

两个新命令尤其实用:/btw允许你在不打断当前工作流的情况下问一个无关问题,系统会自动创建独立线程;/fork则可以从现有线程分叉出去尝试完全不同的方案,原进度不受影响。此外还有线程提醒、只读线程分享(无需登录即可查看,但访问本地电脑的线程不可分享),以及重新设计的线程面板——高亮最近打开、更新和固定的对话,并显示缩略图和生成的artifact。
自定义主题是另一个小巧但讨喜的更新:你可以在Claude桌面应用里用mods创建完全自定义的界面,甚至不用手动写代码,直接告诉Claude你想要的样子、附上参考图即可。目前仅支持本地会话,云端会话支持稍后推出。Projects功能目前对Claude Pro和Max用户开放公测。
Anthropic的模型选用指南:最贵的不一定最好
Anthropic在官方博客中给出了一份反直觉的建议:Opus 5.5中等推理强度应该是你的日常主力,尤其是编码和常规开发任务。如果Opus吃力,先提高推理强度,再考虑换更贵的模型。
数据支撑很直接:在Claude Code的52项编码任务对比中,Opus 5.5解决了84.6%,Fable 5.2为82.7%,而Fable每个解决任务的成本是Opus的2.8倍。换句话说,日常编码多付钱并不一定换来更好结果。真正困难的任务——大型代码库迁移、复杂架构、深度研究、长时间自主工作流——才是Fable 5.2的用武之地。Sonnet 5.5适合小型明确定义的任务,Haiku 5.5则用于分类、文件搜索和子代理等轻量操作。四个模型都支持100万token上下文窗口,选便宜的不会牺牲上下文长度。
推理强度(reasoning effort) 是推理模型引入的一个可调参数:模型在给出最终答案前会生成一段内部思维链,推理强度越高,允许的思考 token 越多,处理复杂逻辑、多步规划和调试的能力越强,但延迟和成本也同步上升。它与"换更大模型"是两条不同的优化路径——前者在同一模型内调节算力分配,后者更换参数规模与定价档位。Anthropic 建议先提高推理强度、再考虑升级模型,正是因为对多数任务而言,同一模型增加思考预算的边际收益高于直接切换到更贵模型,这也解释了为何 Opus 中等强度能覆盖大部分日常编码任务。
GPT-6.2 Astra、GLM-5.5与模型混战
OpenAI的GPT-6.2 Astra有早期预览输出流出,据称在一次性完成度上表现惊人——过去需要多轮迭代才能达到的环境生成质量,现在单次生成即可接近。
GLM-5.5则来自ZAI团队泄露的内部对话和基准图表,声称将超越Claude Opus 5.5。视频作者对此保持谨慎:这是来自中国的消息,社区中有不少"造假"质疑。但如果属实,意味着市场上将出现一个更便宜的Opus级模型。

其他值得关注的动向:Meta内部PR中出现Muse Spark 1.4的踪迹,可能与此前的隐身模型Crouton Alpha有关;Qwen 4.0 Max预览版疑似 stealth 升级,生成质量有明显提升;Antigravity引入动态工作流,/run-d命令可自动生成Python脚本协调多个子代理并支持并行任务,脚本运行前可审阅、可保存复用。
钱包与智能体:AI开始替你花钱
ChatGPT向美国Pro订阅用户推出Wallet功能,与American Express、MasterCard、Visa合作,让AI代理在不接触实际卡号的情况下完成购买,每笔交易都需安全验证,符合条件的消费仍保留卡奖励和争议保护。Google紧随其后,美国Gemini用户可将Google Wallet直连Gemini,实现类似的代理支付能力。

DeepSeek广告也在扩展版图:API新增内置网页搜索、文件处理、链接处理、安全功能和语音能力,另有OCR、语音识别和TTS独立API,开发者用几个参数就能复刻桌面应用体验。官网代码中出现的配额限制通知,则让付费订阅的猜测浮出水面。
代理支付(agentic payment) 指 AI 代理代表用户完成交易,而非用户本人点击付款。其技术关键在于不向模型暴露真实卡号:通常由支付网络生成一次性或限定用途的虚拟凭证(token),并绑定商户、金额上限与有效期,交易仍需用户生物识别或二次验证确认。卡组织提供争议保护与奖励累积,是为了让代理支付在体验上与普通刷卡等价。这一模式把"模型能调用工具"推进到"模型能支配资金",随之而来的授权边界、误购责任归属与提示注入攻击风险,是当前落地的主要争议点。
数学突破与IPO:AI的另一面
Google用Gemini 4系列模型(Argon、Carbon、Hydrogen)参与解决了一系列数学猜想:近百年历史的Berkoff猜想的首个机器验证形式化、跨度50年的3D Bochner-Rees猜想证明缺口的识别与修复、20年历史的C1正则性问题、40年历史的Jameson-Caterpillar猜想验证。Teamwork Leap系统还自主形式化了Weil猜想,通过29000次子代理调用生成180万行机器验证的Lean代码。
Dario Amodei在采访中确认Anthropic寻求IPO的核心原因是算力投入——生物学、机器人、网络安全、知识工作等领域机会巨大,现金储备越多,低算力世界与高算力世界之间的缓冲就越厚。
SpaceX则首次用发射塔机械臂接住了Starship本身,此前已成功接住Super Heavy助推器。Elon确认Grok参与了该机构的开发和计算工作。
Lean 是一种交互式定理证明器兼编程语言,主要用于形式化数学:把猜想与证明写成机器可检查的代码,由内核逐行验证每一步推理,从而排除人为疏漏。"机器验证的形式化"意味着证明不依赖同行评审的信任,而是由编译器给出确定结论。子代理调用(subagent calls) 则指主智能体把大任务拆成大量小目标,分派给并行的子智能体分别完成,再汇总结果——文中 29000 次调用生成 180 万行 Lean 代码,正是这种"大规模并行形式化"的典型规模。二者结合,使 AI 能以可审计的方式参与长期悬而未决的数学问题。
编辑观点
这期消息里最值得琢磨的不是某一个模型,而是两条趋势线:一是头部模型的性能差距正在快速收窄,Gemini 4 Krypton以更低成本逼近Fable 5.2,GLM-5.5若属实将进一步压缩溢价空间;二是Anthropic自己的数据都在说"最贵不等于最好",模型选用正在从"无脑选最强"转向"按任务匹配"。对开发者而言,这意味着成本优化空间比以往更大;对模型厂商而言,单纯堆参数换溢价的故事越来越难讲下去。
相关推荐

Gemini 4 Neon发布:前沿智能与高效任务执行的平衡之作
Google DeepMind 发布 Gemini 4 Neon,主打前沿智能与快速端到端任务执行。本文解析其在编程、企业分析、科学推理与网络安全上的基准表现、四档思考等级、定价与安全对齐数据。

AI是全球断网元凶?NSA、FAA接连宕机背后的信任危机
NSA机密网络五天内第四起重大故障,微软称软件bug、FAA否认新AI系统有关、NSA称例行维护。参议员沃纳提出AI加速漏洞发现导致仓促修复的另一种解释,而39%美国人对AI的负面看法让信任危机浮出水面。

机器人开发者自研B-rep内核,测试达3487项
机器人开发者自研B-rep几何内核并编写3,487项测试,探讨机器人领域为何需要专用CAD工具,以及自研内核的机遇与门槛。