AX 严选 · 2026-09-15

Arena 把四个新模型丢进了图片转网页的评测，GPT-6 Astra（Max）1733 分登顶，比第二名的 GPT-5.6 Sol（xHigh）高出 129 分。这个差距看着不小，但正文没披露具体测了什么任务、用了多少样本，所以分数的含金量要打个折。Claude Fable 5.1（Max）1710 分排第三，和 Sol 咬得很紧，Muse Spark 1.3（Max）1645 分第四，GLM-5.3-Flash 1588 分第十。 这个榜单测的是模型看图写网页代码的能力，对前端开发场景有参考价值，但 Arena 没说明评测维度——是只看还原度，还是也考虑代码质量、响应速度？也没交代图片类型和难度分布。如果样本量小或者任务偏简单，129 分的领先可能没那么大意义。另外，不同模型的 Max 和 xHigh 推理档位不一样，算力投入不同，直接比分数不太公平。 还缺的信息：评测集是否公开、有没有人工评估、各模型在复杂布局和交互逻辑上的表现差异。这些不补上，榜单就只能当个粗略参考。

Perplexity 用两个工程师加几百个 Computer 智能体，两个月搭出 CobbleDB，把网页抓取的热存储读延迟从 31.4 毫秒压到 5.6 毫秒，降了约五倍。CEO 说迁移后每年最多省一亿美元，这个数字大概率是按 DynamoDB 原账单峰值算的，实际省多少要看 CobbleDB 自己的服务器、存储和运维开销，正文没给明细。 我会先打个折：自建数据库省的是云服务溢价，但换来的是自己要扛故障恢复、数据一致性、扩容这些脏活。两个工程师两个月能出核心架子，说明需求场景很窄——就是高速键值读取，不涉及复杂事务。这点先别太激动，正文没披露 CobbleDB 在写入压力、节点故障下的表现，也没说会不会开源或对外卖。 还缺三块信息：一是自建后的总拥有成本对比，二是高负载下的稳定性数据，三是这个数据库是只服务内部抓取，还是想做成产品。如果只是把 DynamoDB 的账单换成自己的机房账单，省下的钱可能没那么好看。

Google 这次放出的 TranslateGemma 是个开源翻译模型，用 1,040 组偏好对比数据（就是让人判断“哪个翻译更好”来教模型学风格）做微调，在 Flores 基准上分数超过了 NLLB 和原版 Gemma 3。1,040 这个样本量不算大，能跑出这个成绩说明微调策略可能挺高效，但也让人好奇它在真实场景、非基准测试里的稳定性。 同时发的多语言版 Gemma 3 能处理 140 多种语言，官方说数学和代码能力没掉，这点如果是真的挺省钱——不用为了多语言支持再单独训一个模型。语音翻译系统覆盖 300 多种语言转英语口语，延迟 11 秒，对实时对话来说勉强可用，但离“无缝”还有距离。 整篇博文最大的信息缺口是没给任何参数量级和具体开放时间。没有参数量，就没法判断这些模型到底要多大的卡才能跑，对小团队友不友好。没有发布时间，现在就只能当预告看。

Gergely Orosz 这次探访带回一个很直接的信号：Codex 在 OpenAI 内部已经不是辅助工具，而是公司运转的骨架。最直观的数据是，财务、法务、招聘这些非技术团队，在没有强制要求的情况下，四个月内 Codex 使用率从接近零飙升到 90%。工程师这边，从一月起 IDE 和提交 Pull Request 的频率明显下降，因为大家开始让智能体直接干活。 OpenAI 还搭了一个叫“软件工厂”的东西，里面跑着自动化的智能体回路。比如 Perf Factory 会监控生产环境，发现性能问题后直接派 Codex 智能体去自动修。内部版 Codex 比公开版强很多，因为它几乎接入了 OpenAI 所有的内部系统。 不过文章是付费内容，后半部分关于十亿用户规模的基础设施、API 可靠性等细节被截断了，看不到具体怎么做的。另外，这些数据都来自 OpenAI 自己人，没有第三方验证，实际落地效果和可能踩的坑，还得等更多外部视角来补充。

404 Media 拿到的内部文档把 OpenAI 的人工审核流程摊开了。项目代号“莉莉计划”，审核员的工作就是看匿名后的真实对话，给 ChatGPT 的回复质量打分，专门揪出 AI 套话、说教语气和假装有个人经历这些毛病。时薪超过 50 美元，但工作本身很枯燥。 最让人不舒服的点在于知情同意。绝大多数用户不知道自己的聊天会被活人看到，很多人甚至把 ChatGPT 当树洞倾诉隐私。OpenAI 自己也承认，匿名处理可能漏掉个人数据，短对话尤其容易出问题。报道出来后，他们更新了帮助页面，但还是没明确说有人工审核这回事。 这篇报道没披露审核团队的规模、每天处理多少条对话，也没说这些人工打分具体怎么喂给模型做优化。另外，莉莉计划只标记明显错误，不核查事实准确性，说明还有别的团队在做效果评估，但这部分信息完全是空白。

Trail of Bits 重新扒了 1Password 那份 FLAWED 报告的原始数据，发现 26% 这个标题数字有很强的误导性。报告里有两类实验明显不是正常修漏洞的场景：一类是直接告诉 AI“请按这个错误方法修”，这类占了 22% 的数据；另一类是不让 AI 编译或跑测试，占了 36%。把这些干扰项去掉，只看 AI 能正常跑代码、没被故意带偏的测试，生成的补丁里有 86% 都能挡住提供的攻击代码。这个数字当然不等于完美修复，但比 26% 更能反映实际可用性。 Trail of Bits 还顺手发了两个给 AI 用的技能插件，一个帮 AI 自动验证补丁，一个帮工程师审阅补丁。不过正文没披露这两个技能自己的性能数据，效果怎么样还得自己试。另外，1Password 选的六个漏洞本身修复难度偏高，不同漏洞的修复率从 3% 到 60% 不等，所以平均数字对样本构成很敏感，换一批漏洞结论可能又不一样。

Fireworks 跑了一遍 DeepSeek-V4.1-Flash，最亮眼的数据在 DeepSWE 基准上：pass@1 得分 74.34%，跟 GPT-6 Astra 的 74.12% 几乎一样，但每次任务成本 0.43 美元，比 Astra 便宜 15 倍，比 Claude Opus 5 便宜 28 倍。这个基准主要测模型自动修 bug、写代码的能力，所以对做编程助手或自动化开发流程的团队来说，这个性价比很值得关注。 模型本身是 552B 参数的混合专家架构，用了“分体式激活”设计——读入信息时激活 8B 参数，输出时激活 16B 参数，还做了 KV 缓存优化来压延迟。在 Terminal-Bench 2.1 上它比 Astra 低 1 分，但成本只有对方的 1/12。 需要留个心眼：这是 Fireworks 自己发布的评测，不是独立第三方跑出来的。文章提到还测了 HLE 和一个“预言路由器”评估，但没公布具体分数，只说结果“有意思”。这种选择性披露让人没法判断模型在更难的推理任务上到底什么水平。另外，DeepSWE 和 Terminal-Bench 都是相对窄的代码场景，不代表它在通用对话、长文本理解或事实准确性上也能打平 Astra。

Vercel 的 COO 说他们把 inbound 销售开发团队从 10 个人压缩到了 1.25 个人，靠的是自己搭的 AI 代理。销售代理处理 90% 的 inbound 线索，客服代理解决 93% 的工单，两个系统加起来一年的基础设施开销只有几千美元，销售代理的投资回报率是 32 倍。这个数字说明，在流程足够标准化的场景里，用 AI 替代重复性人力的成本已经低到可以忽略不计。 不过得注意几点。第一，这是 Vercel 自己披露的数据，没有第三方验证。第二，inbound 销售开发本身就是销售链条里最结构化的一环，线索进来、判断意向、分配跟进，步骤相对固定，AI 容易做好。如果是需要复杂关系维护的 outbound 销售，效果可能差很多。第三，正文没披露这 1.25 个人具体做什么，是纯做审核抽查，还是处理 AI 搞不定的边缘案例。 COO 提到真正的瓶颈不是模型本身，而是把销售流程写成可执行的规则。这点挺关键，说明技术门槛在降低，但业务梳理的工作量一点没少。还缺的信息是：这套系统上线多久了，客户体验有没有下降，以及那 10% 没被自动处理的线索最后转化率怎么样。