AX 严选 · 2026-04-23

这篇群聊日报一次性点了至少 6 项实测和 1 组知识库讨论，但正文只给结论，不给测试集、提示词、模型全名、上下文长度、工具权限、计费口径。我的判断很直接：它的价值不在“谁比谁强”，而在它无意间暴露了 2026 年团队用 AI 的真实分水岭——能不能把失败过程写下来，能不能把零散经验沉成可检索的组织资产。 先说模型强弱这部分。文里有三个最醒目的判断：V4 测试花了 80 块且误删网站；GPT 5.5 长文本强于 Opus 4.7；K2.6 coding 属一梯队。问题是，这三句都没法复现。V4 是哪个 V4，xAI Grok 4 还是别的系统，正文没披露。误删网站是因为给了生产环境写权限，还是沙箱越权，正文没披露。GPT 5.5 的“长文本更强”是看 needle-in-a-haystack、仓库级代码导航，还是多轮文档编辑，正文也没披露。K2.6 更麻烦，连模型厂商和具体版本都不清楚。没有这些条件，所谓一梯队，只能当成团队体感，不能当成采购依据。 我对“GPT 5.5 长文本远超 Opus 4.7”这句尤其保留态度。OpenAI 这两代模型确实一直在堆长上下文稳定性，去年 GPT-5 系列最被买单的点也不是单题分数，而是长会话里掉线更少、工具调用更稳。Anthropic 那边，Opus 4.7 如果我没记错，外界讨论重点一直偏向 agentic coding 和深推理，而不是极限长文吞吐。拿一个偏长文本任务去压另一个偏代理执行的模型，本来就容易把结论说歪。除非文里能给出任务类型、上下文长度、失败率、成本，不然“远超”这个词太满了。 V4 把网站删了这件事，反而是全文最有信息量的点。80 块测试费不重要，删站说明权限边界、回滚机制、预演环境这三件事没兜住。过去一年大家都在吹 computer use、browser agent、code agent，从 Claude Code、Codex CLI 到各种通用代理，演示里都是自动改代码、自动部署、自动点网页。真到团队里落地，最先撞墙的从来不是模型会不会写，而是你敢不敢给它写权限。这个故事让我想到 2024 年那波“代理五分钟做完需求”的热潮，很多 demo 一离开沙箱就开始删文件、改错环境变量、覆盖线上配置。两年过去，坑还是同一个坑，说明行业在 agent 安全这块的工程纪律并没有跟上叙事速度。 Claude Code 的 post mortem 也很关键。正文说 Anthropic 发了“降智”复盘，考拉于是把主力换到 Codex。这个迁移很真实，我自己也见过不少团队这么切：不是因为某个模型基准掉了 3 分，而是因为日常可预期性一旦波动，开发者会立刻换工具。代码助手和聊天机器人不一样，大家忍不了今天能修、明天乱改。Anthropic 这两年口碑一直建立在“稳”和“少犯大错”上，所以一旦官方自己承认行为退化，这个信号会比一次榜单输赢更伤。我没看到原始 post mortem，没法判断是模型版本回退、系统提示调整，还是工具链变更导致，但只要复盘里没有把触发条件讲透，团队就会默认最保守结论：先换掉。 K2.6 被说成 coding 一梯队，这里我也得泼点冷水。过去 12 个月里，代码模型经常出现一个现象：在熟悉语言、标准框架、小步 patch 上非常猛，一到跨文件重构、陌生仓库导航、带测试约束的修复，排名马上重排。所以“coding 强”至少要拆成 4 类：补全、单文件生成、仓库级修复、真实工具调用。像 SWE-bench 这种公开集已经把很多模型的宣传词打回原形了，实验室内 demo 很强，不代表仓库级任务能稳定交付。这里正文没有任何 benchmark 口径，我不会把它当成模型地位变化的证据。 说真的，这篇稿子里我最认同的是后半段：团队共享 AI Skills、知识库、文档 SEO。这个方向比前面的模型 PK 更落地。原因很简单，模型半年一换，组织记忆不会自己长出来。会用 Claude Code、Codex、ChatGPT 做闭环的人，半年后大概率会换工具；但他如果把工作流写成可检索文档，把失败案例写清楚权限、环境、成本、回滚步骤，这些资产会持续复利。很多团队现在的问题不是“没人会用 AI”，而是经验停在群聊滚动消息里，三周后谁都搜不到，三个月后新人再踩一遍同样的坑。 我还想补一个文章里没有展开的上下文。最近一年的团队 AI 采用，已经从“给每个人发一个订阅”转向“谁来维护内部 playbook、评测脚本、提示模板、权限规范”。你看大厂的做法也差不多：模型本身越来越商品化，真正拉开差距的是 eval harness、审计日志、知识沉淀和默认工作流。这个意义上，日报里最成熟的动作不是测出 GPT 5.5 比 Opus 4.7 强，而是有人把 AI Skills 方法论写成团队共享文章。前者明天就会过期，后者才会进组织系统。 我对这篇稿子的 pushback 就一句：别把聊天记录里的体感排序写成结论，除非你愿意顺手贴出最小复现实验。哪怕只有 3 个任务、同一套提示词、同样工具权限、同样成本记录，也比“谁觉得谁更强”硬得多。眼下这篇内容更适合当线索池，不适合当判断书。要是后续能把 V4 删站的完整事故单、GPT 5.5 与 Opus 4.7 的长文本对照样例、K2.6 的代码任务集补出来，这条的价值会直接翻倍。现在我会保存的不是排名，而是那条关于知识库和失败沉淀的讨论。