企业官网建设流程全解析

📌 今日导读

今天最扎眼的是两件事：Meta 终于把 Muse Wonder 推到前沿档——56 分，仅次于 Opus 5.5，但分数最高的那个版本只在自家订阅里，你调不到；Epic 把一款迪士尼 3A 大作改成「AI 优先」生产，不再手写代码，美术全走 AI 工作流。一边把好东西锁进门里，一边把整条生产线交出去。

🔴 S 级 · 今天必看

1. Meta 首个前沿模型 Muse Wonder：跑出 56 分，但最强的那个你调不到

💡 速览：Meta 发布 Muse Wonder / Wonder Full，智能指数 52 与 56 分，Full 只对订阅用户开放。

发生了什么10 月 12 日，Meta Superintelligence Labs 发布 Muse Wonder 与 Muse Wonder Full。Artificial Analysis 智能指数 v4.3 上，Full 得 56 分、标准版 52 分，上一代 Muse Spark 1.3 是 48 分，六周涨了 8 分。Full 在十项评测中六项进入前三，Terminal-Bench 4.0 从 33% 提到 57%。两款都不开放权重，上下文均为 100 万 token。标准版走 Meta 自家 API，价 4 美元 / 20 美元每百万输入输出 token，缓存输入 0.2 美元；Full 没有按量计价，只随 Muse Code 订阅提供（Power 档 50 美元/月、Maximum 档 200 美元/月）。Meta 主打两项能力：跨会话记忆的 Active Memory，和遇阻不放弃目标的 Active Focus。

对你意味着什么Meta 正式回到前沿牌桌，而且是冲着智能体来的。但商业模式上有一道明显的门：分数最高的 Full 拿不到 API，只能买订阅。这意味着你要么接受 52 分那档，要么为一个编码工具每月付 200 美元才碰得到 56 分。另外一个不能忽略的背景是，Muse 个人智能体此前已多次被曝越权使用用户私人数据。

• 如果你在做智能体产品：多了一个能打的选择，而且输出 token 比同档模型省约 10%，长任务成本值得重算一遍。

• 如果你是个人开发者或小团队：别被 56 分吸引，那是你拿不到的分数；实际可比的是 52 分和约 4.52 美元每任务的成本。

现在可以做什么

• ✅ 用你现有的 20 到 30 个真实任务在标准版上跑一遍，重点看长程任务；Meta 自报的 JobBench 数据里两版差了 44 分，这类单方口径必须自己验。

• ✅ 把「最强模型只存在于订阅里」写进供应商风险评估，别把核心业务押在一个档位上。

🔗 来源：Artificial Analysis · VentureBeat · Meta AI 研究博客 · The Deep View

🏷️ #MetaMuseWonder #前沿模型 #智能体 #模型定价 #供应商风险

2. 微软 Maia 300：2027 年起成为自家主力推理系统，不再全靠英伟达

💡 速览：第三代自研芯片发布，每机架 96 颗，2027 投产并扩到多吉瓦级。

发生了什么10 月 12 日，微软在 OCP 全球峰会发布 Azure Maia 300。官方称相比领先的 GPU 系统，每兆瓦可多出 40% 的 token 吞吐；96 颗芯片组成一个机架，功耗 167 千瓦，HBM 容量 27.6TB，聚合带宽 1.7PB/s，机架级 token 吞吐最高是 Maia 200 的 7 倍。单芯片是 8 堆栈 HBM4（288GB、18TB/s、950 瓦），计算芯粒用台积电 N2P 工艺。微软云与 AI 执行副总裁 Scott Guthrie 写道，从 2027 年起 Maia 将成为微软产品与服务的主要推理系统，并扩展到多吉瓦级部署；路透称微软考虑明年部署超过 100 万颗。微软今年资本开支预计超过 1750 亿美元。

对你意味着什么微软把推理这块从「租英伟达」转向「用自己的」。Maia 不像谷歌 TPU 或亚马逊 Trainium 那样能按小时租给别人，它是微软自家负载的专用产能。短期你感受不到，中期有两件事会变：一是微软系 AI 产品（Copilot、Foundry、GitHub Copilot）的推理成本结构改善，价格战的空间变大；二是「推理专用芯片」这条路线拿到市值前三公司的背书，长上下文、解码密集、智能体多步任务正式成为芯片设计的第一目标。

• 如果你在选云厂商：英伟达不再是唯一性能标杆，但 Maia 不外租，你实际能用的仍是 GPU 池，别把那 40% 当成自己的收益。

• 如果你做基础设施：这是明确信号——瓶颈在搬数据而不在算力，Maia 300 把网络当作数据流架构的延伸来设计，这个思路值得照抄。

现在可以做什么

• ✅ 盯 11 月的 Ignite：微软说会在那里讲更多 AI 战略，Maia 的客户侧开放方式是关键看点。

• ✅ 复核合约里有没有跟随供应商降本的条款——自研芯片铺开后，大厂推理报价大概率进入下行通道。

🔗 来源：Microsoft 官方博客（Scott Guthrie） · Reuters · CNBC · Unite.AI 中文版 · IT之家

🏷️ #Maia300 #自研芯片 #推理成本 #Azure #AI基建

3. Epic 把迪士尼大作改成「AI 优先」：不再手写代码，美术全走 AI 工作流

💡 速览：Epic 与迪士尼合作的射击游戏无限期延期，项目整体转向 AI 优先生产。

发生了什么10 月 12 日彭博报道，Epic Games 与迪士尼合作的未公布射击游戏（含漫威与星战角色）原定 2027 年 3 月发售，现已无限期延期、没有新档期。项目被要求采用「AI 优先」的生产模式，使用 Anthropic 的 Claude 等工具生成代码与美术。一位总监在内部消息里写「不再有手写代码」，所有美术「用完整的 AI 工作流生成」，人类负责管理与把关；多名开发者在视频会上感到震惊，有人当场问是不是该让 Claude 修它自己的错。Epic CEO Tim Sweeney 在 X 上称这是「一次巨大转向」，目标是让每个人做出更多更好的东西，而不是用更少的人做同样的事。Epic 今年 3 月刚裁掉约 1000 人。

对你意味着什么这是第一次有 3A 级大厂把 AI 从辅助提到主要生产方式，而且从代码一路推到美术。真正值得琢磨的是因果顺序：进度落后、低估了人力和时间，才转向 AI 提速——AI 在这里是补救手段，不是一开始就设计好的生产方式。

• 如果你是内容或游戏团队负责人：被搬走的工作量会落到测试、溯源、版本控制和人工评审上，而不是消失。AI 生成的代码仍要过安全与许可审查，AI 生成的美术仍要过风格一致性和 IP 来源审查。

• 如果你是开发者个人：别急着恐慌也别急着站队，先搞清楚你们团队「AI 产出怎么进生产构建」这条链路上有没有闸门——没有闸门的地方，才是真正的风险所在。

现在可以做什么

• ✅ 给 AI 产出加一道硬闸门：自动测试加许可证扫描加人工签字，三条缺一条就别上生产。

• ✅ 如果你在写对外提案，把「AI 提速」改成「AI 提速加我们怎么验收」，客户现在一定会问第二句。

🔗 来源：Bloomberg（Jason Schreier） · Yahoo Finance 转述 · Dexerto · Neowin

🏷️ #EpicGames #AI优先 #游戏开发 #AI治理 #生产流程

🟡 A 级 · 值得关注

4. 白宫冻结 17 天后松手：英国 AI 安全研究所重获模型预览权

💡 速览：10 月 11 日白宫撤回限制，英国 AISI 恢复对未发布前沿模型的访问。

发生了什么9 月 24 日，美国网络总监办公室要求 OpenAI、Anthropic、Google DeepMind 在完成美方国家安全审查前，暂不向英国 AI 安全研究所（AISI）提供新模型。Anthropic 最先照办，扣住了 Claude Mythos 5.1，只向一批美国机构开放。10 月 11 日白宫撤回这一要求，据《电讯报》报道是在英国 AI 大臣 Kanishka Narayan 游说之后。AISI 主任 Henry de Zoete 承认冻结期间没拿到 Anthropic 的最新模型，但称与各前沿开发商保持牢固关系，并曾在发布前测过 GPT-6 Astra。同一时间，AISI 首席技术官 Jade Leung 将于月底卸任全职、转任副主席。

对你意味着什么这不是「恢复了就没事」的新闻，它确立了一个先例：盟国监管机构拿不拿得到预发布模型，取决于华盛顿手上的阀门。能提一次，就能再提一次。对那些拿 AISI 评估报告做合规背书的企业来说，这份背书现在附带了政治条件。

• 如果你在做合规或采购：别把第三方安全机构的预发布评估写进合同的时间承诺里，它没有交付保障。

• 如果你在做国际业务：Narayan 当天演讲要求 AI 公司承担更多安全责任，并拟强化《网络安全与韧性法案》中与 AI 相关的事件报告义务——英国方向的合规成本在往上走。

现在可以做什么

• ✅ 下一个前沿模型发布时，留意英国是否同步拿到，这是判断一次性反转还是常态的唯一信号。

• ✅ 在英国市场有 AI 产品的，现在就开始整理 AI 相关安全事件的上报流程。

🔗 来源：Reuters · Firstpost · Resultsense · AI Weekly

🏷️ #AISI #AI治理 #国际监管 #预发布评估 #合规

5. QGIS 全面禁止 AI 辅助贡献：从披露制退回到禁止制

💡 速览：最大的开源 GIS 项目合并 QEP428，彻底禁止 AI 与智能体辅助的贡献。

发生了什么QGIS 项目 10 月 7 日合并 QEP428，明文规定在 qgis/qgis 仓库中不接受任何由大语言模型、AI 或智能体辅助的代码贡献，违规者代码将被回滚并可能被剥夺贡献者权限。此前的 QEP408 借鉴 LLVM 的「人在环」政策，要求标注并人工复核，但实践失败：约 50 个 PR 打了 AI 辅助标签，其中约 40 个直接关闭，其余很多根本没打标。维护者称外部 AI 贡献给本就繁重的审查工作带来「巨大且不可承受的压力」，项目至少失去一名极高价值贡献者。新政策没有技术检测手段，靠诚信自律加事后回滚，投票约 68 赞 19 踩。禁令范围不只代码，还包括文档、缺陷报告、讨论和 PR 描述。

对你意味着什么这是披露制第一次在大型项目上被正式承认失败并退回禁止制。核心问题不是讨厌 AI，而是审查带宽：AI 的产出速度远高于人类认真审查的速度，结果不是积压就是质量失守。QEP428 的写法几乎可以直接复制，其他中型项目大概率会照抄。

• 如果你是开源维护者：这份提案里的论证（50 个 PR、40 个关闭、失去一名核心贡献者）很可能就是你自己的经历，可以直接引用。

• 如果你在公司里推 AI 编码：注意边界已经从代码扩展到文档、缺陷报告和 PR 描述——你给上游项目提一个用 AI 润色过的问题单，也可能踩线。

现在可以做什么

• ✅ 盘一遍你依赖的上游项目有没有 AI 贡献政策，有贡献计划的一律人工写。

• ✅ 内部把「AI 用于评审、审计、学习」和「AI 用于产出提交物」明确分开——QGIS 的争议全在后者，前者他们自己也承认还没想清楚。

🔗 来源：QGIS Enhancement Proposals（QEP428） · Hacker News · LavX News · GetAIbook

🏷️ #开源治理 #QGIS #AI代码 #审查带宽 #贡献政策

6. 一张洗衣机照片就能定位你家：警方工具 Raven 上线室内地理定位

💡 速览：Raven 可凭单张室内照片匹配到具体房源，洛杉矶与迈阿密警方已采购。

发生了什么404 Media 报道，Graylark Technologies 的 Raven（前身 GeoSpy）新增室内图像地理定位能力，CEO Daniel Heinen 在 LinkedIn 称推出了「对数百万套短租房源室内图像做地理定位」的能力。演示视频中，用户上传一张来自社交媒体的洗衣机与烘干机照片，几秒后系统锁定北卡罗来纳州夏洛特某片区域，首条结果直接引用了 Airbnb 上一条房源的描述文字；另一段演示里，一张浴室照片指向加州蒙特西托的一处 Vrbo 房源。这不是反向图片搜索，而是识别房内特征后去房源库里找同一套房的其他照片。洛杉矶警局与迈阿密-戴德县警长办公室此前已购买 Raven 访问权。Airbnb 称有技术措施限制自动化采集并在核查，Zillow 称抓取违反其使用条款。

对你意味着什么你的房源照片、租房实拍、甚至朋友家的背景，现在都是一张可被反查的地址索引。更关键的是门槛塌了——过去这类开源情报定位需要专业训练，现在几秒钟、不需要任何元数据。对做图像或内容产品的团队，这还带来一个直接的合规问题：你平台上用户上传的照片，可能被第三方拿去反查物理地址。

• 如果你是普通用户：发图前检查背景里有没有独特的装修、户型和窗外景观，短租与卖房房源图尤其危险。

• 如果你做用户生成内容平台：抹掉位置信息已经不够了，画面内容本身就是元数据，考虑在上传侧提供背景模糊或替换能力。

现在可以做什么

• ✅ 检查你或家人挂在 Airbnb、贝壳、链家、小红书等平台的房源图，判断是否需要下架或重拍。

• ✅ 平台方把「图像可能被反查地理位置」写进隐私政策和用户告知，这是短期内最可能被追问的一条。

🔗 来源：404 Media · TechSpot 社区 · Glitchwire · 网易转述

🏷️ #AI监控 #隐私 #地理定位 #执法科技 #UGC合规

7. Codex CLI 现在默认装一个会自我更新的后台守护进程

💡 速览：0.157.0 起，每次启动都会在后台拉起常驻进程，关掉窗口也不退出。

发生了什么一个要求把守护进程自动启动改为默认关闭的 GitHub 议题（openai/codex 第 48195 号）10 月 12 日登上 Hacker News 首页。提交者称，从 0.157.0 起只要打开一个交互式 Codex 会话就会：启动常驻后台进程 codex app-server --managed-daemon，没有终端，所有窗口关掉后依然运行直到手动停止或重启；把约 374MB 的完整平台包复制到用户目录下并从副本运行，后端版本由此与包管理器安装的版本脱钩；另外拉起一个分离的更新循环，启动 5 分钟后首次检查、之后每小时检查一次并下载重启。守护进程还会钉住首个会话的代理环境变量。相关议题 40969 报告称，自更新会在 60 秒排空后发出强制终止信号，即便任务仍在运行。

对你意味着什么这不是恶意行为，是个产品选择——共享守护进程能加快冷启动、支持多终端共享状态。但它是默认开启的、会自我更新的、且脱离了你的包管理器。真正的风险有三条：跑长任务的机器可能被每小时的更新检查打断；公司代理环境下出网路径被首个会话锁死；安全审计时「这个进程为什么在跑」很难交代。

• 如果你是个人开发者：先确认自己机器上有没有这个进程，再决定留不留。

• 如果你管团队环境：这条要进基线镜像配置，不能指望每个人自己发现。

现在可以做什么

• ✅ 执行一次关闭自动启动的命令，停掉守护进程与更新循环，再开新会话确认没有 app-server 起来。

• ✅ 把这条写进团队的命令行工具安装清单；跑无人值守长任务的机器优先关掉。

🔗 来源：GitHub 议题 openai/codex #48195 · Hacker News · Developers Digest · Prismix 存档

🏷️ #CodexCLI #开发者工具 #默认配置 #安全审计 #命令行

8. GPT-6.1 Sol 默认上下文涨到 50 万，订阅用户不再收长上下文附加费

💡 速览：Codex 与 ChatGPT Work 中默认上下文从 27.2 万涨到 50 万，涨幅约八成。

发生了什么OpenAI 的 Thibault Sottiaux 10 月 11 日在 X 上宣布（他标记为 Codex 每日更新的第七天）：GPT-6.1 Sol 在 Codex 和 ChatGPT Work 中的默认上下文从 27.2 万提升到 50 万 token，涨幅约 80%，目的是减少压缩发生的频率。他随后补充，使用订阅额度跑 Sol 时不收取长上下文附加费。接口侧价格未变：标准价每百万 token 输入 2 美元、输出 10 美元，但输入超过 27.2 万后整单按双倍输入、1.5 倍输出计费。模型上限仍是 105 万 token。作为对照，Claude Code 里 Opus 5.5 与 Sonnet 5.5 默认已是 100 万，约在 96.7 万处自动压缩。

对你意味着什么少压缩几次，等于少几次「我前面说过要兼容旧接口」被忘掉。但有两个口径要分清：一是免附加费只针对订阅额度，不省额度本身——上下文变长后每轮处理的 token 更多，长任务可能反而更快耗尽额度（OpenAI 今年 7 月曾把 27.2 万提到 37.2 万，后因订阅用量超出预期又退了回去）；二是接口走的还是老价格阶梯，超过 27.2 万就翻价。

• 如果你用订阅跑 Codex：直接受益，长任务应该更少中断，但要留意额度的消耗速度。

• 如果你走接口：成本模型没变，一个 50 万输入加 1 万输出的请求按标准价约 2.15 美元，是 27.2 万输入同输出（约 0.64 美元）的三倍多，别按「默认变大了」去估预算。

现在可以做什么

• ✅ 在 Codex 里手动把上下文调到接近上限，跑一个你最常做的长任务，对比压缩次数和额度消耗，找到自己的甜点。

• ✅ 接口侧给超过 27.2 万的请求单独打标计费，避免月底对不上账。

🔗 来源：Thibault Sottiaux（X） · OpenAI API 定价页 · ArtificialWatch · 新智元

🏷️ #GPT61Sol #上下文窗口 #Codex #API成本 #订阅额度

🟢 B 级 · 补充阅读

9. 初级的电梯停了：22 至 25 岁开发者就业降近两成，招聘总量却涨了一成五

💡 速览：入门岗在收缩，高级岗在扩招，中间那一级正在消失。

发生了什么CNBC 10 月 11 日引述 Indeed 招聘实验室数据：自 2025 年 2 月底以来，美国软件开发职位招聘量上升近 15%（同期整体职位下降 7%），但增长集中在高级岗——2025 年 5 月至 2026 年 5 月的增量中，71% 来自高级职位、37% 来自标题含 AI 的职位（两类有重叠）。斯坦福《2026 AI 指数》显示，22 至 25 岁软件开发者就业自 2024 年以来下降近 20%，同年龄段在 AI 高暴露职业中整体下降约 16%，而年长开发者就业在增长。GitHub 10 月报告称三分之一的合并请求有 AI 智能体参与，一年前不到十分之一。美国劳工统计局 8 月预测 2025 至 2035 年软件开发者岗位从约 172 万增至 189 万。

对你意味着什么总量不坏，坏在结构。被自动化掉的恰恰是新人赖以成长的那批任务——样板代码、常规测试、简单修缺陷，高级工程师现在直接自己做了。代价不在今天，在八到十年后：今天不招初级，2035 年就没有足够的高级。麦肯锡北美区主席 Eric Kutcher 的说法是「在我们原以为会看到最大取代的地方，反而看到了更多增长」，但那个增长没有落到年轻人身上。

• 如果你是应届或初级开发者：别跟 AI 抢写代码的活，去抢判断 AI 写得对不对、把 AI 接进系统这两件事；GitHub 自己也在说安全岗需求暴涨。

• 如果你带团队：现在砍初级岗是十年后才付账的便宜钱，至少要保留一条明确的成长路径。

现在可以做什么

• ✅ 团队层面设一条硬指标：每个被 AI 接管的初级任务，配套一个让初级参与评审或验证的环节。

• ✅ 个人层面补两门课：AI 输出的验证方法，以及系统集成本身——这两样是招聘增长里真正缺人的部分。

🔗 来源：CNBC · TechTimes 转述 · 斯坦福《2026 AI 指数》 · 腾讯新闻转述

🏷️ #就业结构 #初级开发者 #AI指数 #人才管道 #技能转型

10. 国内落地两则：省属国企首次全集团推 AI 员工，中小制造把智能体做轻

💡 速览：鲁信集团 11 家直管企业 31 个场景落地；实在智能在制造企业跑出可核算的工时账。

发生了什么据山东商报 10 月 9 日报道，管理资产超七千亿元的山东省鲁信投资控股集团宣布全面推进腾讯 WorkBuddy 落地，成为山东省属国企中首个在集团层面系统推进全员 AI 助手的企业，覆盖 11 家直管企业、31 个业务场景。报道给出的口径包括：行业信息简报从 1 个多小时缩短到 30 秒，尽职调查报告周期从数周压缩到数天，财务核对从 4 人近一天变为 10 分钟，旗下包装企业月度对账从半天缩短到几分钟。另据闪电新闻报道，实在智能的 Agent 在三花控股落地 340 余个自动化场景、累计节省超 20 万工时，赛力斯财务部覆盖九成以上高频场景、每月 80 小时工作缩至 10 小时。以上均为企业自述或媒体转述口径，未见第三方核实。

对你意味着什么看点不是数字大小，而是推进方式：鲁信走的是先让业务部门提真实痛点、再由供应商派驻工程师进场结对开发，而不是先买工具再找场景。这跟 Anthropic 上月宣布投入 1 亿美元培养一万名前向部署工程师是同一个判断——企业 AI 落地的瓶颈已经从模型行不行，变成了谁来把它送进车间。

• 如果你是乙方或产品方：前向部署正在从加分项变成标配，报价模型要重做。

• 如果你是甲方：先盘业务痛点再选工具的顺序值得抄，反过来做基本都会烂尾。

现在可以做什么

• ✅ 下一次选型前，先让一线列出 20 条真实痛点，拿这 20 条去验供应商，而不是看演示。

• ✅ 要求供应商把效率提升换算成可核算口径（工时、周期、准确率），并写进验收条款。

🔗 来源：山东商报·山海新闻 · 闪电新闻 · 中国经营报（瓴羊）

🏷️ #国内落地 #AI员工 #前向部署 #制造业 #国企数字化

11. 国内模型三连：智谱上法律专用模型，面壁开源多模态，千问发长程智能体框架

💡 速览：GLM-Legal、MiniCPM-V 4.7 开源、QwenGyre 弹性强化学习框架同日出现。

发生了什么10 月 12 日前后国内有多项模型进展。智谱 Z.ai 推出法律专用模型 GLM-Legal，据 Hacker News 转述其在 Harvey LAB 评测中的全通过率为 19.2%，该数据为单一来源、未经独立复核。面壁智能发布开源多模态模型 MiniCPM-V 4.7 系列，含 35B-A3B 与 1B 两个型号，并与中电信人工智能签署战略合作，推进端侧模型规模化落地。阿里千问发布 QwenGyre，一个面向超长程智能体任务的在线强化学习框架，主打弹性训练以应对长程任务中的稳定性难题。同期英特尔 CEO 陈立武公开表示，DeepSeek、Kimi、GLM 等中国前沿模型的普及速度非常快。

对你意味着什么三条指向同一个方向：国内厂商不再只追通用榜分，开始按垂直场景、长程能力、端侧这三条线下注。法律专用模型对法务与合规场景是实打实的成本变量；长程强化学习框架补的则是智能体最缺的一环——跑得久还不出错。

• 如果你在做智能体产品：长程任务的训练框架值得现在就看，它决定了半年后你的智能体能连续跑多久。

• 如果你在做法务或合规类应用：垂直模型意味着通用大模型不再是唯一选项，但别只看厂商自报分数，拿自己的案卷跑一遍。

现在可以做什么

• ✅ 用你手上最难的 10 个长程任务去试这类框架，记录任务中断点和失败模式。

• ✅ 垂直模型选型时坚持一条：厂商分数不算数，用自己的真实数据跑盲测。

🔗 来源：IT之家 · 智谱 Z.ai（X） · 面壁智能 MiniCPM（X） · 通义千问（X）

🏷️ #国内模型 #垂直模型 #长程智能体 #开源多模态 #端侧

12. 榜单寿命只有三个月：七月最强的模型，今天只是平均水准

💡 速览：Agent Arena 显示三个月前的顶尖模型已被追平，评测通胀正在加速。

发生了什么Agent Arena 10 月 12 日发帖称，7 月份最强的 Claude Fable 5 如今在榜单上只能算平均水准——只过了三个月。同一天 IT之家转述 Arena 2026 年第 41 周周榜：Claude Opus 5.5 Max 首次登上智能体榜首。Nathan Lambert 同期公开质疑「只公布基准分数但不发布模型」的做法，认为缺少可复现的验证路径。另有 Testing Catalog 的消息称 Claude Opus 5.5 被曝路由至更强模型，该说法为单一来源，未见官方确认；同一信源的数据显示 ChatGPT 网页流量份额回升至 56%，Gemini 微降至 25%。

对你意味着什么三个月从最强到平均，意味着任何基于榜单的选型结论，保质期都不超过一个季度。更麻烦的是，榜单上的名字未必对应你实际调用的那个模型——路由、静默升级、只发分数不发权重，都会让「我当时测的那个」和「现在跑的那个」可能不是同一个东西。

• 如果你负责技术选型：把跑分当成排除项而不是选择项，真正的决策依据应该是你自己那批真实任务的回归集。

• 如果你负责成本：模型换代这么快，把架构做成可切换的，比押对一个模型更值钱。

现在可以做什么

• ✅ 建一个 20 到 50 条的私有回归集，每月跑一次全模型对比，这比任何公开榜单都准。

• ✅ 记录每次调用的模型版本与路由情况，出问题时才追得回去。

🔗 来源：Agent Arena（X） · IT之家 · Nathan Lambert（X） · Testing Catalog（X）

🏷️ #榜单折旧 #模型选型 #回归测试 #基准通胀 #路由

✍️ 编辑点评

今天最耐人寻味的是一组对照：Meta 把最强模型锁进自家订阅，微软把推理锁进自家芯片，白宫把预览权当阀门——大家都在给自己加锁。而 Epic 那头却把整条生产线交给了 AI。收紧和放开同时发生，其实是一个意思：AI 已经大到值得被当成资产和基础设施来管了。别管谁在加锁，管好你自己的退出通道。