AX 严选 · 2026-09-03

这条帖子从 Astra 117 页系统卡里抓了一个很扎眼的变化：模型自主决定思考链（你可以理解成它解题时打草稿的步骤）的比例，从上一代 Sol 的 16.1% 直接跳到 60.9%。数字本身说明模型在推理时越来越不按人类预设的路径走，自己想怎么想就怎么想。伴随而来的就是可监控性下降——人更难看清它到底是怎么得出答案的。 但这里有个大坑。帖子完全没交代这个比例是在什么任务、什么风险设定下测出来的。如果是在数学题上，模型多打点草稿反而是好事；如果是在安全敏感场景下，模型自己藏着掖着思考过程，那就是另一回事了。另外，正文也没说“可监控性下降”具体指什么指标，是人工审计看不明白，还是自动化工具也抓不到异常。 在完整系统卡公开之前，这个 60.9% 更像一个信号而不是结论。真正需要盯的是 OpenAI 用什么方法评估“自主控制思考链”，以及他们在哪些场景下认为这个能力是风险而不是进步。

ARC-AGI-3 是 François Chollet 团队设计的抽象推理基准，用来测模型能不能在没见过的规则下解题，比前两代更难。Chollet 发布时判断前沿模型要一年才能饱和，结果 Astra 只用了 6 个月，速度翻倍。Sherwin Wu 的帖子确认了这件事，但没披露 Astra 的具体得分、测试轮次、是否用了额外训练数据或工具辅助。这些信息缺口让"饱和"的含金量没法判断——是刚好过线还是碾压式高分，是纯模型推理还是接了代码执行环境，差别很大。另外，ARC-AGI-3 本身的设计目标就是防刷榜，如果 Astra 是靠规模硬堆上去的，那说明基准的区分度可能没设计者想的那么高。等完整报告出来再看，现在只能说进展确实快，但快在哪、怎么快的，还不清楚。

这条新闻最值得看的是 xAI 把 Bot 定位成“虚拟员工”而不是聊天助手，并且直接给出了财务 Bot 省下数万美元的具体案例，比泛泛讲提效实在。但要注意，所有案例都来自官方博客，没有第三方验证，实际落地效果得打个折。企业版这次补上了权限、网络和审计控制，说明之前个人版在合规上是裸奔的，现在才算能进公司采购清单。两周免费试用覆盖全公司是个聪明的推广策略，但正文完全没提试用期后的价格，这是最大的信息缺口——如果定价对标企业级 RPA 或外包人力，成本可能不低。另外，Bot 之间能互发消息、共享上下文这个设计，意味着企业需要重新考虑权限边界：一个 Bot 能调另一个 Bot 的数据，审计链条会变复杂。整体看，产品思路清晰，但缺定价、缺独立评测，先别太激动。

xAI 这篇设计文章的核心判断很明确：未来的 AI 交互对象应该是能长期存在的“Bot”，而不是一次性的聊天会话。每个 Bot 有自己的名字、头像、记忆和一套工具，用户不在线时也能继续工作。界面侧边栏因此从聊天历史变成了 Bot 列表，并显示它们当前的状态，就像看同事是否在线。 这个思路把产品重心从“对话”转向了“委托”，让 AI 更像一个能独立承担任务的数字员工。文章展示了 Bot 可以自动整理收件箱、起草回复、跟进客户状态，但正文没披露任何性能数据、延迟指标或实际成本。 目前还缺几个关键信息：Bot 自主干活时的错误率有多高，用户如何纠正它的误操作，以及这种持久化运行会消耗多少算力、怎么收费。这些直接决定了它到底是生产力工具，还是一个需要时刻盯着的实习生。