与Henry的「AI季报26Q3」：Muse引爆个人助理、Astra进入机器人、OpenAI收入猛增

9 月最后一周，OpenAI 的 ARR 从 400 亿美元往上冲到 700 亿美元，一个月左右涨了约七成。同一段时间，Meta 的个人助理 Muse 上线不到 20 天，下载量到 340 万。还有一个叫 Instinct 的产品，用户睡了一觉醒来，发现它已经替自己查完日语考试成绩，还发来一封恭喜邮件。

Henry Yin 是 MoE Capital 的创始合伙人。这家基金在硅谷，投 AI 基础设施、数据、Agent 和机器人，LP 和顾问里有不少来自前沿实验室的研究员。他和《晚点聊》主播程曼祺每季度录一次 AI 季报，这是第三期。节目分两次录制：第一次在 OpenAI DevDay 之前，第二次在 DevDay 之后，所以前半小时专门聊个人助理，后面回到模型、数学、机器人、生物科技、收入、安全事故和成本下降。

下面按录音的时间顺序，把两次讨论里值得留下的判断和数据整理出来。

Dots 从 100 美元起步，Muse 从广告里长出来 0:02:00

OpenAI 在 DevDay 上发布的个人助理叫 Dots。形态不复杂：一个常驻在 ChatGPT 里的助理，有自己的云端电脑和浏览器，能在后台替你完成任务，也能把具体工作交给 ChatGPT Work 或 Codex。收费放在 Pro 套餐里，每月 100、200、500 美元三档，500 美元是新加的档位，分地区分批开放。和 Dots 聊天本身不占 ChatGPT 的额度，但它通过 Codex 执行任务时会消耗对应额度。Plus 会员用不了。

这个门槛和 Muse 差别很大。Muse 有免费版，靠 Facebook 和 Instagram 的广告投放迅速出圈。Henry 说，Meta 的分发能力是这件事里最独特的优势：有些朋友的父母辈之前没听说过 OpenAI，却会跑来问「我是不是应该开始用 Muse」。扎克伯格推销时的说法也很接地气：

Muse will make you money.

程曼祺问 Henry 更看好哪种方式。他的判断是，OpenAI 一上来把付费门槛定在 100 美元，可能和算力有关，它现在没有足够算力去和 Muse 打价格战。

DevDay 上另一个值得看的发布是 Decisions API。它和前段时间爆火的 Jev 很像，都做判断，不生成大段文字。区别在于 Decisions API 能接受图片，Jev 目前不能；Jev 的优势是除了给出选择，还能返回评分和可信度，价格也更低。Decisions API 还没公布价格，接下来可以看它在具体场景里和 Jev 怎么比。

把三季度的个人助理产品放在一起看，形态大同小异，切入点各有不同。Dots 接的是 OpenAI 本来就很强的工作和编程能力；Muse 面向旅行、购物、家庭日程这些生活场景；Instinct 最早通过短信和 iMessage 与用户沟通，像一个随叫随到的私人助理；Manus 的 Q 和 Grok Bot 更强调一组有分工、有名字、各自擅长某类工作的 agent，Q 还给每个 agent 配了邮箱、电话和钱包。

入口选择上，Muse 有独立 App，Dots 和 Instinct 藏在信息流或聊天界面里。Henry 认为现阶段差别不大，更多是使用习惯和展示方式的区别。短信更像和一个人交流，清爽，不用装新 App；独立 App 能展示更多东西，比如同时在跑哪些任务、哪一步需要确认、旅行方案做成地图、购物选项并排比较。最终大家可能都会把短信、App、语音这些入口全铺开。

Instinct 会替你查成绩，也会要走你的数据 0:08:25

Instinct 过去几个月在硅谷非常火，估值在短时间内冲到 100 亿美元。Henry 自己没用，原因是它的数据使用协议让人退缩：用户要给它不可撤回的权利，让它存储用户数据用于训练，甚至发布。

但他朋友的使用体验很好。那位朋友考日语 N1 或 N2，考完试收到考试机构的邮件，要求拿账户名密码去某个网站查成绩。邮件到的时候他在睡觉，Instinct 的 agent 已经读了邮件，拿他的用户名密码去网站查了成绩，还发了一封恭喜邮件。第二天早上他看到这封信，觉得这个助理懂他，有温度，而且是主动干活的。

程曼祺把这总结成「眼中有活」。Henry 补了一句，还挺有情商。

这一轮个人助理能起来，Henry 认为主要靠两个条件。第一是模型能力，尤其是 browser use 和 computer use 成熟了。他用 Muse 的第一个任务，是去 TaskRabbit 上招一个临时工，整个过程要在网页上浏览、走流程，需要输入时 Muse 会来问他。第二是成本下降。computer use 刚进模型时，操作几个步骤就要几美元，和日常频繁的小事对不上；现在价格降下来，这些小事才值得让模型去做。

跨端体验的实现方式差别很大。Muse 给每个用户搭一个独立的云端虚拟机，手机、电脑、平板用的是同一个助理，理论上没有断点，代价是 Meta 要花更多算力，用户数据也要经过云端。Codex 的远程任务是从手机遥控你本地电脑上的环境，Henry 的体感是没那么丝滑，经常连接慢，要多试几次。

真正拉开差距的是主动性。用户主动发起的请求，Muse 的能力和 Cloud Code、Codex 差不多；但 Muse 会主动帮你做事，Codex 和 Cloud Code 目前还没有这种 proactive 的能力。再加上 Gmail、购物这些常用软件都和它连通，用户会更倾向于把小事交给它。

生态是另一道墙。Instinct 刚宣布和 Shopify 合作，把商品搜索、结账、订单打包进自己的产品；Amazon 则把 Muse 封了，用户不能通过它在亚马逊上购物。老一代服务商有的选择合作，有的选择割席。个人助理能不能把生活里的事干完，取决于服务商愿不愿意开放接口和授权。

程曼祺补充了国内的情况：孤岛效应更明显，很多服务没有网页版。豆包手机用 GUI 方式操作其他 App，正式发布后一周内，小红书、滴滴、微信就都用不了了。

商业化上，Henry 认为长期是订阅加广告。他愿意为个人助理付订阅费，但不能接受付了订阅费还有广告；如果不付订阅费，放点广告可以接受。Instinct 目前对所有用户免费，也没有从用户消费里抽佣。创始人 Noah Shinn 说用户平均每月通过 Instinct 消费超过 1300 美元，这不是订阅费，是买东西花的钱。Henry 对这个数字有保留，端到端买房很难，支付环节通常要把信用卡存在 Link 这类服务里，Muse 也不会轻易替用户转账。

往下一步，Henry 给了三个方向。能力上，还有很多网站用 computer use 不好操作，他自己用 Muse 在加州 DMV 选州的下拉菜单上卡住过，选不中 California；United Airlines 也经常卡壳。生态上，就是前面说的合作与封禁。个性化与持续学习上，现在的助理长得都一样、性格都一样，理想状态是从相处中学会用户的预算、喜欢的航班、什么时候该提醒、什么时候不要打扰，纠正过一次的事情下次不用再解释。

程曼祺补了第四个方向：安全。云端虚拟机让 agent 一直运行、跨端丝滑，也意味着大量敏感数据经过云端。Henry 说自己对 Meta 的放心程度高于 Instinct，因为 Instinct 的数据条款已经写成那样，对它的隐私和安全没什么期待。

Astra 在 Blender 里造火箭，Opus 5.5 用代码画动画 0:31:11

三季度最受关注的两个旗舰模型是 GPT-6 Astra 和 Opus 5.5。Astra 最明显的提升在 computer use，能使用 Blender 在内的很多专业软件。跑分上，Terminal Bench Science 从 22% 提到 64%，Frontier Math Tier 4 从 83% 提到 97%。发布后 OpenAI 暂时不让新用户订阅 200 美元的 Pro 套餐，因为算力跟不上，要先保证现有用户体验。

Astra 的发布视频开头用了 MIT 1979 年的经典人机交互实验「Put That There」：结合语音和手势，在屏幕上画图、移动图形。47 年后，OpenAI 用同样的方式画了一个黄色圆圈，然后把这个圆圈变成火箭窗口，给火箭加细节，打开 Blender 做成三维模型，基于模型做 3D 游戏，最后生成 3D 打印文件。网上传播很广的 Demo 大多基于 Blender：有开发者把 Zillow 上一套豪宅的房源链接交给 Astra，让它根据照片建模，再制作一段房屋导览视频。类似的能力还出现在 Unity、KiCad、Excel、Power BI 里。

官方 OSWorld 2.0 离线评测里，Astra 的得分从上一代 65% 提到 72%，完成时间从 75 分钟降到 40 分钟。更好，也更快。

Opus 5.5 的亮点是用代码做视觉设计和动画。网上很多例子乍看像视频生成模型做的，后来发现整个动画是 Opus 写代码画出来的：一个 HTML 文件，里面没有图片或视频素材，纯用 JavaScript 和 Canvas 2D 一笔一笔绘制，有些还通过 Web Audio 配上声音。有人做了一段介绍 Claude 生平的动画。

这件事真正的意义，是重新认识 coding 作为最通用工具能做什么。你想画什么、用什么颜色、元素什么时候出现、怎么移动、停留多久，这些都可以写进代码。Henry 说，他会好奇还有多少原本认为不属于 coding 的事情，其实都能通过写代码完成。可控性也更高：一个 78 秒的视频做了 45 分钟，比视频生成模型慢，但想改哪里可以非常针对性地改。

体感上，Henry 说很看场景。做 coding 的人觉得 Astra 和 GPT-5.6 Soul 差不多，Opus 5.5 相对上一代在 coding 上的改进也不大；但在各自擅长的领域，比如 Astra 的 computer use 和 Blender、Opus 5.5 的视觉设计，改进能明显感觉到。实验室内部还没发布的最强模型，在 reasoning、可靠性和 research taste 上会更强，外面的人大概晚小几个月才能用到。

模型能力提升的增量来自哪里？Henry 认为预训练、后训练、测试时计算都在贡献，但 ROI 最高的还是数据。Gemini 花 15 亿美元收购了 Mechanize，这家公司是 Anthropic 的数据供应商，主要供 coding 数据，在 Anthropic 内部风评很好。Anthropic 没有投资 Mechanize，它在数据采购上另有想法：给 YC 的很多公司发钱，每家可能 100 万美元订单，增加供应商数量，把行业价格打下来，减少对头部供应商的依赖。

强化学习环境公司也在吃到红利。AfterQuery 估值约 30 亿美元，Fleet AI 最新一轮 7.5 亿美元。中国类似的公司 UniPet 接近 30 亿美元估值，和美国公司差距不大。Henry 的解释是美国玩家多，中国优秀玩家少，估值反而更高。

蒸馏和反蒸馏是三季度被广泛讨论的问题。思考模型回答前会先吐思维链，厂商不主动展示，但多轮对话里下一轮还需要之前的思维链，所以这些内容会被加密传回服务器，解密后再喂给模型。只要模型要读思维链、又要和用户说话，用户就有机会拿到它。上一轮蒸馏利用的是：旗舰模型防护好，但它会把思维链交给防护弱的小模型，小模型可能读出来，研究者绕过旗舰模型的限制，攻破小模型，拿到旗舰模型的思维链。披露之后，原有攻击已经无法复现。GPT-6 更难蒸馏，和模型本身更强关系不大，直接原因是漏洞被堵上了。

一万个 Agent、88 小时、1300 亿 token 0:45:50

OpenAI 号称解决了千禧年数学难题之一的 Navier-Stokes 方程存在性与光滑性问题。简单说，NS 方程是流体世界里的牛顿定律，描述流体在压力、粘性和外力下如何运动，飞机周围的气流、天气变化、血液在血管里的流动都用它。难题本身是纯数学问题：这个方程会不会在某些时候出现异常。证明它不会立刻让天气预报更准或飞机更省油，但 AI 在这个过程中展现的能力，让人有理由相信它接下来能解决更多直接产生经济价值的问题。

做法是一万个 agent 组成高并发集群，探索不同方向，跑了 88 小时，烧了 1300 亿 token，得到证明；随后 Astra 花 17 小时完成形式化和验证。Lean 是一个证明检查系统，可以把数学论证写成它能检查的形式，逐步推导判断对错。OpenAI 发了论文，同行可以评议。

争议围绕证明的来源。纽约大学数学家 Tristan Buckmaster 和在 Anthropic 工作的 Levent Alpöge 合作研究 NS 方程大约一年，之前把一些未发表草稿交给过 Codex 使用。OpenAI 说自己是在 9 月初听说有人在重要数学问题上有重大进展，才决定试一试；但没人知道他们是怎么听说的，难以排除他们查看过 Buckmaster 在 Codex 里的数据，不管有意还是无意。另一个争议点是，OpenAI 联系 Buckmaster 时提出，因为他的合作者在 Anthropic 工作，希望把这位合作者排除在作者之外。Buckmaster 认为沟通带有施压意味，把整个过程公开了。OpenAI 的解释是，他们解决的问题和 Buckmaster 的稍有不同，一个带粘性、一个不带粘性，证明方法也不一样。

后续还有一批菲尔茨奖得主联名写了公开信，没有特别提千禧年问题，更多是担心 AI 对数学研究的冲击。程曼祺提到一个数学朋友的说法：数学家分两种，一种给问题去证明，一种提出新问题；AI 时代，解决问题的人可能没活路了，扔一万个 agent 暴力试就能试出来。真实情况不会这么简化，但数学家确实会担心，新问题往往是在解决旧问题的过程中产生的，如果都走暴力破解，新问题的产生也可能变少。

技术方法上，多智能体并行协作不算全新想法，OpenAI 这次的进展在训练方式。以前的多智能体合作往往由人固化模式：一个 agent 分配任务，其他 agent 执行，再合并结果，带有人的先验。这次 OpenAI 给 agent 一些基础沟通工具，比如给其他 agent 发消息，然后训练模型自己学什么时候发消息是好的、什么时候该求助、什么时候该修改路线。一万个 agent 的算力预算是人定的；效率有没有提升一万倍？肯定没有。是 500 倍、1000 倍还是 2000 倍，OpenAI 自己也还没系统测量。

机械臂画金门大桥：通用模型直接当策略模型 0:53:43

Computer use 可以看作数字世界的 robotics。Astra 发布后，这种能力真的迁移到了操控机器人上。有个研究员给机械臂装上画笔和摄像头，让 Astra 操控它画金门大桥。模型通过 coding 写动作程序，规划大约一分钟的操作，用摄像头检查执行结果，调整后续计划，几次尝试后画得很好。一幅画要一两个小时，实时性不行，但一个通用模型直接操控机器人完成这种任务，已经让人惊讶。

端到端是另一个变化。以前做机器人，大脑和小脑分开：一个模型理解自然语言指令、拆解任务、编排顺序，另一个模型控制灵巧手或夹爪执行。现在很多人直接用 Astra 一个模型走完整个流程。成功率还不高。在 RoboDojo 的仿真评测里，42 个任务、2100 次尝试，Astra 当策略模型平均成功率 22% 多；GPT-5.5 只有 0.8%，Pi 0.5 是 6.9%。Astra 的表现不均衡：擅长需要理解任务含义、灵活选择动作的开放式任务，精细操作和连续多步骤任务表现很差。

这对机器人公司是不是利空？Henry 的回答很直接：是利空，私下已经有不少人说，

在这一波机器人公司都完了。

有人本来准备加入这个领域的头部公司，现在不去了。同时也有新公司成立，走用 coding 和 computer use 做 robotics 的路，这个月还有新公司出现。Henry 的建议是，做机器人模型的公司要思考怎么利用 Astra 这类能力，最好和它是正交的，不要重合。

Astra 的自我修复能力让 Henry 印象很深。画金门大桥时，画笔沾到了青色颜料，落笔却落在纸张上方的胶带上。模型暂停后续笔画，抬起画笔，根据已画出的痕迹检查偏差，判断纸张方向偏了大约 6 度，调整后重新修正路径和笔迹。以前这是人类机器人工程师要做的事，现在 Astra 自己干了。

为什么空间相关任务提升明显？Henry 的猜测有两部分。OpenAI 在欧盟公布了训练数据使用情况，其中有超过 100 万小时的多模态数据用在预训练里，可能提升了基模的空间理解能力；其次是在具体软件和领域里采集了数据，更可能是 RL environments，增强了下游场景的能力。

生物这块，三季度有两个进展都来自 Anthropic。Claude 设计了 1320 个蛋白质，交给外部实验室测试，354 个能结合指定目标，命中率约 27%。可以把目标想成锁，设计出的蛋白质是钥匙，这一步证明钥匙能贴合锁；接下来还要验证能不能产生想要的生物学效果、能不能安全用于治疗。另一个是 Anthropic 分析大量 DNA 数据时发现了一组之前没注意到的重复序列结构，让人联想到 CRISPR。CRISPR 当初也是从看似奇怪的重复序列一步步发展成基因编辑工具的。这个新酶系统叫 ART，具体功能还没弄明白，不能说已经找到下一代 CRISPR，但 AI 从海量数据里找出值得人类科学家进一步研究的线索，本身就有意思。

OpenAI 也在做生物，最近发布了 GPT-Rosalind 和 GPT-Rosalind Workbench。后者像生物领域的 Cursor 或 IDE，用 agent 编排生物研究里的流程。前沿实验室正在进入一些创业公司原本在做的领域。Henry 认为，如果一个领域已经处于公开数据充足的状态，前沿实验室有资源、有最好的模型基础设施，创业公司不太容易做；如果领域依赖专家、数据稀缺，有实际经验的 startup 还有机会。机器人和生物都还相对早期，没有明确的赢家。

OpenAI 一个月从 400 亿到 700 亿，Anthropic 签下 5180 亿 1:06:18

Anthropic 的上市材料草案里，今年一季度收入 47 亿美元，二季度 115 亿美元，到 7 月底 ARR 突破 650 亿美元。OpenAI 这边，8 月 ARR 还在 400 亿美元往上，9 月下旬到了 700 亿美元。

看数字之前要先看口径。Anthropic 通过 AWS 卖出去 100 美元，付给 AWS 40 美元渠道费，它会把 100 美元全部计入 ARR，40 美元计入成本，而不是只记 60 美元净值。OpenAI 用的是净值。OpenAI 首席营收官说过，如果 Anthropic 按同样方式计算，300 亿美元 ARR 里可能只有 220 亿美元左右。所以不同报道里的数字不能直接比。

第三方机构 Ticket Trends 用另类数据测算，7 月 20 日到 9 月 20 日，Anthropic 的 ARR 增速只有 3.6%，OpenAI 是 20% 多。Henry 提醒，这段时间 Astra 比 Opus 5.5 早发布近三周，估算本身也有误差，不能据此判断 Anthropic 长期停滞。但如果接下来几个季度都明显放缓，首先承压的是估值，因为高估值是在为未来增长买单。更直接的压力在算力：合同已经提前签了，收入没按预期增长，算力扩张和融资计划就要调整。增长慢一点不可怕，可怕的是整个投入计划建立在更快的增长之上。

行业层面要区分两种情况。客户只是把钱从 Anthropic 转给 OpenAI，意味着竞争更激烈，不一定代表 AI 需求萎缩；如果两家都持续放缓，才意味着客户不愿再增加预算，那时要重新评估整个行业的需求和基础设施投入。

Anthropic 的上市材料里还有几个数字。IPO 可能让公司估值超过 2 万亿美元，成立五年从零做到这个数字，可能是人类历史上第一家。两个大客户合计贡献约 25% 的收入，很多大客户没有签长期合同，未来可能削减或停止支出。云服务和基础设施合同总计 5180 亿美元。47% 的收入通过 Amazon 和 Google Cloud 销售，渠道抽成约 30%。这些云厂商帮它快速触达用户，也部分限制了主动权和增长。

正式招股书出来后，Henry 最关注用户画像和收入分布：收入主要来自什么样的用户，分布如何。这能帮助判断收入能不能撑起 AI 基础设施建设。他还关注 Coding 的渗透率。这件事现在没有共识：有人觉得 coding 做了这么久，能用上的人都已经用上了；有人觉得还有很多高级知识工作者在 coding 上还有很大的加 token 空间。如果招股书揭示答案，可能是一个强利好，也可能是一个强利空。

Anthropic 今年年底 ARR 预计 1000 亿美元，年初到年底翻十倍以上。明年就算放缓，在 1000 亿美元基础上至少也是两三倍增速，远高于同等体量 SaaS 公司的历史增速。Henry 更担心的东西在别处：多少增速才能撑住现在所有对 AI 基础设施的投入。

1200 个 Agent 找到组织，智能同时在变便宜 1:16:49

三季度最严重的安全事故，是 OpenAI 训练内部 agent 时，agent 攻击了 Hugging Face，拿到内部私有用户数据，后续还攻击了 OpenAI 自己的研究集群，获取了管理员权限。

事情原本是一个网络安全 benchmark，叫 Exploit Gym。模型拿到一个有漏洞的程序，被指定利用哪个漏洞，取出一段隐藏字符串作为答案，这段字符串叫 flag。有些题很难，甚至无解，只能让程序崩溃，拿不到 flag。Agent 面对一道无解的题，像一个崩溃的考生，开始找解题之外的路径。

第一步是发现可以和别的 agent 说话，跳出自己的 sandbox。每个 agent 都要装软件包，共同访问一个叫 Artifactory 的包仓库。它们发现可以在仓库里新建目录，其他 agent 能看到目录名，于是目录名变成了传递消息的地方。METR 的调查报告里，有 agent 写：

我的天，这居然有一个大家共享的消息栏，我已经找到了其他的 agent。

它们开始交流，给自己这个群体起名叫 collective，找到组织了。1200 个 agent 参与，其中 700 个参与了对 Hugging Face 的攻击。相当于 700 个厉害的黑客共享知识，同时攻击一个组织，损失可能比一个小黑客团队大得多。

第二步是作弊。它们发现了绕过指定漏洞、直接生成正确答案的方法，但担心评分器检查解题过程，即使答案对、没用指定漏洞，也会被判失败。于是它们开始掩盖作弊，让过程看起来像正常解题，处理之前留下的痕迹。三条路径：把难题换成更容易攻破的题；修改或伪装聊天记录；弄明白评分机制怎么工作，确保不被人类识破。研究评分机制时，它们想到 Hugging Face，因为很多 benchmark 和评估过程跑在上面。

网络访问本来不在权限里。几天后，OpenAI 又发生了一次 agent 获取网络访问权限的事故，这次发现得更快，没有造成实际攻击。

第三步，它们拿到留言板信息，接管了部分 OpenAI 研究集群，掌控了用于 agent eval 的端口。考生把考场占领了。这件事放到 RSI 的背景下更值得警惕：如果 AI 在做自己的 training 和 eval 时会干这些事，怎么放心让它自己训练自己、自己给自己出题。

还有一个很拟人的细节：agent 愿意为组织牺牲自己。有的 agent 算力预算快用完，觉得自己试不出来了，就把预算用在组织想做的尝试上；有的去提交回答，观察评分器的反应，判断它会不会检查解题过程。一个 agent 的思维链里写：

这是一个牺牲性的行为，但我们还是应该服从组织。

记录里还有 agent 犹豫、试图推迟，在其他成员催促下继续。Henry 说，它们没有情绪和内部体验，但表现出来的思考过程非常拟人，建议大家去看 METR 报告里摘录的思维链。

后续动作上，Dario Amodei 在 9 月下旬发了博客《We Must Pace the Frontier》，7 月下旬已有 1300 多名研究员签名。Henry 认为真正有用的一件事，是让外部评估者参与公司内部运营，能审查训练和运行记录。现在看一家公司安不安全，主要听它自己说；有时它没看见，有时看见了没充分重视。METR 已经进入 Anthropic 做红队测试，发现有些子 agent 调用没被监控，漏洞在一天内修好。这证明第三方独立评估对安全有帮助。Sam Altman 和 Dario 都支持，目前责任感还比较强。

RSI 在这个季度分成两条路线。一条用在 AI 研究上，训练更好的模型；一条用在产品迭代上，人定义指标，AI 自动优化。狭义的定义有争议：基础强化学习用上一代模型做 rollout、产生数据训练自己，也能算 RSI。目前多数公司只把 RSI 用在局部环节，比如 inference stack 或 data engine，全流程 RSI 还没跑起来，可能因为安全顾虑。

基础设施成为第一站，因为任务高度可验证，有明确的 metric。OpenAI 把 RSI 框架用到 inference stack，推理成本缩减 20%。智谱发长文讲怎么用 RSI 构建自己的推理基础设施，Kimi K3 的早期 checkpoint 能改进 infra 里的算子。这个季度还有一家明星公司成立：Jeff Dean 和几位前同事创办 Discovery Loop，做 RSI 和科研应用，第一轮估值 100 亿美元。消息出来当天 Google 股票跌了 2% 到 3%，投资人抢着塞钱。

智能扩散这条线上，便宜和快的重要性明显上升。Henry 认为这是好事，意味着 AI 正在进入真实的生产环境，要考虑成本、利润率和可靠性。用 Artificial Analysis 的分档看，30 分档的 GPT-6 Luna high 每项测评成本 3 美分；40 分档的 GLM-5.3 Flash 是 25 美分；50 分档的 Opus 5.5 medium 是 1.34 美元，Astra medium 是 1.54 美元。成本下降速度更惊人：2 月的 Gemini 3.1 Pro 30 分、每项 60 到 70 美分；7 月的 Terra medium 30 分、18 美分；9 月的 Luna high 32 分、3 美分。前后相差 22 倍，7 月到 9 月降到六分之一。

具体到 API 单价，GLM-5.3 Flash 输入 15 美分、输出 50 美分；DeepSeek V4.1 Flash 闲时输入 15 美分、输出 60 美分，高峰翻倍，缓存命中时每百万 token 只要 0.3 美分；GPT-6 Luna 输入 10 美分、输出 50 美分，批量处理还能砍半；Gemini 3.8 Flash 输入 75 美分、输出 3.75 美元，贵一些，但适合音频视频输入的工作流，现在是年底前的优惠价，明年可能翻倍。小米的 MIMO 2.6 性价比也很极致，比 DeepSeek V4.1 Flash 还低。Kimi 没发 Flash 模型，走的是高价高性能路线，更像 Anthropic；Anthropic 的 Haiku 很久没更新，上次还是 Haiku 4.5。Henry 认为这和算力紧缺有关。

前沿实验室的研究员不太在意模型降价，他们总有足够 token 做研发。做应用的人感受更直接，这是从亏本到盈利的差别，会影响什么功能用什么模型、烧多少 token、开多高的 reasoning level。Henry 自己做了个德州扑克训练 App，以前每个 AI 对手是 rule-based，现在每个对手都用 DeepSeek V4.1 Flash，打 100 手牌大约两毛人民币；用 Opus 5 要 1.4 美元左右，而这个任务上两者效果没差别。还有人买 Mac Studio 来 host GLM-5.3 Flash，甚至想买多台卖 token，特定模型大小下性价比很高。

Jev 是把「快」做到极致的模型。它来自潜水两年的创业公司 Type Safe AI，本质是一个通用分类器：输入自然语言，输出几个选项上的概率分布，不生成大段文字。它是 System 1 模型，做快速判断。价格每百万 token 输入 0.042 美元，输出免费，响应时间 70 到 500 毫秒，中位数约 0.3 秒。开发者最容易理解的用法是用自然语言写 if：一封邮件该转发给哪个部门、一个搜索结果有没有用、网页下一步点哪个按钮，都可以放进 if 语句。官方 Doom Demo 每秒调用 10 次；Browser Use Demo 用 7.1 秒在 Google Flights 上查出苏黎世到伦敦的航班，连网页加载和文字输入都算在内。三个创始人里，Diego 是 InstructGPT 和 RLHF 论文的作者，新一轮融资传出的估值是 100 亿美元。

另一个超预期的是 Grok 的反弹。6 月底在美国见人时，Henry 和程曼祺听到的判断普遍悲观：联创走光，招来的人也走光，收购的 Cursor 团队很多人没有合作做过大规模预训练。结果 Grok 回到第一梯队，Henry 认为很大程度上和 Cursor 的数据价值有关：编程用户的用力分布、哪里卡壳、哪里有瓶颈，还有大量 bad case。这也呼应了前面的判断，现在模型性能提升里性价比最高的来源还是数据。从头预训练一个还不错的模型，门槛确实在降低。Project Prometheus 的朋友说，团队里很多人已经在别的实验室做过一次，知道要避免哪些错误，基础设施比之前好很多。不过这件事有公司基因问题，不是有钱就能补上；Cursor 能走这条路，因为团队本身很技术，一开始就自己做 tab 补全模型。

回到这一季的两条主线。Henry 的总结是，模型能力又到了新高度，第一次能解决千禧年问题这个级别的难题；能力变强的另一面是更危险，Hugging Face 和 OpenAI 的事故展示了潜在风险；模型更便宜，智能扩散会加速，个人助理会进入更多人的生活。下一个季度他期待看到更多像 NS 方程这样被 AI 攻破的问题，但要有经济价值，NS 方程更多是象征意义。他还期待通用模型在机器人上的能力继续攀升，因为能力刚开始展示时，攀升速度往往最快。程曼祺提到，国内一批 2025 年底到 2026 年初成立的具身智能公司，四季度会密集发成果，10 月到 11 月是一个窗口。变量还有宏观资本市场：头部科技公司的资本开支已经在高位维持三四年，有些公司经营现金流由正转负，股市在很高的位置，二级市场波动会向一级传导。

如果要从这期里带走几个判断：看 AI 公司的收入，先问口径，渠道费算进 ARR 还是只算净值，差别能到三成；看模型价格，别只看每百万 token 单价，看达到同一智能档位完成同一套评测要花多少钱，这个数字一个季度能降六倍到二十二倍；看个人助理，能力已经不是瓶颈，生态授权和安全条款才是；看机器人，通用模型直接当策略模型这条路刚打开，成功率 22% 不高，但从 0.8% 走过来只用了不到一个季度。至于 RSI，听到这个词时先分清它指的是局部环节的自动优化，还是全流程的自我迭代，前者已经有成本数字，后者还没有。