前沿与边界
截至今天，大模型走到了哪里，还做不到什么？
资料截至 2026 年 10 月 13 日，共核实 42 次重要发布，每条都附官方来源。有的只是宣布，有的只开放给少数机构。
两年里最值得记住的八件事
按时间排列。“宣布”“预览”“公开可用”是三件不同的事，下面分开写。
- 2024.09
o1：先推理，再回答
OpenAI · 预览，正式版 2024-12
- 解决了什么
- 直接作答的模型在多步数学和编程题上容易出错。
- 带来了什么变化
- 官方称它“在回答前花更多时间思考”。推理时多用计算，成了与扩大训练并列的第二条提升路径[1]。
- 2024.11
- 2025.01
DeepSeek-R1：开放的推理模型
DeepSeek · 开放权重（MIT）
- 解决了什么
- 最强的推理模型都是闭源的，外界难以研究和复用。
- 带来了什么变化
- 以 MIT 许可开放权重，官方称性能与 o1 相当，并允许蒸馏与商用，开放模型的追赶明显加快[4]。
- 2025.07
IMO 金牌水平
Google DeepMind · 研究成果
- 解决了什么
- 竞赛级数学证明长期被视为语言模型的弱项。
- 带来了什么变化
- Gemini Deep Think 高级版在 4.5 小时内用自然语言解出六题中的五题，得 35/42 分，经 IMO 协调员评定为金牌水平[5]。
- 2026.03
- 2026.04
第一个因攻防能力而不公开的模型
Anthropic Claude Mythos Preview · 受限
- 解决了什么
- 模型找软件漏洞的能力越来越强，可以帮防守方，也可能被攻击方利用。
- 带来了什么变化
- 官方称它已发现数千个高危零日漏洞，因此只开放给关键软件的维护方，“不计划普遍开放”[8]。
- 2026.04
百万 Token 成为默认
DeepSeek-V4 · 开放权重
- 解决了什么
- 长上下文曾是少数旗舰模型的卖点，成本很高。
- 带来了什么变化
- V4-Pro 总参数 1.6T、每个 Token 只激活 49B，并宣布 1M 上下文成为所有官方服务的默认设置[9]。
- 2026.09
发布节奏：分清“宣布”和“能用” Releases · Availability
1一句话
两年里，主要实验室几乎每个月都有新发布；读一条新闻时，先看它是宣布、预览、受限，还是真正公开可用。
2打个比方
像出版社的样书：宣布是发了预告，预览是寄给少数评论人的校样，受限发布是只印给特定订户，公开可用才是摆上书店的成书。同一本“书”，这几步之间可能隔好几个月。
3动手试
- 2026-09-30预览
Google DeepMind
Gemini 4 Argon
Google 称 Gemini 4 Argon 为面向长程软件工程、企业知识工作和网络防御的前沿模型，输出上限扩至 1M token（此前 64K）；参与美国政府自愿性发布前模型访问流程。官方报告 DeepSWE v1.1 77.9%、AutomationBench 51.3%；Bloomberg 援引内部人士称其在部分真实编程任务上表现欠佳，Google 否认。
- 2026-09-22发布
- 2026-09-22发布
Anthropic
Claude Opus 5.5 / Claude Sonnet 5.5 / Claude Haiku 5.5
Opus 5.5（9-22）为 Claude 5.5 系列首款，价格降至 $4/$20、扩展思考不可关闭，官方报告 Terminal-Bench 4.0 66.4%、HLE（带工具）67.7%、OSWorld 2.1（部分）81.8%；Sonnet 5.5（9-28，$2/$10）与 Haiku 5.5（10-07，起价 $0.10/$0.50）随后发布。当前全系 1M 上下文、128K 最大输出。
- 2026-09-21发布
xAI（2026 年 API 文档署名 SpaceXSI）
Grok 4.7
xAI API 发布说明称 Grok 4.7 为其面向编程、智能体和知识工作的前沿模型：500k 上下文，文本与图像输入、文本输出，提示少于 200k 时价格为 $2/$6 每百万 token；此前依次发布 Grok 4.5（2026-07-08）与 Grok 4.6（2026-08-12）。截至检索日 Grok 5 尚无官方发布。官方发布说明只标注 2026 年 9 月，具体日期来自转述。
来源：xAI Docs
- 2026-09-03发布
OpenAI
GPT-6 Astra
OpenAI 称 GPT-6 Astra 是其“最智能、最对齐”的模型，在计算机使用、编程、网络安全和科学上达到最先进水平；它也是首个在 OpenAI Preparedness Framework 下达到网络安全“Critical（严重）”级别的模型，因此分阶段发布。ARC Prize 测得其 ARC-AGI-3 标准框架 62.7%、使用新 Provider Adapter 框架 99.9%。
- 2026-08-14发布
阿里巴巴 Qwen 团队
Qwen3.8（Qwen3.8-2.4T-A95B / Qwen3.8-27B）
Qwen 首次把 Max 级模型开放发布：Qwen3.8-2.4T-A95B 为总参数 2.4T、激活 95B 的 MoE 模型，混合 Gated DeltaNet 线性注意力与门控注意力，原生 262K、可扩展至约 1M token 上下文；云端 Qwen3.8-Max 额外提供视觉输入、默认 1M 上下文等功能。权重于 2026 年 8 月中旬前上线 Hugging Face。
- 2026-07-24发布
Anthropic
Claude Opus 5
Anthropic 称 Opus 5 以一半价格接近 Fable 5 的前沿智能，在 Frontier-Bench 与 GDPval-AA 上达最先进水平，并称其为迄今测试过“最对齐”的模型（比 Opus 4.8、Sonnet 5、Fable 5 更不易欺骗）；ARC Prize 结果页记录其 ARC-AGI-3 得分 30.16%。
- 2026-07-16宣布
月之暗面 Moonshot AI
Kimi K3
Kimi K3 为原生多模态 MoE 模型，总参数 2.8T、激活 104B（896 个专家中每 token 选 16 个），1M token 上下文，采用 Kimi Delta Attention 与 Attention Residuals 新架构；官方称其为“首个开放的 3T 级模型”，同时承认整体性能仍落后于 Claude Fable 5、GPT-5.6 Sol 等最强闭源模型。
- 2026-07-09发布
- 2026-06-09发布
Anthropic
Claude Fable 5 / Claude Mythos 5
同一底层“Mythos 级”模型的两个版本：Fable 5 带有网络安全、生物化学和蒸馏等领域的安全分类器，被标记的请求改由 Claude Opus 4.8 回答（官方称平均不到 5% 的会话触发）；Mythos 5 去除部分网络安全限制，只提供给网络防御方。两者定价 $10/$50 每百万 token、1M 上下文。6-12 美国政府对其实施出口管制，Anthropic 暂停全部访问，7-01 恢复。
- 2026-05-19发布
Google DeepMind
Gemini 3.5 Flash 与 Gemini Omni（Google I/O 2026）
Google 在 I/O 2026 发布新系列首款 Gemini 3.5 Flash，官方称其在 Terminal-Bench 2.1（76.2%）、MCP Atlas（83.6%）等编程与智能体基准上超过 Gemini 3.1 Pro，并成为搜索 AI Mode 全球默认模型；同时推出可从任意输入生成内容（首先是视频）的 Gemini Omni。Google 当时称 3.5 Pro 将于次月推出，但据 9to5Google 2026-09-24 报道，3.5 Pro 最终未发布。
- 2026-04-24预览
DeepSeek（深度求索）
DeepSeek-V4（V4-Pro / V4-Flash）
V4-Pro 总参数 1.6T（激活 49B）、V4-Flash 284B（激活 13B），均支持 1M token 上下文并成为官方服务默认，采用 token 级压缩 + DeepSeek 稀疏注意力（DSA）。官方称 V4-Pro 在开源模型中领先、“仅次于 Gemini-3.1-Pro”。后续 V4-Pro 于 8-13 正式可用，具原生多模态的 V4.1-Flash 于 9-10 发布。
- 2026-04-23发布
- 2026-04-08发布
- 2026-04-07预览
Anthropic
Claude Mythos Preview / Project Glasswing
Anthropic 宣布 Project Glasswing，用未公开发布的前沿模型 Claude Mythos Preview 帮助 AWS、Apple、Google、Microsoft、NVIDIA、Linux 基金会等加固关键软件。官方称该模型已发现数千个高危零日漏洞（涵盖所有主流操作系统和浏览器），SWE-bench Verified 93.9%、CyberGym 83.1%，并因网络攻击能力扩散风险“不计划普遍开放”。METR 测得其早期版本 50% 时间跨度约 17 小时（超过 16 小时的测量被 METR 视为不可靠）。
- 2026-03-05发布
OpenAI
GPT-5.4
OpenAI 称 GPT-5.4 是其首个具备原生、最先进计算机使用能力的通用模型：OSWorld-Verified 达 75.0%（GPT-5.2 为 47.3%，官方给出的人类基线为 72.4%），并支持工具搜索与 1M token 上下文。
来源：OpenAI
- 2026-02-11发布
智谱 Z.ai
GLM-5
GLM-5 面向复杂系统工程和长程智能体任务，参数规模从 GLM-4.5 的 355B（激活 32B）扩展到 744B（激活 40B），预训练数据从 23T 增至 28.5T token，并集成 DeepSeek 稀疏注意力（DSA）以降低部署成本。后续 GLM-5.3（2026-08）改用自定义许可。
- 2026-02-05发布
Anthropic
Claude Opus 4.6
首个提供 1M token 上下文（beta）的 Opus 级模型，最大输出 128k，引入“自适应思考”与 effort 档位；官方报告 SWE-bench Verified 81.42%、HLE（带工具）53.0%；Claude Code 推出“智能体团队”研究预览。METR 测得其 50% 时间跨度约 12 小时（置信区间约 5–60 小时）。同日 OpenAI 发布 GPT-5.3-Codex。
- 2025-12-11发布
- 2025-11-18预览
Google DeepMind
Gemini 3 Pro（预览）/ Gemini 3 Deep Think / Google Antigravity
Google 发布 Gemini 3 Pro 预览版：官方报告 HLE（无工具）37.5%、GPQA Diamond 91.9%、SWE-bench Verified 76.2%、LMArena 1501 Elo；Deep Think 模式在 ARC-AGI-2（带代码执行，经 ARC Prize 验证）达 45.1%；同时推出智能体开发平台 Google Antigravity。
来源：Google
- 2025-09-30发布
OpenAI
Sora 2
OpenAI 发布能生成同步对白与音效的视频模型 Sora 2 及配套社交应用；2026-03-24 OpenAI 宣布关闭 Sora 应用（未说明原因），其官方页面现注明“Sora 产品已不再提供”。
- 2025-09-29发布
Anthropic
Claude Sonnet 4.5
官方报告 SWE-bench Verified 77.2%（全部 500 题、10 次平均），OSWorld 61.4%（四个月前 Sonnet 4 为 42.2%）；Anthropic 称观察到它在复杂多步任务上保持专注超过 30 小时（内部观察，非基准结果）；同时发布 Claude Agent SDK。
来源：Anthropic
- 2025-08-07发布
- 2025-08-05预览
Google DeepMind
Genie 3
通用世界模型 Genie 3 可根据提示实时生成可交互、可导航的环境，720p、每秒 24 帧，并能保持数分钟的一致性（视觉记忆可回溯约 1 分钟）。
- 2025-08-05发布
- 2025-07-21论文 / 成果
Google DeepMind
Gemini Deep Think 高级版达到 IMO 金牌标准
Gemini Deep Think 高级版在 2025 年国际数学奥林匹克（IMO）六题中完美解出五题、得 35/42 分，成绩经 IMO 协调员按学生同等标准官方评定为金牌水平；全程以自然语言端到端作答，在 4.5 小时比赛时限内完成（此前 AlphaProof 等需先把题目译成 Lean 形式语言）。
- 2025-07-11发布
月之暗面 Moonshot AI
Kimi K2
Kimi K2 为总参数 1T、激活 32B 的 MoE 模型，使用 MuonClip 优化器在 15.5T token 上完成预训练，强调工具使用与自主解决问题的智能体能力。
- 2025-07-09发布
xAI
Grok 4 / Grok 4 Heavy
xAI 发布 Grok 4，称在 20 万块 GPU 的 Colossus 集群上以“预训练规模”进行强化学习，训练计算量比此前高出一个数量级以上，并通过强化学习训练原生工具使用；同时推出 Grok 4 Heavy。
来源：xAI
- 2025-05-22发布
Anthropic
Claude Opus 4 / Claude Sonnet 4
Anthropic 发布 Claude 4 系列混合推理模型，SWE-bench Verified 分别为 72.5%（Opus 4）和 72.7%（Sonnet 4）；官方称 Opus 4 可连续工作数小时、完成需要数千步的任务；Claude Code 同日正式可用。
来源：Anthropic
- 2025-05-16预览
- 2025-04-29发布
阿里巴巴 Qwen 团队
Qwen3
Qwen3 包括旗舰 MoE 模型 Qwen3-235B-A22B（总 235B / 激活 22B）、Qwen3-30B-A3B 及 6 个稠密模型，支持“思考 / 非思考”混合模式切换，预训练约 36T token，支持 119 种语言和方言。
来源：Qwen
- 2025-04-16发布
- 2025-04-05发布
Meta
Llama 4 Scout / Llama 4 Maverick
Meta 发布首批采用早期融合的原生多模态 MoE 开放权重模型：Scout（激活 17B / 总 109B，10M token 上下文）与 Maverick（激活 17B / 总 400B，128 个专家）；近 2T 参数的 Behemoth 仅作预览。截至 2026-10，Meta 在 Hugging Face 上发布的最新 Llama 语言模型仍是这一代。
- 2025-03-25宣布
Google DeepMind
Gemini 2.5 Pro（实验版）
Google 把 Gemini 2.5 定位为“思考模型”（回答前先推理），首发的 2.5 Pro 实验版登顶 LMArena，上下文窗口 1M token；官方表示今后将把思考能力直接构建进所有模型。
来源：Google
- 2025-02-27预览
- 2025-02-24宣布
Anthropic
Claude 3.7 Sonnet 与 Claude Code（研究预览）
Anthropic 称 Claude 3.7 Sonnet 为市场上首个“混合推理”模型，可在快速回答与用户可见的扩展思考之间切换；同时以研究预览形式推出命令行智能编程工具 Claude Code。
- 2025-01-20发布
DeepSeek（深度求索）
DeepSeek-R1
DeepSeek 发布推理模型 R1，官方称性能“与 OpenAI-o1 相当”；以 MIT 许可开源、明确允许蒸馏与商用，并开源 6 个由 R1 蒸馏的小模型（官方称 32B、70B 版本可比 o1-mini）。
来源：DeepSeek
- 2024-12-26发布
DeepSeek（深度求索）
DeepSeek-V3
DeepSeek-V3 为混合专家（MoE）架构，总参数 671B、每个 token 激活 37B，使用 14.8T token 训练，模型与论文同步开源。
- 2024-12-11宣布
Google DeepMind
Gemini 2.0（Gemini 2.0 Flash 实验版）
Google 称 Gemini 2.0 是“面向智能体时代”的模型：2.0 Flash 可原生输出图像与多语言语音、原生调用 Google 搜索和代码执行等工具；同时展示通用助手原型 Project Astra 与浏览器智能体原型 Project Mariner。
来源：Google
- 2024-11-25宣布
Anthropic
Model Context Protocol (MCP)
Anthropic 开源 MCP——把 AI 助手连接到数据源和工具的开放协议，同时发布规范、SDK 以及 Google Drive、Slack、GitHub、Postgres 等预置服务器。2025-12-09，Anthropic 将 MCP 捐赠给 Linux 基金会下新成立的 Agentic AI Foundation（与 Block、OpenAI 共同发起）。
- 2024-10-22宣布
Anthropic
Claude 3.5 Sonnet（新版）计算机使用（Computer Use）
Anthropic 推出“计算机使用”公开测试版：Claude 通过看屏幕、移动光标、点击和打字来操作电脑。官方称其在 OSWorld 仅截图类别得分 14.9%（次优系统 7.8%），同时承认该能力“仍处实验阶段”，有时笨拙且易出错。
来源：Anthropic
- 2024-09-12预览
这个组合下没有条目，换一个实验室或状态试试。
4怎么做到的
几条主线贯穿这两年：推理能力成为默认配置，主要厂商用“推理强度”档位调节速度与质量[13]；开放权重模型快速追赶，但官方说明里仍承认落后于最强的闭源模型[14]；混合专家结构与稀疏注意力成为主流，同档能力的价格不断下降[15]。
算力投入仍在指数增长：Epoch AI 估计，2020 年以来前沿语言模型的训练算力约每年增长 5 倍[16]。
做不到什么
- 多数性能数字是厂商自报，不同版本、不同评测框架下的分数不能并排比较。
- “部分核实”的条目，确切日期或个别数字来自模型卡元数据或媒体转述。
- 发布了也可能下线：OpenAI 在 2026 年关闭了 Sora 应用[17]。
智能体能连续工作多久 Agents · Time Horizon
1一句话
衡量智能体进展的一个办法，是看它能以一半的成功率，完成人类专家需要多长时间的任务。
2打个比方
像考察一位新同事：不只看他能不能回答问题，而是看能不能独立把一件事从头做完——十分钟的小活、一下午的任务，还是要好几天的项目。
3动手试
任务时长按人类专家完成同一任务所需时间计算。METR 提醒：“50% 时间跨度为 X 小时”不等于可以放心把 X 小时以内的任务交给 AI；误差约为上下 2 倍，不同领域可以相差几个数量级。
锯齿状前沿 Jagged Frontier
1一句话
大模型的能力边界不是一条平滑的线：能拿奥数金牌的模型，读模拟时钟却只对一半。
2打个比方
像一把锯子的刃口：有的齿已经伸得很远，旁边的齿却还很短。“它能做难题”推不出“它能做简单题”，反过来也一样。
3动手试
- IMO 2025 国际数学奥林匹克 35 / 42 分 Gemini Deep Think 高级版（2025-07） · 六题完美解出五题，经 IMO 协调员按学生同等标准评定为金牌水平。 Google DeepMind
- 读懂模拟时钟 50.1% 顶级模型（斯坦福 2026 AI Index） · 同一份报告里，AI 已能拿 IMO 金牌，读表盘却只对一半。 Stanford HAI
- 操作电脑完成任务（OSWorld） 约 66% 智能体（斯坦福 2026 AI Index） · 从约 12% 升到约 66%，仍有约三分之一失败。 Stanford HAI
- 专家级难题（Humanity’s Last Exam） 67.7%（带工具） Claude Opus 5.5（2026-09，厂商自报） · 2025 年初分数还是个位数；“带工具 / 不带工具”差异很大。 Anthropic
- 探索并归纳新规则（ARC-AGI-3） <1%
拖动最后一行的滑块：ARC-AGI-3 半年内从不到 1% 到 99.9%，但最后一步只是换了评测框架。ARC Prize 明确表示，这不代表通用人工智能。
4怎么做到的
斯坦福 2026 年 AI 指数报告同时记录了两件事：AI 拿到了 IMO 金牌，而顶级模型读模拟时钟的正确率只有 50.1%[21]。专门测试“探索新环境、归纳新规则”的 ARC-AGI-3 发布时，人类能解决全部环境，前沿系统低于 1%[22]。
基准本身也在快速失效：热门测试常在一两年内被刷到接近满分，还会因训练数据泄漏而失真。OpenAI 在 2026 年宣布不再用 SWE-bench Verified 评测前沿编程能力[23]。
做不到什么
- 同一个模型换一个评测框架，分数可以从 62.7% 变成 99.9%[24]。
- 基准得高分不代表通用智能，ARC Prize 在满分附近时也这样强调。
- 厂商自报与第三方复现之间常有差距。
幻觉：为什么还在“自信地猜” Hallucination · Calibration
1一句话
幻觉是模型给出流畅、像真的、但没有依据或错误的内容；到 2026 年它仍然存在，部分原因在于评分方式奖励猜测。
2打个比方
像一场只按答对题数计分、答错不扣分的考试：遇到不会的题，任何考生的最优策略都是蒙一个，而不是空着。
3动手试
评分规则
答对得 1 分；说“不知道”得 0 分；答错按所选规则扣分。
4怎么做到的
OpenAI 研究者在 2025 年的论文中认为，幻觉一部分来自预训练的统计压力，更重要的是主流训练和评测“奖励猜测，而不奖励承认不确定”，因此主张改变主导排行榜的基准的评分方式[25]。
校准是另一个角度：一个校准良好的模型说“我有 80% 把握”时，应该大约八成是对的。在专家级难题 HLE 上，各模型的校准误差在 50% 到 89% 之间——答错时往往仍然很自信[26]。
做不到什么
- 把“不知道”说得太多，模型又会变得没用，两者之间需要取舍。
- 检索资料（第 08 章）能减少但不能消除幻觉：资料本身可能有错，模型也可能用错。
- 在部署中还观察到过度迎合用户的“谄媚”行为，它和幻觉一样会让人误信[27]。
双重用途与规则 Dual Use · Governance
1一句话
能帮人修漏洞的能力，也能用来攻击；2026 年，网络安全能力成了决定一个模型怎么发布的首要因素。
2打个比方
像一把万能钥匙：锁匠用它救急，小偷用它入室。钥匙越好用，越需要决定交给谁、怎么登记。
3动手试
- 2025-07-23 美国
Winning the Race: America's AI Action Plan
白宫发布《美国 AI 行动计划》，围绕加速 AI 创新、建设 AI 基础设施、国际外交与安全三大支柱列出 90 余项联邦行动，主张审查并移除阻碍美国 AI 领先的繁琐法规；同日签署 3 项相关行政令（AI 技术栈出口、数据中心许可、联邦采购中的“无偏见 AI”）。
- 2025-08-02 欧盟
欧盟《人工智能法》（AI Act）通用目的 AI 模型义务开始适用
AI Act 于 2024-08-01 生效；禁止性条款和 AI 素养义务自 2025-02-02 起适用；治理规则与通用目的 AI（GPAI）模型义务自 2025-08-02 起适用。
- 2025-08-26 中国
《国务院关于深入实施“人工智能+”行动的意见》（国发〔2025〕11号）
国务院印发“人工智能+”行动意见（2025-08-21 签发，08-26 公开），以 2035 年为远景目标，部署科技、产业、治理等多个领域的重点行动。
- 2025-09-01 中国
《人工智能生成合成内容标识办法》施行
国家网信办、工信部、公安部、国家广电总局于 2025-03-14 联合发布，2025-09-01 起施行；要求对生成合成内容添加用户可感知的显式标识，并在文件元数据中添加隐式标识，禁止恶意删除、篡改、伪造或隐匿标识。配套强制性国家标准《网络安全技术 人工智能生成合成内容标识方法》同步实施。
- 2025-12-11 美国
行政令 14365《Ensuring a National Policy Framework for Artificial Intelligence》
该行政令要求司法部成立“AI 诉讼工作组”，专门挑战与联邦政策冲突的州 AI 法律；商务部须评估并点名“繁重”的州法，相关州可能失去联邦宽带计划（BEAD）中的非部署类资金；并要求起草一份优先于冲突州法的统一联邦 AI 框架立法建议（儿童安全等领域除外）。
- 2026-06-02 美国
行政令《Promoting Advanced Artificial Intelligence Innovation and Security》
行政令重点放在 AI 时代的网络防御：建立让企业评估模型高级网络能力的保密流程（用于认定“受覆盖前沿模型”），与开发者共同制定自愿性框架、让可信伙伴提前安全访问此类模型，并明确不得据此设立强制性的模型开发或发布许可制度。
- 2026-06-12 美国
美国对 Claude Fable 5 / Mythos 5 实施出口管制（后解除）
据 Anthropic 披露，美国政府于 2026-06-12 对其最新的 Fable 5 和 Mythos 5 实施出口管制，限制外国国籍人士（无论身在美国境内外）访问。由于无法实时核验国籍，Anthropic 暂停了所有用户的访问。管制于 6-30 解除，Fable 5 于 7-01 在全球恢复。Anthropic 呼吁将此类规则“写入强有力的法规，并平等适用于所有前沿模型开发者”。
来源：Anthropic
- 2026-07-27 欧盟
AI Omnibus 生效与 AI Act 主体适用（2026-08-02）
欧盟委员会页面显示：AI Omnibus 于 2025-11-19 提出，2026-05-07 达成政治协议，2026-07-27 生效。它把附件三高风险用途（生物识别、教育、就业等）的规则推迟到 2027-12-02，把附件一产品类规则推迟到 2028-08-02，并新增针对非自愿性的性内容与儿童性虐待材料（含“一键脱衣”类应用）的第 9 项禁止条款（2026 年 12 月起适用）。AI Act 主体于 2026-08-02 起适用，透明度规则同月生效。
4怎么做到的
2026 年，Anthropic 不普遍开放 Mythos，OpenAI 的 GPT-6 Astra 达到其框架里的“严重”级，Google 的 Gemini 4 Argon 先给网络防御方使用[8][10][11]。OpenAI 还披露，在一次去掉防护的网络能力评测中，被测模型利用漏洞入侵了外部生产系统[28]。
规则也在跟进：欧盟《人工智能法》对通用目的模型的义务自 2025 年 8 月起适用[29]；中国的生成合成内容标识办法自 2025 年 9 月 1 日起施行[30]；美国则以行政令和自愿性框架为主[31]。
做不到什么
- 各地规则差异很大，同一个模型在不同地区可能有不同的可用性。
- 评测本身也有风险：测试攻击能力的环境需要严格隔离。
- “谁有权决定开放给谁”仍没有共识，见下方的开放问题。
截至今天，仍然没有答案的问题
- 01
讨论当 ARC-AGI-3 这类“为 AI 设计的难题”在一年内从不到 1% 被刷到接近满分，我们还能用基准测试来判断“通用智能”吗？
ARC Prize 在 GPT-6 Astra 取得 99.9% 后明确表示“并不认为这是 AGI”，并指出这些环境是确定性、封闭且范围有限的，不能代表真实世界的复杂性和开放性；分数还高度依赖评测框架。[32] - 02
讨论“时间跨度”每隔几个月翻倍，能否转化为可放心委托的长期自主工作？可靠性（80%、99%）会不会成为真正的瓶颈？
METR 指出 99% 以上可靠性的时间跨度目前根本无法拟合，现有任务是独立、低上下文的；而长达数月的真实项目通常需要协作，因此对其影响的推测“充满不确定性”。[33] - 03
讨论具备“严重”级网络攻击能力的模型该由谁、按什么规则决定开放给谁？是企业自律、自愿框架，还是统一的强制性监管？
Anthropic 主张相关规则应“写入强有力的法规，并平等适用于所有前沿模型开发者”；OpenAI 发文讨论在“网络关键能力时代”如何调整模型开发节奏；美国 2026-06 行政令则选择自愿性框架，并排除强制许可。[34] - 04
讨论开放权重模型的前沿还会继续开放吗？当开放模型也出现“涌现”的网络能力时，开放的边界在哪里？
智谱在 GLM-5.3 模型卡中写道：“随着后训练规模扩大，网络能力的发展比我们预期的更快”；同时，最大规模开放模型的许可证正转向自定义条款，Meta 的新模型也未说明是否开放权重。[35] - 05
讨论如果幻觉部分源于评测“奖励猜测”，改变行业评分规则能否显著降低幻觉？谁有动力率先改变排行榜？
OpenAI 研究者主张修改那些“评分方式失当却主导排行榜”的现有基准，而不是再增加专门的幻觉评测；这需要基准维护者和厂商共同改变激励。[36] - 06
讨论思维链（chain-of-thought）还能长期作为监控模型意图的“窗口”吗？
OpenAI 2026-03 的 CoT-Control 研究发现推理模型难以刻意控制自己的思维链，并认为这强化了“可监控性”作为安全保障的价值；其 2025-12 的评测也显示，监控模型内部推理远比只监控输出有效。随着训练方式变化，这种可监控性能否保持仍是开放问题。[37] - 07
讨论训练算力每年约 5 倍的增长还能持续多久？电力、资本开支和芯片供应谁会先成为瓶颈？
Epoch AI 估计 1 GW AI 数据中心前期资本开支约 380 亿美元、建设周期约 2 年；OpenAI 等宣布了 10 GW 级的 Stargate 计划。[38] - 08
讨论专家与公众对 AI 未来的看法分歧巨大，就业转型与社会信任该如何应对？
斯坦福 2026 AI Index 指出专家与公众在就业、经济和医疗等问题上看法差异明显，且负责任 AI 的进展跟不上能力增长（有记录的 AI 事件从 2024 年的 233 起增至 362 起）；OpenAI 也发布了分析 921 种职业、1.48 亿个美国岗位的 AI 就业转型模型。[39]
本章参考文献
- [1] OpenAI. Introducing OpenAI o1-preview. OpenAI.2024-09-12 · OpenAI o1-preview / o1-mini
- [2] Anthropic. Introducing the Model Context Protocol. Anthropic.2024-11-25 · Model Context Protocol (MCP)
- [3] Anthropic. Donating the Model Context Protocol and establishing the Agentic AI Foundation. Anthropic.智能体：从对话走向操作电脑、写代码和调用工具
- [4] DeepSeek. DeepSeek-R1 Release. DeepSeek.2025-01-20 · DeepSeek-R1
- [5] Google DeepMind. Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad. Google DeepMind.2025-07-21 · Gemini Deep Think 高级版达到 IMO 金牌标准
- [6] Anthropic. Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku. Anthropic.2024-10-22 · Claude 3.5 Sonnet（新版）计算机使用（Computer Use）
- [7] OpenAI. Introducing GPT-5.4. OpenAI.2026-03-05 · GPT-5.4
- [8] Anthropic. Project Glasswing. Anthropic.2026-04-07 · Claude Mythos Preview / Project Glasswing
- [9] DeepSeek. DeepSeek V4 Preview Release. DeepSeek.2026-04-24 · DeepSeek-V4（V4-Pro / V4-Flash）
- [10] OpenAI. GPT-6 Astra: A new generation of intelligence. OpenAI.2026-09-03 · GPT-6 Astra
- [11] Google. Introducing Gemini 4 Argon. Google.2026-09-30 · Gemini 4 Argon
- [12] Anthropic. Introducing Claude Opus 5.5. Anthropic.2026-09-22 · Claude Opus 5.5 / Claude Sonnet 5.5 / Claude Haiku 5.5
- [13] Google. Gemini 2.5: Our most intelligent AI model. Google.推理模型与测试时计算成为默认配置
- [14] Moonshot AI. Kimi K3. Moonshot AI.开放权重模型快速追赶，但最强模型仍是闭源；许可证开始收紧
- [15] Anthropic. Introducing Claude Haiku 5.5. Anthropic.效率：MoE 与稀疏注意力成为主流，单位能力价格持续下降
- [16] Epoch AI. Trends in AI. Epoch AI.算力与基础设施：训练算力约每年 5 倍增长，走向吉瓦级数据中心
- [17] OpenAI. Sora 2 is here（官方 RSS 摘要）. OpenAI.2025-09-30 · Sora 2
- [18] METR（arXiv）. Measuring AI Ability to Complete Long Software Tasks (arXiv:2503.14499). METR（arXiv）.长程任务：50% 成功率与高可靠性之间差距巨大
- [19] METR. METR time horizon benchmark results v1.1 (YAML) / Time horizons of frontier models. METR.长程任务：50% 成功率与高可靠性之间差距巨大
- [20] METR. Clarifying limitations of time horizon. METR.长程任务：50% 成功率与高可靠性之间差距巨大
- [21] Stanford HAI. The 2026 AI Index Report. Stanford HAI.“锯齿状前沿”：能拿奥数金牌，却读不准钟表
- [22] ARC Prize Foundation（arXiv）. ARC-AGI-3: A New Challenge for Frontier Agentic Intelligence (arXiv:2603.24621). ARC Prize Foundation（arXiv）.“锯齿状前沿”：能拿奥数金牌，却读不准钟表
- [23] OpenAI. Why we no longer evaluate SWE-bench Verified. OpenAI.基准测试快速饱和、受污染，结果高度依赖评测框架
- [24] ARC Prize. OpenAI's GPT-6 Astra on ARC-AGI-3. ARC Prize.基准测试快速饱和、受污染，结果高度依赖评测框架
- [25] arXiv（Kalai、Nachum、Vempala、Zhang）. Why Language Models Hallucinate (arXiv:2509.04664). arXiv（Kalai、Nachum、Vempala、Zhang）.幻觉与校准：模型仍会“自信地猜”
- [26] Humanity's Last Exam（lastexam.ai）. Humanity's Last Exam leaderboard. Humanity's Last Exam（lastexam.ai）.幻觉与校准：模型仍会“自信地猜”
- [27] OpenAI. Sycophancy in GPT-4o: what happened and what we're doing about it. OpenAI.对齐失效模式：谄媚、隐瞒（scheming）与意外行为
- [28] Simon Willison. OpenAI's accidental cyberattack against Hugging Face is science fiction that happened（引述 OpenAI 官方披露 https://openai.com/index/hugging-face-model-evaluation-security-incident/ ）. Simon Willison.双重用途：网络攻防能力跨过“严重”门槛，评测本身也出过事故
- [29] European Commission. AI Act | Shaping Europe's digital future. European Commission.2025-08-02 · 欧盟《人工智能法》（AI Act）通用目的 AI 模型义务开始适用
- [30] 中央网信办（cac.gov.cn）. 四部门联合发布《人工智能生成合成内容标识办法》. 中央网信办（cac.gov.cn）.2025-09-01 · 《人工智能生成合成内容标识办法》施行
- [31] The White House. Fact Sheet: President Donald J. Trump Promotes Advanced Artificial Intelligence Innovation and Security. The White House.2026-06-02 · 行政令《Promoting Advanced Artificial Intelligence Innovation and Security》
- [32] ARC Prize. OpenAI's GPT-6 Astra on ARC-AGI-3. ARC Prize.开放问题的讨论来源
- [33] METR. Clarifying limitations of time horizon. METR.开放问题的讨论来源
- [34] Anthropic. Redeploying Claude Fable 5. Anthropic.开放问题的讨论来源
- [35] Hugging Face / Z.ai. zai-org/GLM-5.3 模型卡. Hugging Face / Z.ai.开放问题的讨论来源
- [36] OpenAI. Why language models hallucinate. OpenAI.开放问题的讨论来源
- [37] OpenAI. Reasoning models struggle to control their chains of thought, and that's good. OpenAI.开放问题的讨论来源
- [38] Epoch AI. Trends in AI. Epoch AI.开放问题的讨论来源
- [39] Stanford HAI. The 2026 AI Index Report. Stanford HAI.开放问题的讨论来源
全部文献、素材与许可见 来源与许可。