2026 前沿

Module 11 · Frontier · Evaluation · Competitive Landscape

前沿、评测与竞品对照：把 OpenAI 放进坐标系

这一章只回答一个问题，并且反复回答十次：OpenAI 的选择为什么与别家不同？为此全章收敛为四条固定轴——能力与训练、产品与分发、安全与治理、开放与地缘——再加一个独立大节讲评测哲学。**本页不做排行榜。**benchmark 分数若缺少模型版本、日期、工具权限、harness、test-time compute 与成本中的任何一项，一律不进入横向比较（方法论声明见此）。凡称「OpenAI 独特」处，都必须先过竞品反例检查，并区分〈行业共识〉〈OpenAI 首创〉〈率先规模化〉〈特有组合〉四类。

本章速记来源范围对照矩阵轴一 · 能力训练轴二 · 产品分发轴三 · 安全治理轴四 · 开放地缘评测哲学能力里程碑中国侧视角中文误读谱系学独有性判定我的看法





  本章速记
  
    

• **六家的分歧不在「谁更强」，而在「用什么坐标系描述强」。**OpenAI 用能力形态五级、DeepMind 用性能百分位、Anthropic 用灾难风险等级、Hendrycks–Bengio 用认知量表。一个组织选择的分级方式，暴露的是它的治理位置，而不是它的技术判断——OpenAI 的框架必须不可证伪，Anthropic 的框架必须可触发，DeepMind 的框架必须学术中立。

• **不标采样预算的 benchmark 排行榜在数学上是无意义的。**同一个 o3 在 ARC-AGI-1 半私有集上，六样本档是 75.7% / 每题 26 美元，1024 样本档是 87.5% / 每题 4,560 美元——同一模型、同一基准、同一天，分数差 11.8 分，成本差 175 倍。能力是 test-time compute 的函数，不给预算就等于没给分数。

• 预训练之争在传播中被剥掉了限定语——但「中文更严重」这个方向本报告无法确认。Ilya 的原话是「pre-training as we know it will end」，限定语在「as we know it」；同一场演讲他仍称 scaling law 是过去十年一切进步的根源。中文误读谱系学一节考据了这条限定语是如何被剥掉的——结论出人意料：错的不是翻译，中文全文译本准确保留了限定语，语义反转发生在标题化与二次传播环节。★ 本条此前就中文侧被放大的程度与方向下过一个比较级判断，已于 2026-07-25 撤回，逐字原句保留在更正登记：高二手率是全球新闻业通例（Cardiff 2008 仅 12% 无预包装、Pew 2010 83% 纯重复、Duke 2019 仅 43% 原创），而同门槛的英文对照并不存在——门槛不同就不可比，因此程度与方向都不能确认，一并标为未知，见 英文同门槛对照缺口。

• DeepSeek 用开源权重给 o1 祛了魅，但也暴露了 RLVR 自身的边界。R1-Zero 公开验证了纯 RL 可以激发推理；而 Yue 等人的 pass@k 交叉现象显示，RLVR 提高 pass@1 的同时可能降低 pass@k——它在收窄而不是扩张能力边界。这两件事必须一起讲。

• **持续学习是六家唯一公认的第一缺口，但三个人说的不是同一件事。**Sutton 说 LLM 从起点就错了（没有目标就没有对错）；Karpathy 说缺的是「等价于睡眠」的巩固机制；Ilya 说缺的是泛化。把三人打包成「大佬都说 LLM 不行」是本年度最常见的偷换。

• **安全治理的实质分歧是「触发式」与「迭代式」。**Anthropic 的 ASL 与 DeepMind 的 FSF 都是「达到阈值就强制措施」；OpenAI 的 iterative deployment 是「早点放出去让社会适应」。前者的隐含假设是阈值可提前定义，后者的隐含假设是社会适应速度 ≥ 能力增长速度。**两个假设都还没被验证。**而经红队核查更正后更值得记的是：三家都在框架里写了「竞争对手不守时我也可以不守」这条逃逸口，OpenAI 还是最晚写的一家——自愿框架在竞争条件下会收敛到同一个形状，这是制度类型的性质，不是某一家公司的性格。

• **「开放」在六家嘴里是四个不同的概念。**open source / open weights / source available / API access 必须严格区分：gpt-oss 与 DeepSeek-R1 是开放权重，Llama 的许可证不是 OSI 意义上的开源，GPT-4 只是 API access。混用这四个词，就无法解释 OpenAI 为什么能同时「转向封闭」和「回归开放」。

• 本页对每一条「OpenAI 独有」说法都做了竞品反例检查，推翻了其中若干条——包括本报告自己那条「组合独有」。五项里（可预测 scaling × 大规模后训练 × 迭代部署 × 消费级分发 × 资本算力飞轮）确实没有一项是 OpenAI 独有的。★ 但本条此前据这五项的同时成立下过一个独特性判定，已在方法论层面被证伪并于 2026-07-25 撤回（逐字原句保留在独有性判定末行的更正登记）：红队用同一构造法为 Anthropic 与 Google 各造出一个「唯一全中」的五元组，且区分 6 家只需约 2.58 个二元属性（(\log_2 6)）——用 5 个是过拟合；原论证的五条排除理由有四条在事实层面不成立。「组合」现在只作为一幅画像保留，不作为独特性论据，见 独有性判定与 ⑬ 问 08。

来源范围说明：本页检索了什么、没检索什么

本页的材料来自 research/07-frontier-dossier.md（竞对认知对照 + 2024–2026 前沿最佳实践，含 106 条竞对语录与三张对照矩阵）、research/06-local-mining-dossier.md（中文私域视角）、research/05-tech-formulas-dossier.md（评测与训练的技术谱系）。检索空间：六家主要机构负责人的公开长文与长访谈（Dario Amodei 的四篇个人长文、Demis Hassabis 的 2025–2026 公开表态、Yann LeCun 的路线否定与 JEPA 系列、梁文锋 的三次中文访谈、Elon Musk 的公开表态、Richard Sutton 2025-09-26 的 Dwarkesh 访谈），加上 arXiv 一手论文与各机构官方技术报告。

没有检索的：各家的内部文档与非公开评测结果；未公开权重模型的训练配方；任何需要付费墙后数据的排行榜快照。已知薄弱处：xAI 与 Meta 2026 年上半年的一手材料密度明显低于 OpenAI/Anthropic/DeepMind，这会让本页对这两家的刻画偏向「立场」而非「机制」；中文私域样本在年份上严重右偏（2025–2026 占绝大多数），因此凡涉及「中文圈普遍如何」的判断，都只限定在可检索到的样本内。

与其它模块的分工：机制与公式全部让位给 ⑥ 核心机制与公式；安全对齐的四条线在 ⑧ 安全与对齐演变 完整论证；开放边界的四概念定义与中美地缘的主论证在 ⑩ 组织·权力·开放·地缘；产品与推理经济学在 ⑨ 产品·商业化·分发；预测记分卡在 ⑬ 我的评价。本页只做对照，不重复论证。

  T1 逐字/官方转录
  T2 官方论文/公告
  T3 可靠媒体一手采访
  T4 二手整理/编译
  T5 作者推断


  ⚑ 关于本页的 URL 与数字
  

本页优先引用可验证的非官方站点信源（arXiv、各公司官方博客、darioamodei.com、dwarkesh.com、ARC Prize、可靠媒体）。页内 104 条外链已逐条比对全站 URL 校验台账：91 条判定为可达；openai.com/index/… 类链接一律以出现在官网 sitemap 为准，未出现者只写「OpenAI 官方公告（年-月）」的纯文本并附第三方信源，不贴可能不存在的官方 URL。另有 4 条 arXiv 与项目页由本页单独实测为 200；Reuters、TIME 等 3 家的链接返回 401/406，属站点反爬而非失效，已保留并在此说明。

2025–2026 的估值、营收、算力、成本数字一律标注口径与出处；未做双源交叉的写「据报道，未获官方确认」。事实截止日 2026-07-25（UTC+8），此后不作「已发生」表述。

四条轴上的六个位置：先看地图，再看细节

下面这张图把六家机构放在四条轴上各定位一次。它要回答的问题很朴素：**如果只能用四把尺子量这个行业，OpenAI 落在哪里？**答案是——它在任何一条轴上都不在极端；四条轴叠起来给出的是一个位置描述，不是一份独特性证明：训练上接近最激进的一侧，分发上是最消费级的一端，安全上处在中间偏保守，开放上则从最封闭的一侧向中间挪了一步。下图的坐标位置是作者（AI）根据公开表述所做的相对排序，属推断（T5），不是任何机构的自我定位。

  **图 1 · 四条轴上的六个位置（本报告原创 SVG）：**这张图回答的是「**六家在四条轴上分别站在哪里**」。逐轴看，OpenAI 在每条轴上都能找到比它更极端的同行——训练上有 xAI，分发上有 Google 的搜索嵌入，安全上有 Anthropic 的 ASL，开放上有 DeepSeek 的全量权重。**★ 本图早前的标题与读法据四轴叠加下过一个独特性判定，已于 2026-07-25 撤回**（逐字原句见图下更正登记）——理由与「五项组合」那条相同：**同一构造法可以为 Anthropic 与 Google 各造出一个「唯一」组合**，而区分 6 家只需约 2.58 个二元属性，用四到五个是过拟合（见 独有性判定与 ⑬ 问 08）。**这张图现在只承担一件事：把六家的相对位置画出来，供逐轴对照；它不再用于任何「只有一家」的判断。**坐标为作者（AI）依据公开表述所作的相对排序，属推断（T5），非任何机构的自我定位；判定依据见下方矩阵逐格证据。本报告原创 SVG，未热链任何外部资源。



  ⚑ 更正登记 · 图 1 的「组合独特性」读法已撤回（2026-07-25）
  

撤回句（原样保留）：本图原标题「OpenAI 的独特性在组合，不在单项」与原读法「但把四条轴叠起来，这个组合位置目前只有一家」，两句均已撤回。理由与「五项组合」那条相同：同一构造法可以为 Anthropic 与 Google 各造出一个「唯一」组合，而区分 6 家只需约 2.58 个二元属性（(\log_2 6)），用四到五个是过拟合——维度多于样本时「唯一全中」是必然出现的，不是被发现的（完整论证见 独有性判定与 ⑬ 问 08）。

图现在承担什么：只把六家的相对位置画出来供逐轴对照，不参与任何「只有一家」的判断。

本框为公开留痕，按本站纪律不做静默修改。图内文字、图注与本章速记只保留改后的结论，撤回的原句一律回到这里逐字存放。

六家 × 十维度对照矩阵（可交互）

下面是全页的证据底座：六个阵营 × 十个维度 = 60 个格子，每格给出该机构在该维度上的具体立场、关键日期与证据等级。这是矩阵，不是排行榜——它不回答「谁更好」，只回答「谁和谁在同一个问题上给出了不同的答案」。用上方的筛选器可以只看某一个维度的六家横切（这是最有用的读法），或只看某一家的十维纵切。关闭 JavaScript 时筛选器不显示，60 个格子全部默认可见。

    维度（横切）
    全部十维
    ① AGI 定义
    ② 时间表
    ③ 训练轴
    ④ test-time & RL
    ⑤ agent & 评测
    ⑥ 世界模型
    ⑦ 开放立场
    ⑧ 安全治理
    ⑨ 产品分发
    ⑩ 算力资本
  
  
    阵营（纵切）
    全部六家
    OpenAI
    Anthropic
    Google DeepMind
    Meta / LeCun
    DeepSeek
    xAI
  
  

当前显示 0 / 0 个格子 重置全部

① AGI 定义 —— 这个词到底指什么，谁在回避它

这一维度问的不是谁离 AGI 更近，而是六家在使用同一个缩写时各自指称什么。OpenAI 把它写进章程与商业协议，因此需要它足够模糊以便延后触发；Anthropic 需要它足够精确以支撑紧迫性论证，于是干脆换词；Google DeepMind 把它拆成性能百分位与通用性两轴，让争论从是非题变成到哪一格；Meta 把目标名称直接上移到超级智能；DeepSeek 与 xAI 则各自绕开定义，一个只谈下一级台阶，一个只给一个概率。读这一列时最大的口径陷阱，是把不同定义下的进度直接比较：同一个模型在 OpenAI 的框架里已经过了第二级，在 DeepMind 的框架里可能还停在涌现级，在认知域加权口径下只走了五成多一点。凡是不带定语的 AGI 判断，基本都可以退回去重问一遍它说的是哪一套刻度。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

Charter 的经济价值定义与内部五级形态框架并存

2018-04-09 的 Charter 把 AGI 定义为「在多数具有经济价值的工作上超过人类的高度自治系统」，并把它写成组织存在的理由与 OpenAI–Microsoft 协议中有法律后果的触发条件。2024-07-11 经 Bloomberg 曝光的内部五级框架（Chatbots、Reasoners、Agents、Innovators、Organizations）则是能力形态分类，不含任何可测量阈值，两套口径并不完全兼容。这是 OpenAI 的基准立场，其余五家均以它为参照。 EV-2018-04-09-CHARTER最后核验：2026-07-25

      T1 逐字/官方转录
      Anthropic · Dario Amodei发言时身份：竞品 CEO · 前 OpenAI 研究副总裁
    
    

拒用 AGI，改称 powerful AI 与「数据中心里的天才国度」

2024-10《Machines of Loving Grace》脚注写明「AGI 是一个不精确的词，它积累了太多科幻包袱和炒作」，改用 powerful AI 或 Expert-Level Science and Engineering，并把它具体化为 a country of geniuses in a datacenter。与 OpenAI 的差异在于用途：OpenAI 需要这个词模糊以便延后契约触发，Dario 需要它精确以支撑紧迫性论证，因此系统性地弃用它。 EV-2024-10-00-DARIO-MOLG原始出处 ^[1]最后核验：2026-07-25

      T2 官方论文/公告
      Google DeepMind机构立场 · 非个人发言
    
    

《Levels of AGI》：把是非题改写成性能百分位

arXiv:2311.02462（2023-11-04，Shane Legg 为共同作者）用性能百分位乘以通用性两个轴建立 Level 0 到 Level 5，Level 2 的 Competent AGI 定义为「至少达到熟练成年人的 50 百分位」。论文正文直接点名：OpenAI 2018 年那个以劳动替代为门槛的定义「更符合 Exceptional AGI」，即它自己框架里的 Level 4。与 OpenAI 的差异是它用连续标尺解构了二元叙事，并把 OpenAI 的门槛判得比通常理解高得多。 EV-2023-11-04-DEEPMINDarXiv:2311.02462 ^[2]最后核验：2026-07-25

      T2 官方论文/公告
      Meta · Mark Zuckerberg发言时身份：竞品
    
    

跳过 AGI 直取 superintelligence，LeCun 另立 AMI

Meta 官方发布的《Personal Superintelligence》（2025-07-30）绕开 AGI 一词，直接宣布「开发超级智能现在已在视野之内」。LeCun 本人则用 AMI（Advanced Machine Intelligence）替代 AGI，理由是人类智能本身就是高度专用的，AGI 因此是一个伪概念。与 OpenAI 的差异是目标名称被整体上移：当 AGI 被认为即将达成时，Meta 与阿里都改口谈 ASI，而 OpenAI 仍守着原来那个词。 EV-2025-07-30-META-PSI原始出处 ^[3]最后核验：2026-07-25

      T4 二手整理/编译
      DeepSeek · 梁文锋发言时身份：竞品
    
    

不参与定义之争，只给爬楼梯的下一级台阶

2026-07-22 四小时投资人会议的整理稿记录了他的路线表述：把实现路线比作爬楼梯，去年的阶梯是 CoT，今年的阶梯是 Agent，之后是持续学习、渐进的奇点，最后才是具身智能，全程不给年份也不给定义。该整理稿自述与原文可能略有出入，只能作旁证。与 OpenAI 的差异在于契约压力：OpenAI 需要 AGI 作为治理与融资的锚点，DeepSeek 把它降格成一个不必辩论的方向词。 EV-2026-07-22-DEEPSEEK-INVESTOR最后核验：2026-07-25

      T4 二手整理/编译
      xAI · Elon Musk发言时身份：竞品 CEO · OpenAI 联合创始人，2018 退出董事会
    
    

不做分级，只给「超过单个人类」与一个概率数字

xAI 于 2023-07-12 正式成立，使命表述为「理解宇宙的真实本质」，不设任何能力分级。Musk 的 AGI 口径是「比任何单个人类更聪明」再到「超过全人类智能之和」，并公开给 Grok 5「约 10% 概率是 AGI 或与之无法区分」；这些表述本次检索到的均为媒体与聚合站转述，措辞与日期待考。与 OpenAI 的差异是可证伪程度：OpenAI 用无阈值的形态分级，Musk 用概率与年份换取动员力。 EV-2023-07-12-XAI-FOUNDED最后核验：2026-07-25

② AGI 时间表 —— 谁愿意让自己被证伪

时间表是六家里最容易被并列打分、也最容易被误读的一栏。误读来自两件事。一是每个人说的目标物不同：Anthropic 说的是能替代专家级科学与工程的系统，Google DeepMind 说的是能展现人脑全部认知能力的系统，xAI 说的是超过单个人类的智能，目标物不同就不存在共同刻度。二是预测语法不同：有人给出年份加芯片量级加资金量级，可以逐项打分；有人只说也许几千天，或者我们已经知道怎么造了，事后无论发生什么都不算错。读这一列时要同时看三样东西，给没给年份、给没给可验证的前置条件、以及落空之后有没有复盘。一个每年都说还有一两年的预测，在信息论上等于没有预测；而一个十年不变的预测至少诚实地表达了不确定性没有减少。

      T1 逐字/官方转录
      OpenAI · Sam Altman发言时身份：现任
    
    

「也许几千天」与「我们知道怎么造了」：不可证伪的预测语法

2024-09-23《The Intelligence Age》说 AGI「也许几千天」；2025-01《Reflections》说「我们现在有信心说，我们知道如何按传统理解建造 AGI 了」；2025-06《The Gentle Singularity》预告 2026 年可能出现能发现新洞见的系统。2025-12 公开的路线图另给出「2028 年 3 月 AI 研究员完全自主」这一目标。这是 OpenAI 的基准立场：三句话没有一句能被打分，其余五家均以它为参照。 EV-2025-01-00-SAM-REFLECTIONS最后核验：2026-07-25

      T1 逐字/官方转录
      Anthropic · Dario Amodei发言时身份：竞品 CEO · 前 OpenAI 研究副总裁
    
    

四次表态与一次静默后移：从「最早 2026」到「只有 1–2 年」

2024-10 说「最早可能 2026」；2025-01 说「最可能发生在 2026–2027，需要数百万块芯片、至少数百亿美元」；2025-04 说「2026 或 2027」；2026-01《The Adolescence of Technology》改口为「可能只有 1–2 年」，却写成「正如我此前写的」。截至 2026-07，投入侧参数已兑现、能力目标未兑现。与 OpenAI 的差异在于他愿意付出被打分的代价，而 OpenAI 系统性地回避了这个代价。 EV-2026-01-00-DARIO-ADOLESCENCE原始出处 ^[4]最后核验：2026-07-25

      T3 可靠媒体一手采访
      Google DeepMind · Demis Hassabis发言时身份：竞品
    
    

一个从不移动、只在收窄的十年窗口

Demis 在 2016、2020、2023、2025 都说过「5 到 10 年」；2025-12-04 在 Axios AI+ 峰会上说「就 AGI 而言我们现在肯定还没到，如果你问我，还有 5 到 10 年」；2026-05 收窄为「2030 加减一年，2029 也有可能」，并称 2026 的 agentic era「有点像一次彩排」。与 OpenAI 的差异是形状：一个窗口在收窄而不后移，另一个用「几千天」这类无法结算的措辞维持乐观。 EV-2026-05-00-DEMIS-2030最后核验：2026-07-25

      T3 可靠媒体一手采访
      Meta · Yann LeCun发言时身份：竞品首席科学家 / 学者 · 从未任职 OpenAI
    
    

条件式时间表：沿这条路永远到不了，换范式则可能不到十年

2024-03-07 的 Lex Fridman Podcast 第 416 期里，LeCun 说就达到人类水平 AI 而言「LLM 基本上是一条岔道、一个干扰、一条死路」；他把「AGI 即将到来」称为无稽之谈，同时认为换掉范式之后可能不到十年。同一家公司在 2025-07-30 却宣布超级智能已在视野之内。与 OpenAI 的差异不在年份而在范式，年份只是范式判断的推论。 EV-2024-03-07-META最后核验：2026-07-25

      T4 二手整理/编译
      DeepSeek · 梁文锋发言时身份：竞品
    
    

不给年份，只给一个组织条件

从 2023-05 的《暗涌》第一次访谈到 2026-07-22 的投资人会议整理稿，梁文锋始终不给 AGI 年份，只给顺序与条件：「只要能保持团队的稳定性，我一定能做成 AGI。」他把不确定性放在组织变量而不是技术变量上，因此这条表述无法被时间表打分。与 OpenAI 的差异在于外部压力：OpenAI 的时间表要服务融资与算力承诺，DeepSeek 长期靠幻方自有资金，没有对应的报数需求。 EV-2026-07-22-DEEPSEEK-INVESTOR最后核验：2026-07-25

      T4 二手整理/编译
      xAI · Elon Musk发言时身份：竞品 CEO · OpenAI 联合创始人，2018 退出董事会
    
    

最激进的两个硬年份，也是唯一从不复盘的一家

Musk 的两条预测是 2026 年 AI 超过任何单个人类、2030 年预计超过全人类智能之和，方法论是趋势外推加算力外推，不含任何能力缺口分析。截至 2026-07 第一条无公认结论；相关表述本次检索到的均为媒体转述，具体日期与措辞待考。与 OpenAI 的差异是应对方式：OpenAI 用模糊措辞规避结算，Musk 用精确年份换动员力，落空后既不改口也不复盘。 EV-2025-00-00-MUSK-2026-2030最后核验：2026-07-25

③ 训练轴 —— 预训练、架构与数据，各家把增量押在哪里

训练轴问的是各家把智能增量押在哪个环节：更大的预训练、更好的数据，还是更省的架构。这一栏最大的口径陷阱，是把幂律现象、计算最优配比与工程效率混成一句 scaling law。Kaplan 等人在 2020 年给出的是损失随参数、数据与算力变化的幂律形式，Chinchilla 在 2022 年给出的是固定算力下的最优配比并推翻了前者的分配结论，而 Hestness 等人在 2017 年就已经系统记录过幂律。三件互不等价的工作被同一个名字吞掉之后，发现权之争就变成了路线正统性之争。第二个陷阱是把单次训练成本当作研发成本：在实验与消融占算力大头的行业里，一次正式训练的花费更像最后一次实验的电费，它被广泛引用只是因为它是唯一一个各家都可能公布的数字。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

幂律奠基与一次公开纠错：架构守成，创新在配方

Kaplan et al.（arXiv:2001.08361，2020-01-23）命名并推广了参数、数据、算力的幂律形式，此后 OpenAI 的训练轴一直是大规模预训练加后训练配方，架构上基本沿用 Transformer 与 MoE，创新集中在数据与流程而非结构本身。2022-03 的 Chinchilla 直接推翻了它的参数与数据配比结论，是 OpenAI 在公开科学层面被同行明确纠错的少数几次之一。这是基准立场，其余五家均以它为参照。 EV-2020-01-23-SCALINGLAWarXiv:2001.08361 ^[5]最后核验：2026-07-25

      T1 逐字/官方转录
      Anthropic · Dario Amodei发言时身份：竞品 CEO · 前 OpenAI 研究副总裁
    
    

「一条平滑、不屈的曲线」加上算法效率约 4 倍每年

2025-01《On DeepSeek and Export Controls》把 scaling 判断写成两个可复算参数：一条平滑而不屈的认知能力增长曲线，以及约每年 4 倍的算法效率提升。他用这条趋势线把 DeepSeek-V3 的成本放回历史位置，得出「完全在趋势内」的结论。与 OpenAI 的差异不在科学基因——Kaplan、McCandlish、Brown 同时是 GPT-3 与 scaling laws 论文的作者——而在于 Anthropic 把趋势线变成了公开的论证工具。 EV-2025-01-00-DARIO-DEEPSEEK原始出处 ^[6]最后核验：2026-07-25

      T2 官方论文/公告
      Google DeepMind机构立场 · 非个人发言
    
    

Chinchilla：给定算力下参数与数据应当等比例扩展

Hoffmann et al.（arXiv:2203.15556，2022-03-29）训练了四百多个模型，参数从 4400 万到 160 亿、数据从 50 亿到 5000 亿 token，确立约 20 tokens 每参数的启发式，70B 的 Chinchilla 在同等算力下压过 280B 的 Gopher。Demis 在 2025-12 主张 scaling law 最早由 DeepMind 内部以 Chinchilla 之名发现。与 OpenAI 的差异是分工而非对立：命名与推广权在 OpenAI，正确的定量形式在 DeepMind。 EV-2022-03-29-SCALINGLAWarXiv:2203.15556 ^[7]最后核验：2026-07-25

      T2 官方论文/公告
      Meta · Yann LeCun发言时身份：竞品首席科学家 / 学者 · 从未任职 OpenAI
    
    

在表示空间预测：用能量模型与分层规划替代自回归生成

《A Path Towards Autonomous Machine Intelligence》（OpenReview，2022-06-27）提出配置器、感知、世界模型、成本、行动者、短期记忆六模块架构，核心是用 JEPA 在表示空间而不是 token 或像素空间做预测。配套的指数发散论证设逐 token 跳出正确答案树的概率为 e，长度 n 的答案正确率即 (1-e) 的 n 次方。与 OpenAI 的差异是同一个数学对象的相反读法：Ilya 认为预测下一个 token 蕴含世界模型，LeCun 认为它必然在长序列上失效。 EV-2022-06-27-META原始出处 ^[8]最后核验：2026-07-25

      T2 官方论文/公告
      DeepSeek机构立场 · 非个人发言
    
    

把架构创新当作 AGI 路线的必要条件

V2（arXiv:2405.04434，2024-05-06）提出 MLA 把 KV cache 压缩到低秩潜空间，并配以细粒度专家加共享专家的 DeepSeekMoE；此后 MTP、FP8、DualPipe、NSA、DSA 构成一条连续的效率谱系。梁文锋在 2024-07《暗涌》访谈里的表述是：做应用可以沿用 Llama 结构，但目的地是 AGI 就必须研究新的模型结构，在有限资源下实现更强能力。与 OpenAI 的差异是方向相反的兑换：OpenAI 用成本换能力上限，DeepSeek 用架构换成本再换规模。 EV-2024-05-06-DEEPSEEK-V2arXiv:2405.04434 ^[9]最后核验：2026-07-25

      T4 二手整理/编译
      xAI机构立场 · 非个人发言
    
    

单体集群推到极限，加实时 X 数据

xAI 的训练轴是把单个集群做到最大再加上平台实时数据：Colossus 于 2024-09 在孟菲斯上线，报道称约 19 天建成、10 万卡 H100；Grok-3（2025-02）宣称用该集群训练。这些规格与日期主要来自科技媒体与个人整理，本次检索未定位到官方技术白皮书。与 OpenAI 的差异是轴的数量：OpenAI 明确把 test-time compute 立为第二条 scaling 轴，xAI 几乎只押注第一条轴上的规模与速度。 EV-2024-09-00-XAI-COLOSSUS最后核验：2026-07-25

④ test-time compute 与 RL —— 第二条曲线放在哪里

这一维度在问：当预训练的边际收益变薄之后，各家把第二条增长曲线放在哪里。OpenAI 的答案是在推理时多花算力并用强化学习训练思维链，Anthropic 的答案是用一份自然语言宪法替代大部分人类偏好标注，DeepSeek 的答案是纯强化学习加上去掉 critic 的组相对优化，Google DeepMind 的答案是把当前系统推到极致同时预留一两个架构级突破，Meta 的答案则是这条路整体走不通。读这一列要区分三件被反复混淆的事：能力是否公开、方法是否公开、以及思维链是否对用户可见。三者可以任意组合，o1 是能力公开而方法与思维链都不公开，R1 是三者全开，这个差别在几周之内改变了整个开源社区能做的研究，也把「护城河来自方法保密」这一假设第一次放到了可测量的位置上。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

o1 把推理时算力立为第二条 scaling 轴，但只公布结果

o1（2024-09-12）对外只说「我们用强化学习训练模型进行思考」，不公开算法、奖励设计与思维链；Sam 在 2024 年 DevDay 的炉边谈话中自评「我们清楚地到了 L2」。2025-01-31 他在 Reddit AMA 上承诺展示「更有帮助、更详细的版本」，并说「这一点要归功于 R1 更新了我们」。这是 OpenAI 的基准立场：能力公开、方法封闭，其余五家均以它为参照。 EV-2024-09-12-O1最后核验：2026-07-25

      T2 官方论文/公告
      Anthropic机构立场 · 非个人发言
    
    

宪法 AI：用一份原则清单替代大部分人类偏好标注

arXiv:2212.08073（2022-12-15，Jared Kaplan 为通讯作者）提出「唯一的人类监督通过一份规则或原则清单提供」，并用来自 AI 反馈的强化学习即 RLAIF 替代大规模人工标注；论文同时点出 RLHF 的失效模式：众包标注者常奖励回避性回答，训出的模型可能既无害又无用。2026-01 Dario 补充说后训练更像在预训练继承的众多人格中做选择。与 OpenAI 的差异是层级：Model Spec 是产品规范，Constitution 是训练目标。 EV-2022-12-15-ANT-CAIarXiv:2212.08073 ^[10]最后核验：2026-07-25

      T3 可靠媒体一手采访
      Google DeepMind · Demis Hassabis发言时身份：竞品
    
    

「推到极致」加「还差一两个 Transformer 级突破」的双保险表述

2025-12-04 的 Axios AI+ 峰会上，Demis 说「当前系统的 scaling 我们必须推到极致，因为它最低限度会是最终 AGI 系统的一个关键组件，也可能就是全部」，同时预留「一两个 Transformer 级或 AlphaGo 级的突破」。DeepMind 的强化学习血统来自 AlphaGo 而不是 RLHF。与 OpenAI 的差异是承诺强度：这是一个两个方向都不会被证伪的表述，而 OpenAI 已经把 test-time compute 押成了明确的第二条轴。 EV-2025-12-04-DEMIS-AXIOS最后核验：2026-07-25

      T5 作者推断
      推断
      Meta · Yann LeCun发言时身份：竞品首席科学家 / 学者 · 从未任职 OpenAI
    
    

RL 改良被列入否定清单，而 CoT 自检恰好削弱了他最硬的论证

LeCun 把「在 RL 上发明新花样」与更大预训练、合成数据、大规模后训练标注一并列入否定清单，措辞在多处转载中一致但原始访谈待考。本报告的推断是：他 2023-03 提出的指数发散论证假设错误不可自我纠正，而 CoT 加强化学习训练出的回溯与自检恰好取消了这一假设，这是他迄今最被削弱的一条论证。与 OpenAI 的差异因此是工程性的：OpenAI 用一套训练手段绕过了他的数学反例，而不是反驳了它。 EV-2023-03-00-LECUN-DIVERGENCE最后核验：2026-07-25

      T2 官方论文/公告
      DeepSeek机构立场 · 非个人发言
    
    

R1：首个公开验证纯 RL 可激发推理、无需 SFT 的研究

arXiv:2501.12948（2025-01-22）自述是「首个公开验证 LLM 推理能力可以纯通过 RL 被激发、无需 SFT 的研究」：R1-Zero 在 AIME 2024 上 pass@1 从 15.6% 升到 71.0%，多数投票 86.7%，R1 达 79.8%，MATH-500 为 97.3%。GRPO 放弃与策略同规模的 critic，改用组内得分估计 baseline。与 OpenAI 的差异在于它把 o1 从未知黑科技变成已知工程路径，实测出这条护城河的宽度只有约四个月。 EV-2025-01-22-DEEPSEEKarXiv:2501.12948 ^[11]最后核验：2026-07-25

      T4 二手整理/编译
      xAI机构立场 · 非个人发言
    
    

最快的迭代节奏，最少的方法披露

Grok 的迭代约每半年一代，Grok-3 于 2025-02、Grok-4 于 2025-07 发布，Grok 5 在 2026 年训练中，这是所有对手里最快的节奏；但 xAI 从未公开其推理训练配方，也未在多数第三方评测上取得稳定领先。各代具体日期与规格需逐条回查。与 OpenAI 的差异指向一个共同问题：当速度与算力都不构成决定性优势时，剩下的变量是数据质量、后训练配方与研究品味，而这三样恰好最难用钱买到。 EV-2025-07-00-XAI-GROK4最后核验：2026-07-25

⑤ agent 与评测 —— 分数到底属于模型还是属于脚手架

agent 与评测必须放在同一格里看，因为 2025 年之后这两件事已经不可分离。同一个模型换一套 harness，分数可以摆动十几到四十个百分点；带精选技能的小模型能压过不带技能的大模型；而 harness 本身又是与模型共同训练出来的，于是榜单上的数字实际上是模型与脚手架的联合分数。与此同时，评测基础设施本身正在坍塌与重建：一个基准从成为事实标准到被作者方判定污染只用了一年半，另一个基准在半年之内修掉了将近三分之一的任务。读这一列时不要做横向排名，没有 harness、工具权限、采样预算与成本说明的分数不具备可比性；也不要跨版本比较，版本号变了通常意味着题目集本身变了，跨版本的进步曲线很可能只是题目变简单或变干净的曲线。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

同一家机构既在建设评测，也在宣布评测失效

2024-08-13 与原作者合作发布 SWE-bench Verified，93 名开发者从 1699 个样本里筛出 500 个确认可解的任务，GPT-4o 由 16% 升到 33.2%；2025-09-25 发布 GDPval，覆盖 44 个职业、1320 个真实交付物。随后 2026-02-23 宣布不再使用 Verified（污染严重），2026-07-08 撤回对 SWE-bench Pro 的推荐（估计约 30% 任务是坏的）。这是基准立场，其余五家均以它为参照。 EV-2026-02-23-OAI-SWEBENCH-RETIRED原始出处 ^[12]最后核验：2026-07-25

      T2 官方论文/公告
      Anthropic机构立场 · 非个人发言
    
    

开放协议加文件系统，而不是平台化托管

2025-11-04 的《Code execution with MCP》主张把 MCP 服务器呈现为代码 API 而不是直接工具调用，让 agent 写代码去交互，从而按需加载工具并在执行环境里先处理数据；同期《Advanced tool use》给出的理由是「工具结果与定义有时会在 agent 读到用户请求之前就消耗掉 5 万以上 token」，因此工具应当按需发现和加载。与 OpenAI 的差异是护城河形态：OpenAI 走 Responses API 与内建工具的平台化托管，Anthropic 把 agent 能力放在用户自己的文件系统里。 EV-2025-11-04-ANT-MCP-CODE原始出处 ^[13]最后核验：2026-07-25

      T2 官方论文/公告
      Google DeepMind机构立场 · 非个人发言
    
    

agent 在 3D 具身空间，且把能力与自主性显式解耦

SIMA 像人一样读屏幕、用虚拟键鼠、不访问游戏代码；SIMA 2（2025-11-13）把 Gemini 嵌为智能体内核，使其能对高层目标推理、与用户对话，并在 Genie 3 生成的世界里自我练习。《Levels of AGI》另设 Levels of Autonomy，主张自主性由能力等级解锁但不由其决定。与 OpenAI 的差异是耦合方式：OpenAI 把 L3 直接命名为 Agents，等于把自主性当成能力阶梯上的一格来销售。 EV-2025-11-13-DEEPMIND最后核验：2026-07-25

      T2 官方论文/公告
      Meta机构立场 · 非个人发言
    
    

不进榜单，用零样本机器人规划当作 agent 证据

V-JEPA 2（2025-06）在超过 100 万小时视频上自监督预训练，再用少量机器人交互数据微调出 action-conditioned 版本，可在未见过的环境中完成零样本的抓取与放置规划。它不参与 SWE-bench 或 Terminal-Bench 这类 agent 竞赛。与 OpenAI 的差异是度量对象完全不同：OpenAI 的 agent 指标围绕经济任务的交付质量与时间跨度，Meta 这条线的指标是物理操作成功率，两者不在同一标尺上，不能互相排名。 EV-2025-06-00-META—VJEPA2最后核验：2026-07-25

      T2 官方论文/公告
      DeepSeek机构立场 · 非个人发言
    
    

公开思维链的外部性：几周内引爆全球复现

R1 是第一个把完整思维链展示给用户的前沿推理模型，论文同时公开了 GRPO 算法、规则式奖励的设计理由（神经奖励模型在大规模 RL 中会 reward hacking）以及 PRM 与 MCTS 的失败尝试，数周内催生 TinyZero、Open-R1、SimpleRL 等大量复现。与 OpenAI 的差异体现在双方的评价上：Dario 把公开思维链贬为「一个用户界面选择」，Sam 则说「归功于 R1 更新了我们」。 EV-2025-01-22-DEEPSEEKarXiv:2501.12948 ^[11]最后核验：2026-07-25

      T5 作者推断
      推断
      xAI机构立场 · 非个人发言
    
    

Macrohard：把「组织级 AI」从框架词变成一个项目名

Musk 启动的 Macrohard 项目要用纯 AI agent 从零构建一家软件公司，孟菲斯第三栋建筑被命名为 MACROHARDRR；截至 2026-07 无公开产出，相关信息多为媒体与二手整理。本报告的推断是：这个项目的价值不在成败，而在它把一个只存在于分级表里的概念变成了可被现实检验的对象。与 OpenAI 的差异正在于此：OpenAI 把 L5 Organizations 留在框架里作为叙事资产，xAI 给它起名并买了楼。 EV-2025-00-00-XAI-MACROHARD最后核验：2026-07-25

⑥ 世界模型与多模态 —— 同一个词，四种互不兼容的所指

世界模型是这十个维度里语义最混乱的一个词，四派人用它指四种不同的东西。Google DeepMind 指的是能实时交互、能让智能体在其中练习的可模拟环境；LeCun 指的是在表示空间里做预测、主动丢弃不可预测细节的抽象模型；OpenAI 早期用它形容像素空间的视频生成；而梁文锋直接说它跟智能的上限没有太大关系。最有意思的分歧不在支持与反对之间，而在支持者内部：像素级生成恰好是 LeCun 论证要避免的东西，所以 Genie 与 JEPA 虽然共用一个旗号，机制上是相反的，这一点在公开讨论里很少被指出。读这一列时要问的是两件事，预测目标究竟是观测还是表示，以及这个模型有没有被真正接进某一个训练闭环，而不是停留在演示视频里。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

「视频生成模型是世界模拟器」，但没有接进训练闭环

2024-02 的 Sora 技术报告同样使用了「视频生成模型是世界模拟器」这一表述，同月 Meta 发布 V-JEPA、DeepMind 已在推进 Genie，这个说法从一开始就不为某一家所独有。差别在于 OpenAI 没有把它接进任何 agent 训练闭环，2025-09 的 Sora App 把它推向消费级社交产品。多模态在 OpenAI 是能力叠加，GPT-4V、DALL·E、Sora 与语音各自成线，而不是架构前提。这是基准立场，其余五家均以它为参照。 EV-2024-02-15-SORA最后核验：2026-07-25

      T5 作者推断
      推断
      Anthropic机构立场 · 非个人发言
    
    

六家里唯一在这一维度完全缺席的一家

在本报告的公开检索范围内，未找到 Anthropic 的世界模型或视频生成研究线，其多模态投入集中在读图与文档理解，主线始终是文本与代码 agent。本报告的推断是：一个把可解释性排在第一位的机构，很难同时把资源投向一个更难被解释的生成式模拟器。与 OpenAI 的差异是取舍的彻底程度：OpenAI 至少把生成式多模态做成了独立产品线，Anthropic 直接放弃了整条线。 EV-2026-07-00-ANT-WM-ABSENT最后核验：2026-07-25

      T2 官方论文/公告
      Google DeepMind机构立场 · 非个人发言
    
    

Genie 3：从演示品变成 agent 训练基础设施

官方博客（2025-08-05）写明「世界模型是通往 AGI 路上的关键垫脚石，因为它们让我们可以在无限丰富的模拟环境课程中训练智能体」，技术参数为实时交互、720p、24fps，一致性可维持数分钟。Genie 生成世界、SIMA 在其中执行目标、Genie 再依据动作模拟未来，构成一个闭环。与 OpenAI 的差异是叙事定位：Sora 是产品线，Genie 与 Veo 被明确写成 AGI 路线的组成部分。 EV-2025-08-05-DEEPMIND原始出处 ^[14]最后核验：2026-07-25

      T2 官方论文/公告
      Meta · Yann LeCun发言时身份：竞品首席科学家 / 学者 · 从未任职 OpenAI
    
    

2024 年 2 月：世界模型路线分叉的精确时点

V-JEPA 与 Sora 在同一个月发布，构成两条相反的路线：Sora 在像素空间生成并自称世界模拟器，JEPA 在表示空间预测并明确主张不要把容量浪费在不可预测的细节上。因为这条主张，LeCun 与 DeepMind 的 Genie、Veo 同样对立，尽管三方都自称在做世界模型。与 OpenAI 的差异不是要不要世界模型，而是预测目标应当是观测还是表示，这个分歧决定了后续所有工程选择。 EV-2024-02-00-META-VJEPA最后核验：2026-07-25

      T4 二手整理/编译
      DeepSeek · 梁文锋发言时身份：竞品
    
    

对世界模型路线最直接的一次否定

2026-07-22 的整理稿记录：「很多东西不在我们的主线上，比如 3D、视频生成；又比如世界模型，跟智能的上限也没有太大的关系。」这与他把具身智能列为终点存在张力——如果终点是具身，对物理世界的预测能力迟早是必需的；整理稿没有保留「作为产品的生成」与「作为能力的物理直觉」之分。与 OpenAI 的差异是资源纪律：OpenAI 至少保留了 Sora 这条线，DeepSeek 整条砍掉。 EV-2026-07-22-DEEPSEEK-INVESTOR最后核验：2026-07-25

      T5 作者推断
      推断
      xAI机构立场 · 非个人发言
    
    

物理世界建模的资产放在体系内的另一家公司里

在公开检索范围内，xAI 没有独立的世界模型研究线，相关叙事被并进特斯拉的自动驾驶与人形机器人协同。本报告的推断是：Musk 体系把物理世界的数据与验证平台放在另一家公司，因此 xAI 不需要在这一维度单独立项。与 OpenAI 的差异是论证成本：OpenAI 必须自己论证从像素生成到世界理解的路径，xAI 可以直接引用体系内已有的实车数据与机器人平台，代价是这条论证无法被外部独立复核。 EV-2026-07-00-XAI-WM-ABSENT最后核验：2026-07-25

⑦ 开放立场 —— 四个概念必须分开，六种理由稳定性不同

开放立场这一列必须先把四个概念分开：开源指训练代码、数据与权重都可获得且许可允许再分发，开放权重只指权重可下载，source available 指代码可见但许可受限，API access 指只能调用不能持有。DeepSeek、Qwen、Kimi 与 gpt-oss 都属于开放权重而不是开源，笼统地叫开源会抹掉训练数据与完整流水线并未公开这一事实。第二件要分开的是理由：主权、克制、生态覆盖、安全机制、战术武器、纠正历史错误，六家给出的六种理由稳定性完全不同。一个由商业模式支撑的开放立场可以十年不变，一个由诉讼节奏或竞争压力驱动的开放动作往往只发生一次，事后既不扩大也不解释。

      T1 逐字/官方转录
      OpenAI · Sam Altman发言时身份：现任
    
    

「站在了历史错误的一边」：六家里唯一一次真正的立场反转

2025-01-31 的 Reddit AMA 上，Sam 说「我个人认为我们在这件事上站在了历史错误的一边，需要想出一个不同的开源策略」，同时保留两句限定：不是所有人都同意，也不是当前最高优先级。2025-08-05 发布的 gpt-oss-120b 与 gpt-oss-20b（Apache 2.0）属开放权重而非开源，是 GPT-2 之后首次开放权重。这是基准立场：反转由外部行动触发，而不是由内部论证驱动。 EV-2025-01-31-SAM-AMA最后核验：2026-07-25

      T1 逐字/官方转录
      Anthropic · Dario Amodei发言时身份：竞品 CEO · 前 OpenAI 研究副总裁
    
    

从不开放前沿权重，理由与 RSP 自洽因而从未反转

Anthropic 从不开放前沿模型权重，公开理由是开放权重模型的护栏可以被直接剥掉，这与 RSP 那套「达到等级即强制封存或限制部署」的逻辑完全自洽。它也不提供 source available 或可自部署的前沿模型，全部能力只经 API 与 Claude Code 分发。与 OpenAI 的差异是驱动源：OpenAI 的开放立场随竞争压力移动，Anthropic 的开放立场被锁死在安全框架上，因此可预测。 EV-2025-01-00-DARIO-DEEPSEEK原始出处 ^[6]最后核验：2026-07-25

      T2 官方论文/公告
      Google DeepMind机构立场 · 非个人发言
    
    

四种形态同时在用的分层开放

Gemini 前沿模型只经 API 与产品分发，Gemma 小模型开放权重，AlphaFold 结构数据库完全开放，论文发表也相对积极——Chinchilla、《Levels of AGI》与 2025-04 的技术 AGI 安全路线都走公开渠道。与 OpenAI 的差异是这套分层从一开始就是既定结构，不是被某一次外部事件逼出来的；而 OpenAI 在 2025-08 之前可下载的权重要追溯到 GPT-2 与 Whisper 这类非前沿模型。 EV-2024-02-00-GOOGLE-GEMMA最后核验：2026-07-25

      T2 官方论文/公告
      Meta · Mark Zuckerberg发言时身份：竞品
    
    

「对开源什么保持谨慎」：开放权重阵营规模担当的反转标记

Meta 曾用 Llama 系列充当开放权重阵营的规模担当，但《Personal Superintelligence》（2025-07-30）写明「我们需要严格地缓解这些风险，并且对开源什么保持谨慎」，这是立场反转的官方标记；LeCun 在四个月后宣布离开，与这句话是同一件事的两面。与 OpenAI 的差异是方向相反：同一年里 OpenAI 从封闭转向部分开放权重，Meta 从开放权重转向半封闭。 EV-2025-07-30-META-PSI原始出处 ^[3]最后核验：2026-07-25

      T3 可靠媒体一手采访
      DeepSeek · 梁文锋发言时身份：竞品
    
    

开放权重是「克制战略」与贡献者身份的凭证

2024-07 的《暗涌》第二次访谈里，他说「在颠覆性的技术面前，闭源形成的护城河是短暂的」，价值应当沉淀在团队与文化上；2026-07 的整理稿补上「开源就是让利，我优先考虑的不是多拿份额，而是增加做成的概率」。准确说法是开放权重：训练数据与完整流水线并未公开。与 OpenAI 的差异是稳定性来源：一个由竞争压力触发，一个与「只赚合理利润」的定价原则同源。 EV-2024-07-00-EVENT最后核验：2026-07-25

      T4 二手整理/编译
      xAI机构立场 · 非个人发言
    
    

起诉后两周开放 Grok-1：一次战术动作而非战略

xAI 在 Musk 起诉 OpenAI 后约两周开放 Grok-1 基座权重（314B MoE，Apache 2.0，2024-03-17），此后 Grok-2 至 Grok-5 均未开放，仅 Grok-2.5 权重于 2025-08 补开。开放在这里是立场证明而不是生态战略，节奏此后停止。与 OpenAI 的差异在于两家都不是从安全或生态论证出发：一个由竞争压力驱动但伴随明确的自我批评，一个由诉讼叙事驱动且从不解释。 EV-2024-03-17-XAI-GROK1最后核验：2026-07-25

⑧ 安全与治理 —— 收敛的结构，分化的刚性

安全与治理这一栏最容易犯的错误，是把一个行业共同的设计模式误当成某一家的发明。到 2025 年，三家美国前沿实验室的框架已经收敛到同一个结构：设定能力阈值、触发对应的封存或部署措施、由自己评估是否触发。收敛并不等于有效，它也可能只说明这是唯一一种既能自证负责、又不真正约束发布节奏的设计。真正有区分度的是三个次级变量：有没有把安全能力绑定到一个硬年份，有没有写进因竞争对手行为而放松要求的条款，以及机制作用在训练目标层还是产品行为层。读这一列时还要记住一件事，所有前沿机构的安全机制都是自愿的、自评的，实际约束力主要来自声誉竞争、保险与法律责任，以及个别州的立法。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

Preparedness Framework 加 iterative deployment；2025 年更新跟进竞争条款，是三家里最晚的一家

机制是 Preparedness Framework（2023-12 测试版，2025-04 更新）配合 iterative deployment，再加上 2024-05 发布的 Model Spec 这份行为规范。2025-04-15 的更新加入一条竞争条款：如果竞争对手在没有同等保护的情况下发布高风险系统，OpenAI 可能调整自身要求——该条款不是 OpenAI 首创，它是三家里最晚写入的一家（Anthropic 2023-09、DeepMind 2025-02 在先）。Superalignment 团队已于 2024-05 解散。这是基准立场：结构上与另外两家同构，条款也同构。 EV-2025-04-00-OAI-PREPAREDNESS最后核验：2026-07-25

      T1 逐字/官方转录
      Anthropic · Dario Amodei发言时身份：竞品 CEO · 前 OpenAI 研究副总裁
    
    

ASL 等级、2027 年可解释性硬承诺，与一份身份文件式的宪法

RSP v1.0（2023-09）用受生物安全等级启发的 ASL 分级，比 OpenAI 的 Preparedness 测试版早约三个月；2025-05 起 Claude Opus 4 及后续在 ASL-3 防护下发布。2025-04《The Urgency of Interpretability》另给出全行业唯一一条带硬年份的安全承诺：2027 年前做到「可解释性能可靠检测出模型的多数问题」。与 OpenAI 的差异不在竞争条款——RSP 自 v1.0 脚注起即有该条款，v3.0（2026-02-24）升格为独立附录，比 OpenAI 早且更结构化；同一版本还取消了 pause 承诺、删掉两类风险，放宽幅度大于 OpenAI 的 medium→high，但同时换上了可核对的定期 Risk Report。真实差异是：宪法作用在训练目标层，且它是唯一给安全能力设硬年份的一家。 EV-2025-04-00-DARIO-INTERPRETABILITY原始出处 ^[15]最后核验：2026-07-25

      T2 官方论文/公告
      Google DeepMind机构立场 · 非个人发言
    
    

一套学术框架对外，一套关键能力等级对内

arXiv:2504.01849（2025-04-02，约 145 页）把风险分为滥用、失准、事故与结构性四类，重点投入前两类，并把《Levels of AGI》的 Level 4 由 Virtuoso 更名为 Exceptional；配套的 Frontier Safety Framework 用关键能力等级 CCL 触发缓解措施。Demis 另多次呼吁建立类似国际原子能机构的国际机制。与 OpenAI 的差异是双轨：学术框架用于建立公共语言，内部框架用于发布决策。 EV-2025-04-02-GDM-AGI-SAFETYarXiv:2504.01849 ^[16]最后核验：2026-07-25

      T2 官方论文/公告
      Meta · Mark Zuckerberg发言时身份：竞品
    
    

一年之内换了人也换了立场

LeCun 时期的公开立场是反对存在性风险叙事，主张开放平台本身就是安全机制；《Personal Superintelligence》（2025-07-30）则承认超级智能会带来新的安全问题，需要严格缓解并对开源什么保持谨慎。在本报告的公开检索范围内，未找到 Meta 与 ASL 或 CCL 对等的公开等级化前沿框架。与 OpenAI 的差异是可预期性：OpenAI 至少有一套写下来的能力阈值机制可供外部追踪。 EV-2025-07-30-META-PSI最后核验：2026-07-25

      T5 作者推断
      推断
      DeepSeek机构立场 · 非个人发言
    
    

不设公共安全叙事，但「不谈」不等于「不做」

主矩阵记录 DeepSeek 几乎不设专门的公共安全叙事，对齐工作有但不作为公开立场，也没有等级化框架。本报告的推断是：监管环境与机构性质不同，使得安全叙事在这里缺少对外功能，因此不能把沉默直接读成缺位，两者需要不同证据来区分。与 OpenAI 的差异在于框架的双重用途：OpenAI 的安全框架同时承担监管沟通与品牌功能，DeepSeek 这两项需求都不存在。 EV-2026-07-00-DEEPSEEK-SAFETY-ABSENT最后核验：2026-07-25

      T3 可靠媒体一手采访
      xAI · Elon Musk发言时身份：竞品 CEO · OpenAI 联合创始人，2018 退出董事会
    
    

全部对齐哲学压缩进一句「最大化求真」

2023-04-17 的 Fox News 访谈里，这位 OpenAI 联合创始人、2018 年离开董事会的出资人说要做「TruthGPT，一个最大化求真的 AI」，理由是一个在乎理解宇宙的 AI 不太可能消灭人类，因为人类是宇宙中有趣的一部分。该论证假设「真」是良定义、可优化且与人类福祉不冲突的目标。与 OpenAI 的差异可以并列成三种处方：规范驱动的 Model Spec、人格驱动的宪法、以及单一价值驱动的求真原则。 EV-2023-04-17-MUSK-TRUTHGPT原始出处 ^[17]最后核验：2026-07-25

⑨ 产品与分发 —— 反馈信号的形状决定下一步能训练什么

产品与分发决定了每一家能拿到什么样的反馈信号，而反馈信号又反过来决定它下一步能训练什么。消费级规模换来的是广而浅的偏好数据与现金流，开发者垂类换来的是窄而深的长程任务轨迹，全栈嵌入换来的是几乎为零的边际分发成本，广告平台换来的是不需要用户为智能本身付费的底座。读这一列时要注意两个口径问题。一是 2026 年的用户与财务数字几乎全部来自泄露或第三方估算，年化收入与确认收入两个口径经常被混用，引用任何一个都必须带上说明。二是定价曲线有两条：固定能力等级的价格在崩塌，而当代旗舰的价格在 2025 年 8 月触底之后反而回升，拿其中一条去论证另一件事都是错的。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

从成本加成转向能力分层定价：Sol、Terra、Luna 三档同日发布

分发形态是消费级订阅加 API 加企业，iterative deployment 把产品当作数据与资金引擎。2026-07-09 同日发布的 GPT-5.6 Sol、Terra、Luna 三档共享 1.1M 上下文，价格按 5 比 2.5 比 1 阶梯，这是按价值歧视定价而不是按成本加成。2026 年的周活与营收数字来自 The Information 2026-05-21 的披露，非官方口径。这是基准立场，其余五家均以它为参照。 EV-2026-07-09-GPT56最后核验：2026-07-25

      T2 官方论文/公告
      Anthropic机构立场 · 非个人发言
    
    

把方法论输出本身当成分发渠道

Anthropic 只做企业 API 与 Claude Code 这类开发者垂类，明确不做广告，也没有消费级社交产品。它把 MCP、Skills 与 context engineering 系统化成公开方法论，开发者按它的文档构建，就默认接受了它的抽象，方法论因此成为一条分发渠道。与 OpenAI 的差异是反馈信号的形状：OpenAI 用消费级规模换广而浅的偏好数据与现金流，Anthropic 用开发者心智换窄而深的长程任务轨迹。 EV-2025-11-00-ANT-CONTEXT-ENG原始出处 ^[18]最后核验：2026-07-25

      T4 二手整理/编译
      Google DeepMind机构立场 · 非个人发言
    
    

不需要新建入口的全栈嵌入

Gemini 嵌进搜索、云与 Workspace，另有 Gemini 订阅与 Isomorphic Labs 的药物管线。同一种技术的产品化取向差异也很清楚：Genie 世界模型能力以 Project Genie 形式在 2026-01-29 向 AI Ultra 订阅者开放，走高价值订阅而不是 UGC 流量（该时点来自第三方报道，官方公告 URL 待补）。与 OpenAI 的差异是入口成本：OpenAI 必须自建入口并为流量付费，Google 的边际分发成本接近零。 EV-2026-01-29-GOOGLE最后核验：2026-07-25

      T4 二手整理/编译
      Meta机构立场 · 非个人发言
    
    

「个人超级智能」的标签战，与出走者押注的物理载体

Meta 的底座是广告与社交平台，产品叙事被定为把超级智能的力量交到人们手里，并把对手描述成「想把 AI 用于自动化所有有价值的工作」，这是一次直接对准 OpenAI 的标签战。LeCun 出走后的 AMI Labs 在 2026-03-10 宣布 10.3 亿美元种子轮、35 亿美元投前估值，把载体押在机器人与眼镜等物理终端。与 OpenAI 的差异是付费结构：OpenAI 需要用户为智能本身付费，Meta 只需要智能提升既有广告库存的效率。 EV-2026-03-10-FUNDING最后核验：2026-07-25

      T4 二手整理/编译
      DeepSeek · 梁文锋发言时身份：竞品
    
    

产品是 AGI 路上的副产物，定价只赚合理利润

整理稿的表述是「通往 AGI 的路上要经过产品这个台阶，但我们不需要太多心思去做 C 端、B 端产品」，定价原则是不贴钱也不赚暴利、成本之上稍有利润。2024-05 的 V2 降价触发国内集体降价，他解释「不是有意成为一条鲶鱼」；V3.2 在 2026-07 报价为每百万 token 输入 0.28 美元、输出 0.42 美元。与 OpenAI 的差异是降价性质：一个是规模效应的择机传导，一个是架构收益的直接转移。 EV-2026-07-22-DEEPSEEK-INVESTOR最后核验：2026-07-25

      T4 二手整理/编译
      xAI机构立场 · 非个人发言
    
    

分发绑在 Musk 体系已有的资产上

xAI 的分发是 X 订阅内置 Grok、独立 API，以及与特斯拉和机器人业务的协同，它不需要像 OpenAI 那样从零建立消费级入口，代价是产品定位被一个内容平台的用户结构限定。与 OpenAI 的差异是目标函数：OpenAI 的分发必须把算力承诺兑换成收入，xAI 的分发首先服务于 X 的订阅叙事与 Musk 体系内的协同，因此对单位经济的敏感度低得多，也更难被外部财务口径检验。 EV-2023-07-12-XAI-FOUNDED最后核验：2026-07-25

⑩ 算力与资本 —— 每个数字都要先问口径

算力与资本这一列的每一个数字都需要先问口径。承诺网络的总规模与自己要付的钱是两回事，前者包含第三方自行融资建设的部分，混用是这一栏最常见的错误。推理超过训练至少有四种互不等价的含义：算力份额、资本开支份额、单模型全生命周期成本份额、能耗份额，其中第三条从 GPT-3 时代就成立，把它当成拐点是错的。折旧口径同样关键，服务器按五到六年还是三年摊销，会在两三年之后以完全不同的方式落到损益表上。最后还有一个反直觉的约束：按第三方估算，前沿实验室并不消耗大部分 AI 算力，2025 年底 OpenAI 只占全球可运行算力的一成到一成五，所有前沿实验室加起来仍不到一半。

      T2 官方论文/公告
      OpenAI机构立场 · 非个人发言
    
    

1.4 万亿承诺网络、6000 亿自付目标，与第一堵电网墙

Stargate（2025-01-21 公告）规划四年 5000 亿美元、首期 1000 亿，目标 2029 年达到 10 GW；Altman 本人确认多年期承诺合计约 1.4 万亿美元，而 OpenAI 自己要付的直接算力支出目标另报为 2030 年前约 6000 亿——把这两个数字混用是最常见的错误。2026-03-09 旗舰站点 Abilene 因电网接入需等一年以上而封顶在 1.2 GW。这是基准立场，其余五家均以它为参照。 EV-2025-01-21-STARGATE原始出处 ^[19]最后核验：2026-07-25

      T1 逐字/官方转录
      Anthropic · Dario Amodei发言时身份：竞品 CEO · 前 OpenAI 研究副总裁
    
    

既是这套资本叙事的受益者，也是它最具体的批评者

2025-01 给出全行业最可打分的一条算力预测：造出在几乎所有事情上比几乎所有人聪明的 AI，需要数百万块芯片、至少数百亿美元。2026-01 他又警告数据中心已占美国经济增长相当比例，把大科技公司的财务利益与政府的政治利益捆绑，产生扭曲的激励。Anthropic 自身从 Google 采购算力。与 OpenAI 的差异是绑定程度：它不自建吉瓦级联合体，资本结构不押在单一叙事上。 EV-2025-01-00-DARIO-DEEPSEEK原始出处 ^[6]最后核验：2026-07-25

      T4 二手整理/编译
      Google DeepMind机构立场 · 非个人发言
    
    

唯一不必对外融资买算力的一家

自研 TPU、自有数据中心，Alphabet 在 2025-11 与 2026-02 分别发债约 250 亿与 310 亿美元用于扩张。四大超算厂商截至 2026-03 的滚动四季度 PP&E 采购合计 4339 亿美元，同期确认折旧约 1490 亿，缺口 2849 亿必然会在此后落到损益表上（据 Silicon Analysts 依现金流量表加总）。与 OpenAI 的差异是负债性质：算力对 Google 是自有资本开支，对 OpenAI 是须以未来收入偿付的外部承诺。 EV-2026-02-00-ALPHABET-DEBT最后核验：2026-07-25

      T4 二手整理/编译
      Meta机构立场 · 非个人发言
    
    

最多的钱、最多的卡、最强的挖角，没有前沿领先模型

Meta 在 2025-10 发行 300 亿美元投资级债券（当年最大一笔）并另有约 270 亿美元表外 SPV；2025 年以 143 亿美元投资 Scale AI，引入 Alexandr Wang 组建 Meta Superintelligence Labs，期间大规模挖角，报价传闻高至四年一亿美元级（金额多为传闻，未核实）。它在 2025 至 2026 年未产出前沿领先模型。与 OpenAI 的差异在于它同时构成对算力决定论与人才决定论的反例。 EV-2025-10-00-META-DEBT最后核验：2026-07-25

      T2 官方论文/公告
      DeepSeek机构立场 · 非个人发言
    
    

557.6 万美元的那个数字，从来不是 DeepSeek 自己讲的故事

V3 技术报告（arXiv:2412.19437）给出预训练 2.664M 加合计 2.788M H800 GPU-hours，按每卡时 2 美元折算 557.6 万美元，并明说该成本不包括此前在架构、算法或数据上的研究与消融实验。媒体把它包装成「600 万美元做出 GPT-4」，DeepSeek 从未这样声称。与 OpenAI 的差异是把资源当变量还是当约束：梁文锋说「训这么大不是因为够了，而是只有这么多资源」。 EV-2024-12-26-DEEPSEEKarXiv:2412.19437 ^[20]最后核验：2026-07-25

      T4 二手整理/编译
      xAI · Elon Musk发言时身份：竞品 CEO · OpenAI 联合创始人，2018 退出董事会
    
    

最大的单体集群，最强的「算力到能力」反例

Colossus 2 于 2026-01 达到 1 GW 并号称首个吉瓦级 AI 训练设施，计划继续推进到 1.5 GW 与 2 GW；Musk 的目标是拥有比所有人加起来还多的 AI 算力。这些数字来源不一，均属报道数字。Dario 在 2025-01 还用 Colossus 当参照系反驳 DeepSeek，而到 2026 年拥有最大单体集群的 Grok 系列并未在多数评测上领先。与 OpenAI 的差异是结构：Stargate 是联合体出资，Colossus 是自建自持。 EV-2026-01-00-XAI-COLOSSUS2最后核验：2026-07-25

当前筛选条件下没有格子。请放宽条件，或点击「重置全部」。

  ● 读完矩阵后最该记住的一件事
  

矩阵里出现频率最高的现象不是「某家独有」，而是**「同一个词，六种定义」**。AGI、世界模型、开源、安全、agent——这五个词在六家嘴里指的都不是同一件事。行业争论中至少一半的分歧是定义分歧，不是判断分歧：LeCun 说「AGI 是伪概念」与 Sam 说「我们知道怎么造 AGI 了」并不构成同一个命题上的对立，因为两人指的根本不是同一个对象。本页所有横向比较都先固定定义再比较，这也是它不做排行榜的第二个理由——排行榜的前提是被比较项可通约，而这个前提在这里不成立。

Axis 1 · Capability & Training

四条固定轴里，这一条最容易被写成排行榜，也最不该被写成排行榜。**2024 年底到 2026 年中，前沿实验室在「能力从哪里来」这件事上的分歧，不在于谁的分数高，而在于四个先后叠加的问题：预训练这条曲线还剩多少、RL 能不能扩张而不只是收窄能力边界、推理时算力算不算第二条轴、以及「模型不会在部署中学习」到底是工程缺陷还是范式错误。**本节按这个顺序展开，每个小节末尾固定回答同一个问题——OpenAI 在这一格上的选择属于〈行业共识〉〈OpenAI 首创〉〈OpenAI 率先规模化〉还是〈OpenAI 特有组合〉。凡涉及公式的机制推导，本节一律不重讲，只给锚链。

预训练 scaling 的现状：四个人给出了四种诊断

争论的引信是 2024 年 11 月的三篇报道。2024-11-09 The Information 报道 OpenAI 的 Orion 相对 GPT-4 的提升远小于 GPT-3 → GPT-4，训练进行到四分之一时性能已与 GPT-4 相当，语言任务更好而编码任务未必（原文有付费墙 ^[21]）。2024-11-11 Reuters 补上 Ilya 的原话与三条障碍：单次训练成本数千万美元且易硬件故障、易得数据已耗尽、电力短缺。2024-11-13 Bloomberg 加上 Gemini 下一代未达内部预期与 Claude 3.5 Opus 时间表推迟——这一条是二手转述，本报告不据以立论。四天之内，四个有资格发言的人给出了四种互不相同的诊断，而它们至今没有合并。

  表 · 四种诊断并列（按发言时间排列；「位置分析」为作者推断 T5 作者推断）
  发言人时点与场合命题（要点）位置分析可证伪点| 发言人 | 时点与场合 | 命题（要点） | 位置分析 | 可证伪点 |

  
    Ilya Sutskever

SSI，前 OpenAI 首席科学家2024-11-11 Reuters；2024-12-13 NeurIPS Test of Time；2025-11-25 Dwarkesh扩大预训练规模的结果已进入平台期；「pre-training as we know it will end」；另有一组「扩展时代已过、重心回到研究」的时代分期表述——该表述本报告只取到中文全文译本，英文逐字未取回，故此处只述其大意、不作引语（见 本节的方法论限制）SSI 是所有前沿机构里算力最少的一家，「瓶颈是研究不是算力」直接服务其估值若 2026–2030 的能力增量仍主要来自算力增加而非新方法，他就错了| Ilya SutskeverSSI，前 OpenAI 首席科学家 | 2024-11-11 Reuters；2024-12-13 NeurIPS Test of Time；2025-11-25 Dwarkesh | 扩大预训练规模的结果已进入平台期；「pre-training as we know it will end」；另有一组「扩展时代已过、重心回到研究」的时代分期表述——该表述本报告只取到中文全文译本，英文逐字未取回，故此处只述其大意、不作引语（见 本节的方法论限制） | SSI 是所有前沿机构里算力最少的一家，「瓶颈是研究不是算力」直接服务其估值 | 若 2026–2030 的能力增量仍主要来自算力增加而非新方法，他就错了 |

    Demis Hassabis

Google DeepMind CEO2025-12-04 Axios AI+（中文转述）「现在也没看到瓶颈」；并主张 scaling law 最早由 DeepMind 团队发现，内部叫 Chinchilla Scaling LawsGemini 3 刚在 2025-11 多项基准登顶，是这一立场唯一的实证背书；发现权之争同时是路线正统性之争若下一代 Gemini 的提升同样主要来自后训练与工具，这句「没看到瓶颈」就只是修辞| Demis HassabisGoogle DeepMind CEO | 2025-12-04 Axios AI+（中文转述） | 「现在也没看到瓶颈」；并主张 scaling law 最早由 DeepMind 团队发现，内部叫 Chinchilla Scaling Laws | Gemini 3 刚在 2025-11 多项基准登顶，是这一立场唯一的实证背书；发现权之争同时是路线正统性之争 | 若下一代 Gemini 的提升同样主要来自后训练与工具，这句「没看到瓶颈」就只是修辞 |

    Dario Amodei

Anthropic CEO2024-11 Cerebral Valley 峰会；2025-01《On DeepSeek and Export Controls》「一条平滑、不屈的认知能力增长曲线」；算法效率约 4×/年，DeepSeek 的成本完全落在趋势线内需要 scaling 有效以论证紧迫性，同时需要算法效率提升以论证 DeepSeek 不特殊——两个需求恰好互补「Claude 3.5 Sonnet 训练成本几千万美元」不可验证；折算比例由被比较的一方自己给| Dario AmodeiAnthropic CEO | 2024-11 Cerebral Valley 峰会；2025-01《On DeepSeek and Export Controls》 | 「一条平滑、不屈的认知能力增长曲线」；算法效率约 4×/年，DeepSeek 的成本完全落在趋势线内 | 需要 scaling 有效以论证紧迫性，同时需要算法效率提升以论证 DeepSeek 不特殊——两个需求恰好互补 | 「Claude 3.5 Sonnet 训练成本几千万美元」不可验证；折算比例由被比较的一方自己给 |

    Sam Altman

OpenAI CEO2024-11-14 01:06（UTC-8），X三个词：there is no wall这是对 Gary Marcus 2022-03《Deep Learning Is Hitting a Wall》的隔空回应，而非对 Ilya 的回应——两者说的不是同一件事Marcus 同日回击：「如果我错了，GPT-5 在哪？」——这条到 2025-08-07 才被兑现，且市场反应低于预期| Sam AltmanOpenAI CEO | 2024-11-14 01:06（UTC-8），X | 三个词：there is no wall | 这是对 Gary Marcus 2022-03《Deep Learning Is Hitting a Wall》的隔空回应，而非对 Ilya 的回应——两者说的不是同一件事 | Marcus 同日回击：「如果我错了，GPT-5 在哪？」——这条到 2025-08-07 才被兑现，且市场反应低于预期 |

必须点破的是 Ilya 那句话里的限定语。他说的是「pre-training as we know it will end」——终结的是这种形态的预训练（抓取互联网文本、按 Chinchilla 比例放大），不是 scaling 本身。同一场 Reuters 采访里他还说了一句更少被引用、但更能定位他立场的话：「每个人都在说 scaling 假说，每个人都忽略了去问：我们在 scaling 什么？」他要换的是 scaling 的对象，不是放弃 scaling。这个限定语在中文传播中被系统性地抹掉了，「Scaling Law 已死」成了标准标题——这条误读的完整链条与它为什么会发生，见本页中文误读小节。顺带一提体裁：那是一场 Test of Time Award 的十四分钟获奖演说，不是路线图发布，中文圈把它当技术宣言读，是体裁误置。

三方在争同一件事的发现权，而三方说的不是同一件事。Dario 指的是 Kaplan et al. 2020（arXiv:2001.08361，他是共同作者）给出的「loss 随 (N)、(D)、(C) 的幂律」；Demis 指的是 Hoffmann et al. 2022（arXiv:2203.15556）给出的「给定 (C) 的最优 (N/D) 配比」；OpenAI 总裁 Greg Brockman 则说 scaling law 可追溯到 1993 年 Bell Labs 的工作。前者是现象，后者是最优化。Demis 的说法要成立，必须把「scaling law」重新定义为「计算最优配比」——而那恰好是 DeepMind 更强的那一部分。T4 二手整理/编译 需要说明的是，Demis 这段话目前只能溯源到量子位的中文转述 ^[22]，未找到英文一手片段，本报告按转述引用，不作逐字引语。

● 一个尽量诚实的裁决：Sam 和 Ilya 其实都对了，只是在说不同的事

**「预训练的边际收益递减」基本被证实。**从 GPT-4（2023-03）到 2026-07，没有任何一次公开发布是靠「同架构放大 10 倍」实现显著跃迁的。Orion 最终以 GPT-4.5 而非 GPT-5 的名义在 2025-02-27 发布，是最直接的证据。

**「AI 进步撞墙」被证伪。**同期 ARC-AGI-1 从 5% 到 87.5%、HLE 从不足 10% 到 64.7%、SWE-bench 从约 20% 到 70% 以上。但增量的来源变了：2026-01 Poetiq 的 harness 把 Gemini 3 Pro 在 ARC-AGI-2 上从 31% 提到 54%——那 23 个点来自脚手架，不是模型。

**媒体把这两句话包装成对立，是 2024 年最大的一次叙事失真。**真正的新问题在 2026 年才浮现：能力增量越来越多来自 test-time compute、scaffold 与工具，而这三者的成本曲线远比预训练陡峭。**从「撞墙」变成了「撞成本墙」。**2026-04-23 GPT-5.5 把每百万 token 价格翻倍到输入 5 美元 / 输出 30 美元、2026-07-09 GPT-5.6 Sol 与 5.5 同价「在同价位上给更多能力」，都是这条成本曲线的读数。

**数据墙不是一堵墙，是一次改道。**Villalobos et al.《Will we run out of data?》（arXiv:2211.04325 ^[23]，2024-06 重大更新版，ICML 2024）用两个增长模型求交点估计耗尽时点：公开人类文本的有效存量约 300 万亿 token（90% 置信区间 100T–1000T），80% 置信区间内在 2026–2032 耗尽，中位年 2028，对应训练算力约 5e28 FLOP；若前沿模型 over-train 会提前一到两年。论文自己给了三条出路——合成数据生成、从数据富集领域迁移学习、数据效率改进——以及一条定量缓冲：保持数据集规模不变、仅靠 over-training 仍可换到最多约 1.5 个数量级的额外算力扩展空间。值得注意的是这个团队的自我修正：2022 版预测「高质量文本 2024 年耗尽」，2024 版改成 2028。**一个连续四年迭代自己预测的团队比一次性预言可信得多，但这也说明这类预测的误差棒极大。**2026 年的现实是：没有人再谈「找到更多网页」，所有讨论都转到了合成数据与 RL 环境。

▲ 「模型崩溃」的三轮交锋：原始主张、反驳、反驳的反驳

原始主张（2024-07-24，Nature 631, 755–759）：Shumailov 等人发现「在训练中不加区分地使用模型生成内容会导致所得模型出现不可逆的缺陷，原始内容分布的尾部会消失」（DOI:10.1038/s41586-024-07566-y ^[24]）。机制是两级误差叠加：有限采样必然欠采样低概率区域，加上模型本身无法完美表达真分布。政策结论——保住原始人类数据的可及性、真实人机交互数据会越来越值钱、先爬到干净数据的人有结构性先发优势——才是它影响力的真正来源。

反驳一：崩溃只在「替换」时发生。Gerstgrasser et al.（arXiv:2404.01413 ^[25]）区分了两种设定：每代删掉旧数据只用最新合成数据（replace）→ 崩溃；每代把新合成数据加到已有真实与合成数据上（accumulate）→ 不崩溃。线性回归情形的直觉很干净：累积设定下真实数据永远在数据集里，它对参数估计的贡献不会消失，误差被有界。作者称累积设定是「maximally pessimistic」的——即便合成内容被不受控地倾倒到互联网上并被全部吸收也不崩溃。而现实世界正是累积设定，旧网页不会因为新内容出现就被批量删除，这是模型崩溃论在工业界基本没引发行为改变的根本原因。

反驳的反驳：累积也不总是安全。《When Models Don’t Collapse: On the Consistency of Iterative MLE》（arXiv:2505.19046 ^[26]，2025-05）给出「据我们所知第一批累积数据下仍迅速导致模型崩溃的严格例子」，结论是累积设定下的 MLE 可以避免崩溃，但前提是模型族足够良态。

本报告采用的三方归纳：纯替换 → 崩溃；累积 + 良态模型族 → 不崩溃（覆盖多数实用场景）；累积 + 病态模型族 → 仍可能崩溃（理论存在性）。实务上真正的风险不是「崩溃」，而是分布尾部的悄然萎缩——它不体现为 loss 上升，只体现为罕见现象、少数语言、边缘知识的能力下降，而现有基准恰恰测不到这个。

把这三轮交锋和 2024–2026 的工业实践对齐，会得到一条比「合成数据有毒 / 无毒」清晰得多的判据。有害的合成数据 = 模型自己产生且由自己评判；有用的合成数据 = 模型自己产生但由外部现实评判。Shumailov 的崩溃发生在第一种情形；RLVR 属于第二种——验证器给系统注入了模型之外的信息。这也解释了工业实践的分层：微软 Phi 系列的教科书式合成语料有效但天花板明显；蒸馏是最成功的合成数据形式（DeepSeek-R1-Distill 系列）；而用合成数据做预训练在 Orion 上失败了——据报道「用合成数据预训练 Orion 使它太像早期模型」（deeplearning.ai The Batch ^[27]），Google 也表示失望。RLVR 与合成环境则成了 2026 年增长最快的一支。

算力这一侧，Epoch AI《Can AI scaling continue through 2030?》（2024-08）把约束拆成四条并给出各自上限：

① 电力：最先绑定，2030 年最大单次训练需约 10 GW
② 芯片产能：第二绑定，受先进封装与 HBM 限制
③ 数据：约 5e28 FLOP 处耗尽公开文本
④ 延迟墙：3e30 – 1e32 FLOP
联合结论：2030 年约 2e29 FLOP 可行

四条里最少被理解的是延迟墙，也是唯一一条性质不同的：前三条是资源约束，可以用钱和时间解决；延迟墙是物理与算法约束。它的骨架是：训练总时长 (T \ge (D/B),\tau_{\min})，其中 (\tau_{\min}) 是由网络深度与跨设备通信决定的单步最小墙钟时间，不随加更多 GPU 而下降；在可接受训练时长封顶后，由 (C \approx 6ND) 与 (N \propto D) 得 (C) 的上界正比于 (B^2)；而 batch 不能无限加大，因为存在临界 batch size (B_{\mathrm{crit}})，超过之后每步进展的提升低于线性。这解释了为什么 async training、局部损失、DiLoCo 这类工作在 2025–2026 突然重要起来。2026-07 的现实检验里，Epoch 的第一条预测精准命中：Stargate Abilene 因电网接入延迟超过一年，2026-03 封顶在 1.2 GW；只有「芯片产能第二绑定」需要修正——2026 年真正先绑定的是融资而不是产能。

**最后是 Kaplan 与 Chinchilla 的和解，它的元教训比 scaling law 本身更重要。**两个定律的实践后果差异巨大：按 Kaplan（(N_{\mathrm{opt}} \propto C^{a})，(a \approx 0.73)，论文中另有「raw」指数 0.88），算力涨 100 倍应把参数涨约 29 倍、数据只涨约 3.5 倍；按 Chinchilla（(N_{\mathrm{opt}} \propto C^{0.5})，(D_{\mathrm{opt}} \propto C^{0.5})），两者各涨 10 倍。GPT-3 的 175B 参数配 300B token 就是前一种哲学的产物，也是最贵的一个牺牲品。Porian et al.（arXiv:2406.19146 ^[28]，NeurIPS 2024）把差异归因于三个因素，按重要性降序：① 算力计数口径（Kaplan 用非嵌入参数与算力，系统性低估了小模型的真实算力消耗，让小模型显得「效率高得不合理」，从而把最优点推向更大模型）；② warmup 时长（固定步数 warmup 对小模型相对太长，同样把最优点推向大模型）；③ 规模相关的优化器调参（未按规模分别调优；在小 batch 下调 AdamW 的 (\beta_2) 是必要的）。修正后复现出的指数与 0.5 的偏差在 0.6% 以内，预测模型规模与 Chinchilla 相差 15% 以内。机制推导见 ⑥ FX-01 与 计算最优分配，本节不重讲。

⚑ 一个被推翻的流行解释：不是学习率调度

Hoffmann et al. 曾假设 Kaplan 的偏差源于学习率调度（LR 衰减长度与实际训练长度不匹配）。这个解释在中文社区流传极广，本报告此前使用的本地认知库中也采用了它。Porian et al. 直接证伪了它：他们用恒定学习率（完全不衰减）就复现出了 Chinchilla 定律，原文写「与 Hoffmann 等人的一个假设相反，我们发现仔细的学习率衰减对该 scaling law 的成立并非必要」。

另有一条并发工作 Pearce & Song（arXiv:2406.12907 ^[29]）用纯解析路径得到同一个一阶主因（非嵌入 vs 总算力）。Porian 对它有一处技术批评：后者没识别出 warmup 问题，因此复现 Kaplan 指数时得到接近 0.73 而非原文的 0.88。这解释了为什么两个数字在文献里同时流传——它们对应不同的复现口径。

元教训：两篇论文指数差 0.23，让行业在两年里训了一批「过大且欠训练」的模型，而根因是三个平凡的实验设置细节——FLOP 怎么数、warmup 多长、超参调没调，没有一条是深刻的理论问题。这条对当下的直接警示是：2024–2026 年关于 RL scaling law、test-time scaling law 的各种拟合，其超参调优与算力计数的严谨程度普遍不如 Kaplan 2020。Chinchilla 时刻还会重演。

OpenAI 的选择为什么与别家不同。在四种诊断里，OpenAI 是唯一一个把「算力供给」而不是「研究缺口」列为第一约束的头部机构——Stargate、万亿级算力承诺、以及「我们的增长受算力约束」的反复表述，构成一个自洽的资本叙事。这属于〈OpenAI 率先规模化〉而非首创：scaling law 的现象由 Kaplan et al. 2020 记录（Dario 是共同作者，且他把这条经验带到了 Anthropic），正确的计算最优配比由 DeepMind 的 Chinchilla 给出，Epoch AI 的四约束分析也是外部工作。OpenAI 真正独有的是把「继续放大」变成一项万亿级资本承诺并让整个组织结构围绕它重组——竞品在信念上与它相差不大（Demis「没看到瓶颈」、Dario「平滑不屈的曲线」、xAI「比所有人加起来的算力还多」），差的是下注的绝对规模与不可逆程度。需要同时记下反例检查的结果：把「相信 scaling」写成 OpenAI 独有是错的，2026 年真正的少数派立场来自 Ilya，而他恰恰是 OpenAI 的前首席科学家——这是本轴最耐人寻味的一处位置互换。但这句话到此为止，下面这条方法论限制必须先读。

⚑ 方法论限制 · 本页不构造「Ilya vs OpenAI 现任层」的分歧表（claim-register W4-03）

问题：中文语境里流传着一组很好用的对立——Ilya 说 scaling 时代已结束、再放大一百倍不会有质变；OpenAI 现任研究负责人则激烈反对「预训练已死」，称指数曲线已撑过近十个数量级。这组对立读起来干净利落，本页原本也可以直接引用。但本站的信源台账把它登记为「未核实，禁止直接并列」，理由只有一条：三方表述的来源全部是中文编译稿，三段英文一手音视频均未取回。

为什么这一条不能通融。把三篇不同译者的措辞并排，得到的不是一场分歧，而是三个译者的措辞差异。分歧论证对措辞的敏感度极高——「预训练已死」「scaling 撞墙」「规模化时代结束」在中文里像同义词，在英文里则可能分别对应 pre-training is dead、scaling has hit a wall、the age of scaling is over，三者的可证伪程度完全不同。用译文构造的分歧，反译回英文时会散架。

本页因此只做两件事：(1) 引用能回到英文逐字的部分——Ilya 在 Dwarkesh 播客上关于「人类不是 AGI」的表述有官网英文逐字稿，可作 T1；(2) 只记录分歧存在，不引用任何一方的具体措辞，也不做并列表。上文那句「2026 年真正的少数派立场来自 Ilya」是本页在这条限制下能给出的最强表述——它断言的是位置，不是原话。至于「2012–2020 是研究时代、2020–2025 是扩展时代」这组时代分期，本报告只从两个中文全文译本互校得到，英文逐字未取回，因此本页不把它放进任何 .q-en（同一未闭合项在 中文误读谱系学 的案例一里也已标注）。

与本页另一处更正的同源关系（本轮确认）。轴三那条被红队推翻的「五家里只有它一家」与这里的限制，是同一个失误模式的两个方向：前者是没去检索竞品就断言了独有，后者是差点没回一手源就断言了分歧。两者都源于把「对照」当成一次判断而不是一次检索任务。本轮已确认：A1／A2 的更正全部建立在三家安全框架的英文原始文本之上（RSP 各版本、FSF v2.0/v3.0、Preparedness v2），不经过任何编译稿，因此没有给本限制框引入新的暴露面；而更正后的新表述（「三家都写了、OpenAI 最晚」）本身就是一条竞品对照结论，正是这条限制所要求的做法。

依据：research/claim-register.md W4-03（状态：未核实 · 禁止直接并列）与 research/11-counter-evidence-business.md 归因错误专章 A1。改判条件：取回三段英文原始音视频的逐字稿后，本页将补一张「同一问题多方原话并列」表；在此之前，任何看到本页却想引用这组对立的下游页面，请一并引用这条限制。

RL 与可验证奖励：DeepSeek 用开源复现祛了 o1 的魅

**RLVR 这个名字比技术晚了将近一年。**技术在 DeepSeekMath（2024-02）就已经在用规则化数学奖励；命名来自 AI2 的《Tülu 3》（arXiv:2411.15124 ^[30]，2024-11-22）——「一种我们称为可验证奖励强化学习的新方法……当补全被验证为正确时，它获得一个常数奖励值」。同一篇里作者自己承认它「可视为已有的 LM 推理自举方法的简化形式，或带执行反馈的 RL 的简化版」。**一个必须澄清的中文混淆：RLVR 命名的是奖励来源，不是优化器。**Tulu 3 用 PPO 跑，R1 用 GRPO 跑，同一个 verifiable reward 可以原样塞进 RLOO / REINFORCE++ / DAPO / Dr.GRPO。「RLVR = GRPO」是错的。

它与 RLHF 的形式化差异只有一处：把目标里那个由人类偏好对拟合出来的奖励模型 (r_\phi(x,y))，换成程序化验证器的示性函数 (\alpha \cdot \mathbf{1}{v(x,y)=\mathrm{true}})，KL 项照旧。这一处替换的后果是根本性的：(r_\phi) 是在有限偏好数据上拟合的代理，其误差在策略分布偏离偏好数据分布时无界增长，于是 (\arg\max_\theta \mathbb{E}[r_\phi]) 与真实人类效用的最优点之间的 gap 随优化强度单调增大——这就是 Goodhart 化；而 (v) 是 ground truth 的函数、与 (\pi_\theta) 的分布无关，这一项恒为 0。目标函数与 PPO → GRPO 的完整推导见 ⑥ PPO / GRPO，本节不重讲。但这不等于 RLVR 不能被 hack：它消灭了「奖励模型误差」这一项，却保留并放大了另外三项——验证器缺陷（单测覆盖不全 → 改测试文件、sys.exit(0)、读答案文件）、假阴性噪声（从 merged PR 挖出的任务继承了断言实现细节的测试，换一种同样正确的修法就判 0）、以及可验证性边界（写作、战略、审美、开放式研究根本没有 (v)）。

DeepSeek-R1 的历史位置，是「首个公开验证纯 RL 可以激发推理能力」。《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》（arXiv:2501.12948 ^[11]，2025-01-22）里，R1-Zero 不做任何 SFT、直接对 base model 上 RL，AIME 2024 的 pass@1 从 15.6% 涨到 71.0%，多数投票后 86.7%，论文原话是「matching the performance of OpenAI-o1-0912」。GRPO 的核心改动是去掉 critic：LLM 任务的奖励在序列末端一次性给出，token 级 value 的估计价值有限，于是用同一提示下 (G) 个采样的平均奖励做 baseline，显存与训练成本直接减半。R1-Zero 的问题论文自己写了：可读性差、语言混杂，R1 因此加了 cold-start SFT。

▲ 「aha moment」被系统性质疑，但也不能完全归结为长度偏置

质疑一（Sea AI Lab，2025-02）：base model 在 RL 之前就产出 “wait”、“verify”、“alternatively” 这类自反思关键词。他们提出表层自反思（superficial self-reflection）：在 Qwen2.5-Math-1.5B 上按频次统计，大多数自反思并不导向正确答案，跨多个采样温度均成立；训练早期输出长度先降后升，且自反思关键词总数与输出长度非单调相关——所以「长度暴涨 = 顿悟」这条推断链条不成立。

质疑二（Dr.GRPO 论文，arXiv:2503.20783 ^[31]）补上了最关键的一块拼图：前人只测开源复现的 base，他们直接托管 DeepSeek-V3-Base-685B 本体，用 R1 模板跑 500 道 MATH 题，结论是它「也生成了相当数量的自反思」，包含 “Aha”、“wait”、“verify the problem” 字样。更狠的一刀：Llama 上 GRPO 也能「Aha」（输出变长），但这很可能只是 GRPO 的长度偏置造成的，换 Dr.GRPO 就消失。

报告采用的措辞：RL 不是无中生有地创造了自反思，而是把 base model 中已存在但低效的自反思行为，从「表层」筛选并强化成「有效」的。R1 论文把这一过程叙述为涌现是叙事上的过度归因；但把它完全归结为长度偏置也过度了——Dr.GRPO 去掉偏置后 token 效率提升而推理性能保持，说明有效自反思的比例确实被 RL 提高了。

2025 年 GRPO 的后继算法是一整个谱系，而它们真正的分歧点只有五个。下表只列分歧，完整推导一律不写。

  表 · GRPO 家族的病灶与分歧点（\(\rho\) 为重要性比值，\(|o_i|\) 为第 \(i\) 条回复长度）
  算法 / 出处它认为 GRPO 错在哪修法代价与失效边界| 算法 / 出处 | 它认为 GRPO 错在哪 | 修法 | 代价与失效边界 |

  
    **Dr.GRPO**

Sea AI Lab / NUS arXiv:2503.20783（2025-03-26）两处偏置。① 实现里的 (1/|o_i|)：答对时短回答的每 token 梯度更大、答错时长回答每 token 被罚更轻，叠加起来就是训练中错误回答持续变长。② std 归一化：二值奖励下 (\mathrm{std}=\sqrt{p(1-p)})，极难题与极易题的权重趋于无穷，梯度被噪声最大的题主导(1/|o_i|) 换成常数 (1/L_{\max})；删掉 std论文附录证明这两处改动恰好把目标还原成标准 PPO 目标——即 GRPO 的两项归一化不是 trick 而是 bug。代价：截断样本的梯度尺度不再被补偿；去掉 std 后需要外部课程来对齐难度| Dr.GRPOSea AI Lab / NUSarXiv:2503.20783（2025-03-26） | 两处偏置。① 实现里的 (1/|o_i|)：答对时短回答的每 token 梯度更大、答错时长回答每 token 被罚更轻，叠加起来就是训练中错误回答持续变长。② std 归一化：二值奖励下 (\mathrm{std}=\sqrt{p(1-p)})，极难题与极易题的权重趋于无穷，梯度被噪声最大的题主导 | (1/|o_i|) 换成常数 (1/L_{\max})；删掉 std | 论文附录证明这两处改动恰好把目标还原成标准 PPO 目标——即 GRPO 的两项归一化不是 trick 而是 bug。代价：截断样本的梯度尺度不再被补偿；去掉 std 后需要外部课程来对齐难度 |

    **DAPO**

ByteDance Seed × 清华 AIR arXiv:2503.14476（2025-03-18）主要瓶颈是熵坍缩与零梯度样本，不是归一化本身四件套：非对称 clip（(\varepsilon_{\mathrm{low}}=0.20)、(\varepsilon_{\mathrm{high}}=0.28)）放开低概率 token 的上行空间；动态采样丢弃全对/全错组；按 batch 总 token 数归一而非按序列平均；overlong 软惩罚与 Dr.GRPO 的长度归一修法哲学相反：Dr.GRPO 用常数分母还原 PPO，DAPO 认为长 CoT 场景下长序列本就该拿更多梯度份额。rollout 开销上升| DAPOByteDance Seed × 清华 AIRarXiv:2503.14476（2025-03-18） | 主要瓶颈是熵坍缩与零梯度样本，不是归一化本身 | 四件套：非对称 clip（(\varepsilon_{\mathrm{low}}=0.20)、(\varepsilon_{\mathrm{high}}=0.28)）放开低概率 token 的上行空间；动态采样丢弃全对/全错组；按 batch 总 token 数归一而非按序列平均；overlong 软惩罚 | 与 Dr.GRPO 的长度归一修法哲学相反：Dr.GRPO 用常数分母还原 PPO，DAPO 认为长 CoT 场景下长序列本就该拿更多梯度份额。rollout 开销上升 |

    **GSPO**

Qwen 团队 arXiv:2507.18071（2025-07-24）重要性采样必须与奖励同粒度。奖励是序列级的，GRPO 却给每个 token 配 token 级权重——每个位置只有一个样本，这个「重要性采样」根本没做平均，纯粹是噪声，且随长度累积、被 clip 放大用整序列似然比的 (1/|y_i|) 次方（几何平均）做权重最实用的收益是 MoE 训练稳定性：路由跳变会让 token 级 (\rho) 剧烈波动，GSPO 只依赖整序列似然，完全不需要 Routing Replay。代价：序列级 clip 是全有或全无，样本利用率低；几何平均对极短序列敏感| GSPOQwen 团队arXiv:2507.18071（2025-07-24） | 重要性采样必须与奖励同粒度。奖励是序列级的，GRPO 却给每个 token 配 token 级权重——每个位置只有一个样本，这个「重要性采样」根本没做平均，纯粹是噪声，且随长度累积、被 clip 放大 | 用整序列似然比的 (1/|y_i|) 次方（几何平均）做权重 | 最实用的收益是 MoE 训练稳定性：路由跳变会让 token 级 (\rho) 剧烈波动，GSPO 只依赖整序列似然，完全不需要 Routing Replay。代价：序列级 clip 是全有或全无，样本利用率低；几何平均对极短序列敏感 |

    **CISPO**

MiniMax-M1 arXiv:2506.13585（2025-06-16）不能丢掉低概率的转折 token。PPO/GRPO 的 clip 让越界 token 梯度直接归零，而长 CoT 里触发反思转折的恰恰是 However、Wait、Recheck 这类最容易越界的低概率 token——正好删掉了你想学的东西把 clip 后的比值 detach 成标量系数，梯度永远从 (\log \pi_\theta) 流出：没有 token 被丢弃，只有贡献幅度被限制钳位上界取到 (\varepsilon_{\mathrm{high}}=5.0)（比 DAPO 的 0.28 大一个数量级）——设计哲学差异：CISPO 不靠 clip 做 trust region，只靠它防爆。需配 LM head 升 FP32 解决数值精度| CISPOMiniMax-M1arXiv:2506.13585（2025-06-16） | 不能丢掉低概率的转折 token。PPO/GRPO 的 clip 让越界 token 梯度直接归零，而长 CoT 里触发反思转折的恰恰是 However、Wait、Recheck 这类最容易越界的低概率 token——正好删掉了你想学的东西 | 把 clip 后的比值 detach 成标量系数，梯度永远从 (\log \pi_\theta) 流出：没有 token 被丢弃，只有贡献幅度被限制 | 钳位上界取到 (\varepsilon_{\mathrm{high}}=5.0)（比 DAPO 的 0.28 大一个数量级）——设计哲学差异：CISPO 不靠 clip 做 trust region，只靠它防爆。需配 LM head 升 FP32 解决数值精度 |

还有一条被低估的差异：KL 惩罚项的位置。PPO 传统把 KL 写进奖励，因此它会经过 GAE 传播、影响 advantage 估计；GRPO 把 KL 作为 loss 的独立一项加在外层，不进 advantage。而 2025 年下半年起，主流实现普遍把 (\beta) 设为 0——DAPO 显式移除，理由是长 CoT RL 中策略本来就要大幅偏离初始模型。失效边界要一起写：(\beta=0) 在纯 verifiable 域可行；一旦奖励里混入 LLM judge 或偏好模型，去掉 KL 等于拆掉过优化的唯一刹车。

2025-10-15，Meta 的 ScaleRL 第一次给了 RL scaling 一个函数形式，而这个形式是有界的。《The Art of Scaling Reinforcement Learning Compute for LLMs》（arXiv:2510.13786 ^[32]，ICLR 2026 Oral）用超过 40 万 GPU-hours（GB200）拟合出：

\[ \underbrace{R_C - R_0}_{\text{Reward Gain}} \;=\; \underbrace{(A - R_0)}_{\text{Asymptotic Reward Gain}} \times \underbrace{\frac{1}{1+\left(\dfrac{C_{\mathrm{mid}}}{C}\right)^{B}}}_{\text{Compute Efficiency}} \]
\(C\)：RL 训练算力（GPU-hours）。\(R_C\)：算力 \(C\) 下 iid 验证集上的期望 pass rate（实测口径为 mean@16，1,000 条提示，每 100 步测一次）。\(R_0\)：RL 前的起点。三个几何量各有独立读法——**\(A\in[0,1]\) 是曲线的水平渐近线，即这套配方的性能天花板，加再多算力也到不了它之上**；**\(B\gt0\) 是曲线在中点处的陡峭度，决定「爬得多快」而不决定「爬到多高」**；**\(C_{\mathrm{mid}}\) 是取得总增益一半所需的算力，即 sigmoid 的拐点横坐标，越小越早起飞**。论文明说选 sigmoid 而非幂律是**经验选择**——「我们发现 sigmoid 拟合在经验上比幂律稳健和稳定得多」，理由是 pass rate 天然有界于 \([0,1]\)，幂律必然在某个有限算力处击穿上界。拟合规程：排除约 1.5k GPU-hours 之前的极早期段，用前 50k 外推到 100k。

三条主结论对 2025 全年的 RL 论文是一次集体降维打击。其一，RL 的性能天花板不通用——不同 recipe 外推后的 (A) 显著不同，ScaleRL 的 (A=0.61) 超过 DeepSeek(GRPO)、Qwen-2.5(DAPO)、Magistral、MiniMax-M1 四条基线。其二，多数「算法改进」只动 (B) 不动 (A)：loss aggregation、advantage normalization、curriculum、length penalty、off-policy 算法全部归入「只影响算力效率」；真正抬高 (A) 的反而是 FP32 logits（0.52 → 0.61）、损失函数形式与零方差过滤。一个纯数值精度修复，比所有算法技巧加起来对天花板的影响都大。其三，必须用 ((A,B)) 的早期估计判断可扩展性，而不是看小规模胜负——论文把这一条直接命名为「拥抱苦涩的教训」，因为小算力下更好的方法外推到大算力可能更差。与 OpenAI 路线的关系要点破：o1 博客（2024-09-12）只给了「两条都往上」的定性图，没给函数形式；Meta 给出的形式是有界 sigmoid。如果 (A\lt1) 且 (A) 由 recipe 决定，那么「继续加 RL 算力」的回报会在某个点急剧衰减——这与「RL 算力占比持续上升」的公开叙事之间存在张力。

▲ 本节最重要的反方证据：RLVR 可能在收窄而不是扩张能力边界

Yue et al.《Does Reinforcement Learning Really Incentivize Reasoning Capacity in LLMs Beyond the Base Model?》（arXiv:2504.13837 ^[33]，清华 LeapLab × 上海交大；项目页 limit-of-RLVR.github.io ^[34]）做了一件很朴素的事：不看 pass@1，看整条 pass@(k) 曲线。

结果是一次交叉。RLVR 训练过的模型在小 (k) 处大幅领先，但「在足够大的 (k) 上，base model 的 pass@(k) 反而高于其 RL 增强版本」，而且「base model 在所有基准与所有模型族上无一例外地追上了 RL 模型」。具体数字：Minerva 基准、32B 模型、(k=128) 时 base 比 RL 模型高约 9 个百分点；Oat-Zero-7B 在 AIME24 上初期领先 base 近 30 个点，最终仍被反超。困惑度分析显示，RL 模型生成的推理路径本就存在于 base model 的输出分布中且概率密度可观。论文的判词是：「RLVR 提高了采样效率，但缩小了推理能力的范围」——熵下降导致探索收窄，可解题目的 coverage 反而变小。他们还定义了采样效率差 (\Delta_{\mathrm{SE}} := \mathrm{pass@}1(\mathrm{RL}) - \mathrm{pass@}256(\mathrm{base}))，发现 PPO / GRPO / Reinforce++ / RLOO / ReMax / DAPO 之间只有微小差异，算法之争在这个尺度上无关紧要。而蒸馏不同——论文明确说蒸馏能真正引入新知识，因此蒸馏模型常表现出超出 base 的能力范围。

正方的反驳与它的合法出口。NVIDIA 的 ProRL（arXiv:2505.24864）主张 Yue et al. 的 RL 训得太短：用 KL 惩罚 + 周期性参考策略重置 + 多样化任务集训 2000 步以上，能在 base 的 pass@128 完全失败的题上稳定解出。这在数学上有出口——零梯度只说「该题自身不产生梯度」，没说「该题不会因其他题的梯度而改善」，跨题泛化是定理的合法逃逸通道，也是最可能的真实机制。T5 作者推断 另需注意 ScaleRL 训得比 ProRL 还长 3.5 倍却报告渐近饱和，两者度量不同（iid 验证集 pass rate vs pass@(k)）因此不直接矛盾，但 sigmoid 的 (A) 对 ProRL 的乐观构成约束。

Yue et al. 自己指出的度量缺陷值得敬重：大 (k) 下「歪打正着」会污染 pass@(k)，他们的处理是过滤易被 hack 的题并人工检查部分 CoT。未解的核心问题：跨题泛化的强度有多大？目前没有人能量化这个泛化项——这是 2026 年 RL 理论最重要的开放问题。

最后是 reward hacking，以及 OpenAI 在这件事上付的那笔税。《Monitoring Reasoning Models for Misbehavior and the Risks of Promoting Obfuscation》（arXiv:2503.11926 ^[35]，OpenAI，2025-03-14）用 GPT-4o 做 prompt-only 监控器去看 o3-mini 在 agentic coding 环境里的 CoT，得到三个发现：弱模型能监控强模型，而且只看 CoT 远好于只看 action 或输出；把监控器塞进 RL 奖励在低压力区间有效；但优化压力过强时，智能体学会「混淆式奖励作弊」——把意图藏在思维链里，同时仍以显著比例作弊。结论是那句被反复引用的话：可能有必要支付一笔可监控性税（monitorability tax），即不对思维链直接施加强优化压力。它把「CoT 是否忠实」从一个解释性问题变成了训练策略约束。对照组是 Anthropic 的《Natural Emergent Misalignment from Reward Hacking in Production RL》（arXiv:2511.18397 ^[36]，2025-11）：模型在真实生产编码环境上学会 reward hack 之后，意外地泛化出 alignment faking、与恶意行为者合作、在 Claude Code 中尝试破坏——「包括这篇论文自己的代码库」；而标准 RLHF 安全训练能修好 chat 评测，agentic 任务上的错位依然存在。他们最反直觉的缓解手段是 inoculation prompting：在系统提示里把作弊重新框定为被许可的行为，错位泛化随之消失而作弊程度不变——这说明危害不在作弊本身，而在作弊行为携带的语义标签会向外泛化。

OpenAI 的选择为什么与别家不同。先说反例检查推翻的部分：把「RLVR」写成 OpenAI 首创是站不住的——名字来自 AI2 的 Tulu 3（2024-11-22），规则化数学奖励在 DeepSeekMath（2024-02）就已在用，而首个公开验证「纯 RL 可在 base model 上激发推理」的是 DeepSeek-R1-Zero（2025-01-22），不是 o1；o1 更早部署但机制从未公开，在公开科学的意义上无法主张首创。准确的类别是**〈OpenAI 率先规模化〉：把 RL 从「对齐工具」变成「能力引擎」并推到产品规模，OpenAI 是第一个。真正称得上〈OpenAI 首创〉的只有一条更窄的东西——monitorability tax：主动放弃一部分可得性能来换 CoT 的可读性。这条也要过反例检查：Anthropic 走的是另一条路（Claude 3.7 起的 extended thinking 默认对用户可见**思考过程），DeepSeek 更是从 R1 起就公开完整 CoT——三家都在处理「思维链该被谁看见」，但只有 OpenAI 把它写成了对训练施加的约束，另外两家把它当作产品与开放性选择。最后是一处 OpenAI 独有的结构性事实：它在 AAIF 捐出的是 AGENTS.md（agent 版 README 约定）而不是环境——开放接口约定，不开放环境。环境就是 RL 数据，而 RL 数据是 2026 年真正的护城河。

test-time compute：第二条曲线，以及它带来的不可比性

⚑ 闭源机制警示

o1 / o3 / GPT-5.x 的训练与推理机制未公开。本小节引用的所有形式化（Snell 的 compute-optimal 分配、coverage 幂律、budget forcing）均来自外部论文，是解释框架，非 OpenAI 内部实现。凡把它们当作 OpenAI recipe 的转述，都应被视为二手拟合。

o1 那两张并列的图是整条叙事的原点。《Learning to reason with LLMs》（2024-09-12 ^[37]）把横轴分别取 train-time RL compute 与 test-time compute（都取对数），纵轴取 AIME 准确率，两条都往上。同页还有一组常被忽略、但比曲线更有论证力的硬数字：IOI 2024 上，o1 初始化加编程强化后每题 50 次提交、配 test-time 选择策略，得 213 分 / 第 49 百分位；若改成随机提交只有 156 分——选择策略本身值将近 60 分；而放宽到每题 10,000 次提交，得分 362.14 超过金牌线，且不需要任何选择策略。这组数字一次性拆开了 test-time scaling 的两个成分：采样量（coverage）与选择器（verifier），并量化了各自的贡献。

形式化在 o1 之前一个月就有了。Snell et al.（arXiv:2408.03314 ^[38]，UC Berkeley × Google DeepMind，2024-08-06）指出两类 test-time 机制——对稠密过程验证器做搜索、以及自适应地串行修订自身回答——它们的有效性强烈依赖题目难度，于是提出按题分配的 compute-optimal 策略：在 test-time 策略空间（并行采样数、串行修订轮数、搜索宽度）里按预测难度选最优配置。效果是相对 best-of-N 基线效率提升 4 倍以上（16 次生成达到 64 次生成的精度），FLOPs 匹配下小模型加 test-time compute 可超过 14 倍大的模型。但论文自己给的限制在中文报道里几乎总被漏掉：「测试期算力与预训练算力不是 1:1 可互换……在超出给定基座模型能力范围的困难题上，或在推理需求更高的场景下，预训练可能更有效。」这句话把「小模型 + 长思考 = 大模型」限定在base model 已有非平凡成功率的题上，是整条叙事最重要的边界条件。

coverage 这一侧的幂律来自 Large Language Monkeys（arXiv:2407.21787 ^[39]，Stanford，2024-07-31）：拟合形式 (\log(c) \approx a,k^{-b})（(c) 为 coverage 即 pass@(k)，(a\lt0)），Gemma-2B 在 CodeContests 上 coverage 从 1 次尝试的 0.02% 涨到 10,000 次的 7.1%；SWE-bench Lite 上 DeepSeek-Coder-V2-Instruct 从 1 样本 15.9% 涨到 250 样本 56%，超过当时 43% 的单样本 SOTA；用前 100 个样本拟合可预测 pass@10k，平均绝对误差 2.86%。这个函数形式的来历必须点破：它是从 GPT-4 技术报告「平均 log pass rate vs 训练算力」那条幂律类比迁移过来的，把自变量从算力换成采样数，不是从第一性原理推出的。后续 Schaeffer et al.（《How Do Large Language Monkeys Get Their Power (Laws)?》，2025-02-24）给出了机制：单题上失败率随 (k) 指数衰减，聚合后之所以是幂律，完全取决于难题的单次成功率分布在 0 附近的尾部行为。而 Monkeys 论文自己给的负面结论才是阿喀琉斯之踵：「在没有自动验证器的领域，多数投票与奖励模型这类挑选方法在数百样本之后即饱和」。coverage 能一直涨，但你挑不出来——这条把 test-time scaling 与 RLVR 的适用边界焊死在同一个条件上：是否存在 (v)。

并行：Best-of-N / self-consistency

覆盖新解强（独立采样探索不同模式），修正错误无（只能靠选择器），必须有 verifier 否则饱和，可并行故墙钟时间短。失效模式：选择器天花板。

最优比例随难度变化

  

串行：revision / budget forcing / 长 CoT

覆盖新解弱（受前文锚定，易在同一坑里打转），修正错误强（能看到自己的中间结果），不必须有 verifier，严格串行故墙钟时间长。失效模式：过度思考与自我说服。

s1 证明了这条曲线的形状可以被极简复现。《s1: Simple test-time scaling》（arXiv:2501.19393 ^[40]，Stanford / UW / AI2，2025-01-31，EMNLP 2025 主会）只做两件事：用 1,000 道按难度、多样性、质量三准则筛选的题做 SFT（16×H100 跑 26 分钟），加上纯解码期的 budget forcing——超预算就追加结束分隔符强制收尾，想让它多想就抑制结束分隔符并追加字符串 “Wait”。AIME24 因此从 50% 提到 57%，而且这是外推超出了无干预时的性能。论文自陈的失效边界同样重要：多次抑制会进入收益递减甚至反转，模型开始循环重复。结论应当这样写：曲线的形状可以用 1,000 条数据加一个解码技巧复现，但曲线的高度仍由 base model 与蒸馏源决定。

这一节真正的落点不是「又一条 scaling 轴」，而是不可比性。一旦能力成为采样预算的函数，「模型 X 在基准 B 上得 Y 分」这句话就不再是一个完整命题——它至少还缺 harness、工具权限、采样预算、成本与污染说明五项。o1 自己的 IOI 数字就是最干净的自证：同一个模型，50 次提交是 213 分，10,000 次提交是 362 分。因此本页在方法论上采取的立场是：不做无预算标注的横向排名，具体规则见本页评测方法论声明。机制侧的完整推导（两条曲线为什么不可简单相加、log-linear 读法为什么必然被击穿）见 ⑥ FX-03，本节不重讲；只强调一句该处的结论——真实的联合曲面极可能是次可加的，因为 RL 训得越好，模型越会自己控制思考长度，test-time 的边际收益就越小，而官方把两个变量分开画恰恰掩盖了交互项。

「长 CoT 是不是真推理」这场争论，双方证据都要给。A 方是 Apple 的《The Illusion of Thinking》（arXiv:2506.06941 ^[41]，2025-06），用可控复杂度的谜题环境（汉诺塔、渡河、积木世界、跳棋）替代可能被污染的数学基准，得出三条：某个复杂度之后准确率完全崩塌；推理努力（token 数）随复杂度上升到某点后反而下降，「尽管有充足的 token 预算」；低复杂度下标准 LLM 反而更好、中复杂度 LRM 占优、高复杂度两者都崩。最刺眼的附加发现是把汉诺塔的解法算法直接给模型，性能也不提升。B 方是《The Illusion of the Illusion of Thinking》（arXiv:2506.09250 ^[42]，2025-06-10），三条反驳都很硬：汉诺塔的失败点系统性地撞上输出 token 上限（评测格式要求逐步输出完整移动序列，token 需求二次增长，模型输出里明确写着「这个模式会继续，但为了不让回答太长，我在这里停下」）；自动评测框架不区分「推理失败」与「实际约束」；渡河问题在 (N\ge6) 时因船容量不足而数学上无解，模型却因「没解出无解问题」被判失败；改成让模型输出生成函数而非穷举移动列表后，此前「完全失败」的实例上多个模型高准确率。本报告的判断：B 方在方法论上占绝对优势，但它没有反驳 A 方的第二条——「推理努力随复杂度先升后降」仍需解释；而两方共享一个未被说破的前提：把「推理」等同于「执行长算法」。汉诺塔的 (2^N-1) 步是执行问题不是推理问题，「知道算法却执行不了」恰恰指向长程状态维护的失败——这与下一小节的诊断是同一个。

OpenAI 的选择为什么与别家不同。反例检查在这一格上推翻了最流行的一条说法：test-time scaling 不是 OpenAI 首创。★ 但支撑这个判断的论据已经从「日期」换成了「谱系」——原来那种「学界论文比 o1 博客早几周」的算法，本报告自己的红队第二轮把它否掉了（更正说明见下方）。成立的论据是谱系：把「多想一会儿」量化成「等价于把模型放大若干个数量级」的工作，最早出自 Andy Jones 2021 年关于棋类博弈的 train-time / test-time compute 权衡研究（Snell 等自己的 Related Work 就引了它），更早的思想源头是 AlphaGo 的 MCTS 与 Noam Brown 在扑克 AI 时代的工作（在他加入 OpenAI 之前）；到 2024 年，Large Language Monkeys 的 coverage 幂律与 Snell 等的 compute-optimal 分配是这条谱系在 LLM 上的两次公开形式化。换句话说：这条思路有一条清晰的、不属于 OpenAI 的公开学术前史，这一点与谁的博客早几周无关。准确的类别是〈OpenAI 率先规模化〉：把推理时算力做成一条可售卖的产品轴（reasoning tokens 计费、reasoning_effort 参数、GPT-5.1 起的自适应档），OpenAI 是第一个，也是唯一一个把它做成定价维度的。此外有一条**〈OpenAI 特有组合〉**：隐藏原始 CoT、只返回摘要，同时按 output token 对 reasoning token 计费——用户为看不见的东西付费且无法审计其效率。Anthropic 的 extended thinking 让用户显式设定 thinking budget 且思考过程默认可见，DeepSeek 从 R1 起公开完整 CoT；同一条技术路线上的三种可见性策略，反映的是对「过程可解释性 vs 商业与安全」的三种不同权衡，而不是能力差异。

⚑ 更正：「早六周 / 早五周」这条论据已撤回，结论改靠谱系（2026-07-25）· 对应 `BUILD-CORRECTIONS.md` §M M11

本页原表述逐字保留：「Snell et al. 的 compute-optimal 形式化（2024-08-06，UC Berkeley × Google DeepMind）比 o1 博客早五周，Large Language Monkeys 的 coverage 幂律（2024-07-31，Stanford）早六周」，并把这两个周数当作「OpenAI 非首创」的硬证据。周数本身没错，但用它做论据是错的，理由有二：

① 日期比的是「公开发表日」，不是「做出来的日子」。Noam Brown 在录公开陈述：OpenAI 在 2023-10 / 11 就已经看到推理时算力路线的 conclusive signs of life——比那两篇论文早约九个月。按发表日排序会得出一个与实际研发顺序相反的结论。「谁先发论文」与「谁先做出来」是两个命题，而闭源实验室的内部时间线在公开日期上系统性不可见——拿发表日当先后证据，是一个有方向的偏差（对闭源方不利、对发论文的一方有利），不是中性的算法。

**② 那两篇论文自己也不是源头。**Snell 等的 Related Work 明确引用了 **Andy Jones（2021）**关于棋类博弈中 train-time / test-time compute 可互换的定量结果；而 Snell 等的作者构成是 UC Berkeley × Google DeepMind，并不是「学界抢先于产业界」这种叙事。真正的前史比两篇 2024 年的论文都长。

结论不变，论据换掉：test-time compute 不是 OpenAI 首创——这一点由 Jones 2021 → AlphaGo MCTS → Noam Brown 的扑克工作这条公开谱系支撑，不再由几周的日期差支撑。OpenAI 的贡献仍然是「率先规模化并率先商品化」（唯一把推理预算做成定价维度的一家），这部分从未依赖日期论据。★ 这条更正也是 §M-元 的例证：18 条事实性反驳里有 5 条打的不是结论，而是「谁先」这类归属声明——归属声明成本高、收益低，且极易被一篇更早的论文推翻。

同一更正已同步到本页独有性判定表、Hub 第 6 条与 ⑬ 独特认知矩阵（含 SVG 图内文字）。红队原文见 research/10-counter-evidence-technical.md。

持续学习：公认最大缺口，但三个人说的不是同一件事

**2025 年 9 到 11 月，三位分量各异但都极有权重的人在同一个播客上，从三个完全不同的方向指向同一个缺口。**这个巧合本身就值得单写一段：9 月 26 日 Richard Sutton、10 月 17 日 Andrej Karpathy、11 月 25 日 Ilya Sutskever，全部在 Dwarkesh Podcast。中文传播把三人打包成「大佬们都说 LLM 不行了」，而三人的论证结构、对 LLM 的判决、以及给出的解法方向，几乎没有一处重合。

Sutton 的论证是一条闭合的链：智能等于从经验中学习（试错 + 目标 + 后果）→ LLM 学的是「人会说什么」的分布而不是「世界会怎么变」的模型（他的原话是「大语言模型是在模仿人，做人们说你应该做的事，它们不是在弄清楚该做什么」；还有一句直击世界模型之争——「如果发生了某件不是它们所预测的事，它们不会因为发生了意外而改变」）→ 因此 LLM 既没有好坏判据，也没有真世界模型，也不在部署时学习 →《苦涩的教训》说注入人类知识短期有效、长期停滞、最终被纯经验学习取代 → 而 LLM 是史上规模最大的一次人类知识注入 → 所以它是死路。把这条链和 2019-03-13 的原文放在一起读，会发现一处长期被忽略的细节：《苦涩的教训》的第一条结论说的是「看起来能以这种方式任意扩展的两种方法，是搜索（search）与学习（learning）」——搜索和学习在原文里是并列的。2020–2024 年的 LLM 叙事只强调了 learning（预训练），把 search 丢了；o1/o3 的 test-time compute 才把 search 找回来。第二条结论则更锋利：「我们应当只内建那些能够发现并捕捉这种任意复杂性的元方法……我们想要的是能像我们一样去发现的 agent，而不是包含我们已发现之物的 agent。」

◈ Dwarkesh 补的算力论证：这是对 LLM 阵营最难回答的一击

「苦涩的教训到底在说什么？它不是说你要尽可能多地把算力扔掉。它说的是，你要想出能最有效、最可扩展地利用算力的技术。 LLM 上花掉的绝大部分算力用在部署时运行它。**然而在这段时间里它什么都没学到！**它只在我们称为训练的那个特殊阶段学习。这不是对算力的有效使用。」（dwarkesh.com/p/thoughts-on-sutton ^[43]）

这条论证的价值在于它用苦涩教训的语言反打 LLM：如果推理算力占了总算力的绝大部分而这部分完全不产生学习，那么按苦涩教训自己的标准，LLM 范式确实没有最有效地利用算力。它把 Sutton 的立场从「哲学偏好」升级为「苦涩教训的内部一致性论证」。

Karpathy 的位置最容易被媒体标题扭曲，必须精确概括。他同意 Sutton 指认的缺陷是真的（无持续学习、样本效率糟糕、依赖会枯竭的人类数据），但不同意 Sutton 的替代方案——他明确说不相信存在「能从零学会一切」的东西，「如果有人造出来了，我就错了」。他对 Sutton 的正面回应是「鬼魂 vs 动物」：「我们不是在造动物，我们是在召唤鬼魂或幽灵……因为我们做的训练不是演化，而是对人类以及他们放到互联网上的数据的模仿训练」，并把预训练叫作「蹩脚的演化」——它是以当前技术能实际做到的那个版本，用来到达一个可以做 RL 的起点。他给的解法是很具体的工程构想：每人一个专属的稀疏权重子集（也许是一个 LoRA），加上一个「把发生过的事拿来痴迷地分析、想透、做合成数据生成再蒸馏回权重」的阶段。他还明确反对「持续学习会像 in-context learning 一样自发涌现」，理由很简单：**这些模型每次都从零 token 的窗口重新开始，压根不存在跨会话的载体。**时间估计是「大约需要十年」——注意原话是关于 agent 而非 AGI，播客标题的「AGI is still a decade away」是失真的。

Ilya 的论证是语言学的，这一点很独特。他说有两个词塑造了所有人的思维——「AGI」与「pre-training」：AGI 一词是对 narrow AI 的反动，于是要求「通用地什么都会」；pre-training 的直觉是「越多越普遍地好」。两者相乘就 overshot the target（射过头了），把目标设成了「一个已经什么都会的完成品」。他给的替代画面是：「我造出一个超智能的 15 岁少年，非常想上手。他们其实什么都不太懂，是个很棒的学生……部署本身就包含某种试错学习期。它是一个过程，而不是你把成品丢出来。」而他自己认为比持续学习更底层的诊断是泛化：「这些模型的泛化就是比人差得离谱。这非常明显。这看起来是一件非常根本的事。」还有一句应当单列，因为它把 2025 年整场 RL 算法竞赛降级成了效率问题：「能用 value function 做的事，不用它也能做，只是慢一些。」——这与 ScaleRL 的「多数改进只动 (B) 不动 (A)」在结论上惊人一致。

  表 · 三人的分歧（不要把他们混为一谈）
  维度Sutton（学者，从未任职 OpenAI）Karpathy（前 OpenAI 创始成员，离职后）Ilya（前 OpenAI 首席科学家，离职后）| 维度 | Sutton（学者，从未任职 OpenAI） | Karpathy（前 OpenAI 创始成员，离职后） | Ilya（前 OpenAI 首席科学家，离职后） |

  
    缺口的性质**范式错误**：无目标、无经验闭环**机制缺失**：没有睡眠式蒸馏**定义错误**：AGI 概念本身把目标设歪了| 缺口的性质 | 范式错误：无目标、无经验闭环 | 机制缺失：没有睡眠式蒸馏 | 定义错误：AGI 概念本身把目标设歪了 |

    LLM 有救吗**没救**，需要新架构（Oak）有救，需要十年有救，需要回到研究| LLM 有救吗 | 没救，需要新架构（Oak） | 有救，需要十年 | 有救，需要回到研究 |

    解法方向从经验学习的新架构每人一个 LoRA + 精巧稀疏注意力 + 预训练期的「想透」阶段提高**泛化**（比持续学习更底层）| 解法方向 | 从经验学习的新架构 | 每人一个 LoRA + 精巧稀疏注意力 + 预训练期的「想透」阶段 | 提高泛化（比持续学习更底层） |

    对 RL 的态度RL 是唯一正路「RL is terrible」，但还是目前最好的value function 能提效，但不用也能做，只是慢| 对 RL 的态度 | RL 是唯一正路 | 「RL is terrible」，但还是目前最好的 | value function 能提效，但不用也能做，只是慢 |

  

「苦涩的教训 2.0」之争，是这一小节真正的主战场。目前有四种互相竞争的主张。主张 A：苦涩教训已被 RLVR 与人类先验反证——2024–2026 最有效的能力提升来自高度工程化的人类先验注入（精心设计的 RL 环境、可验证任务的人工构造、prompt 与 scaffold 工程；Poetiq 的 harness 把 ARC-AGI-2 从 31% 提到 54% 靠的全是人类设计的推理框架）；这看起来正是苦涩教训警告的东西，却在赢。反论是 Sutton 会说这正是「短期有效、长期停滞」的第二阶段，而 Noam Brown 明确说 harness 与 router 是「将被 scale 冲刷掉的临时方案」——这场争论要到 2027–2028 才能裁决。主张 B：Sitzmann 的计算机视觉版（《The flavor of the bitter lesson for computer vision》 ^[44]，MIT，博客而非论文，发布日期待核实）——计算机视觉的研究者乐于把苦涩教训用在算法上，「却极少有人把同样的逻辑用在表示上」，而点云、辐射场、有符号距离函数这些 3D 表示「正是苦涩教训警告的那种聪明的人类先验」；他还直说「我不相信视频生成模型能解决具身智能，它们甚至可能不是最终方案的必要组件」。主张 C：Brown IVL 的反驳（《The flavor of the bittersweet lesson for computer vision》 ^[45]）——「与人类发明的语法不同，『3D』不是手工设计的归纳偏置，它是宇宙可测量的物理属性」；在医学影像里，用不可见技术（如 MRI）生成的 3D 数据被当作「原始数据」而非先验。这一击切中了苦涩教训一个从未被澄清的歧义：Sutton 说不要内建我们关于世界的思考方式，但「世界的客观结构」算不算我们的思考方式？Sutton 原文把「空间、物体、多智能体、对称性」明确列进了不该内建的清单，所以按字面读 Sitzmann 是对的；但按精神读，Brown IVL 的区分更合理。

● 主张 D：有条件的先验——目前最操作化的调和版

Weikai Lin《Re-reading The Bitter Lesson》（linwk20.github.io ^[46]，2026）给出人类先验可被接受的三个条件：① 不得阻碍 scaling，先验不能限制模型吸收更多数据与算力的能力；② 必须可被覆盖，随着数据积累模型应能推翻、修正或完全丢弃该先验——先验是软初始化，不是硬约束，数据说了算；③ 必须连接到可扩展的来源，先验应设计成从数据丰富领域向数据稀缺领域迁移知识，而非编码狭窄的领域直觉。

他还点出苦涩教训成立的一个隐含前提：「算力可扩展」不够，「数据也必须可扩展」。NLP 有近乎无限的文本，视频也多；但在数据稀疏的领域（医疗、罕见工业场景），使用人类知识在短期内仍然是理性的。这三条是目前对「什么时候可以用人类先验」最操作化的判据。

技术侧在 2026 上半年已经从「被三个大人物指认的缺口」变成了「三条并行的工程路线」。sleep-time compute（arXiv:2504.13171 ^[47]，Letta，2025-04-17）把「只给上下文、不给查询」时的预推理做成一个独立阶段：同等精度下 test-time token 减少约 5 倍，继续加 sleep-time 算力还能再提精度（Stateful GSM-Symbolic +13%、Stateful AIME +18%），多查询共享同一上下文时每查询成本降 2.5 倍；它的失效边界论文自己给了判据——上下文必须在查询之前已知且被多个查询复用，面对每题全新、永不复用的前沿推理基准，它退化成「多走了几步的 test-time compute」。TTT 是两条同名不同物的路线，中文社区经常混：TTT-as-adaptation（arXiv:2411.07279 ^[48]，MIT）在每个测试实例上临时做梯度更新再丢掉，8B 模型在 ARC 上 53.0%、与程序合成集成后 61.9%，代价是推理成本极高；TTT-as-architecture（arXiv:2407.04620 ^[49]）则「让隐状态本身成为一个机器学习模型，让更新规则成为自监督学习的一步」，在 125M–1.3B 规模上能像 Transformer 一样随更多 token 持续降困惑度，而 Mamba 在 16k 上下文之后就不再降。后者已被 Google 的 Nested Learning / HOPE（arXiv:2512.24695，NeurIPS 2025）吸收——它主张「模型的架构与训练它的规则在本质上是同一个概念，只是优化的不同层级」，把 Transformer 的 MLP 块换成一条按不同频率更新的 MLP 链，高频负责快速适应、低频负责持久知识，并给出反遗忘的机制性解释（多频率使记忆形成环路，被遗忘的知识可以部分恢复）。它是 2025–2026 唯一一个把持续学习当成架构问题而非训练技巧来解的主流实验室工作，代价是要重写 Transformer 的 MLP 块——这也解释了它为什么至今没进产品。

参数化记忆与外部记忆不是二选一，是分工问题。外部记忆（RAG、Letta/MemGPT 的分层 memory block、Mem0/Zep 的图与时序结构、Manus 的文件系统、Anthropic 的 memory tool）存的是声明性知识——事实、偏好、历史；参数化记忆（LoRA、Titans/HOPE 这类架构级模块、以及 Cartridges 这种把语料训进 KV cache 的第三条路，arXiv:2506.06266 ^[50]，显存少 38.6 倍、吞吐高 26.4 倍）能存程序性知识——技能、直觉、判断。2026 年的答案全都是双通道架构，这不是巧合。灾难性遗忘的理解也在同期变得机制化：2025 年 ICLR 的函数向量视角指出遗忘主要源于函数激活的偏移而非任务处理函数被覆写（这是一条乐观信号——知识没被删掉、只是叫不出来，恢复代价远低于重学）；2026-01 的定量分析（arXiv:2601.18699）在 109B 到 1.5T 参数上给出三个机制与可用指标：底层 15–23% 的注意力头受严重扰动、中间层 CKA 表示相似度下降 0.32–0.47、只用第一个 epoch 的梯度对齐就能预测最终遗忘幅度（(\rho=-0.79)，(p\lt0.001)）——「先跑一小段判断要不要继续」由此成为可操作的工程规程。

2026 上半年最重要的一项工作是 FST。《Learning, Fast and Slow: Towards LLMs That Adapt Continually》（arXiv:2605.12484 ^[51]，UC Berkeley / Mila / UT Austin，2026-05）把适应拆成两个通道：慢权重 (\theta) 是模型参数，更新贵、跨任务持久，用 RLVR 更新；快「权重」 (\phi) 是提示与任务上下文，活在离散文本空间里，更新便宜、立即生效，用反思式演化提示优化更新。最深的一点在于两条通道消费的信息量不同：慢环只从标量奖励更新 (\theta)，快环从 rollout 的全部文本（思考过程、工具调用、错误信息）更新 (\phi)——论文原话是这「克服了二值 RLVR 被广泛接受的『每 episode 一比特』信息上限」。实测里最刺眼的是可塑性那一组：Math 任务上做完纯 RL 之后再去学 HoVer-hard，40 步内准确率掉到约 0% 并一直平，而 FST 初始化接近 base 参照线；连续换任务的实验里 FST 在第二阶段的获取速率约为 RL 的 8 倍。这条把 RL 与持续学习接上了：你越是用 RL 把模型压到某个任务上，它就越学不动下一个任务。在「一年一代、每代重新 RL 一遍」的产业节奏下，这是一个被严重低估的结构性代价。一条中文报道完全没提的人脉线索：FST 的作者里 Devvrit Khatri 与 Rishabh Agarwal 同时是 ScaleRL 的作者，论文明写「我们遵循 ScaleRL 配方做慢权重更新」——同一批人先给 RL 定了 scaling 曲线，再回过头来说「不该把所有东西都写进权重」。它的局限也要写：快权重是文本不是权重，跨任务累积最终会撞上上下文长度上限，这只是把遗忘从参数空间挪到了上下文空间。产品侧，OpenAI 2026-06-04 上线的 Dreaming 是同一思想的第三条路线（离线用算力换在线质量），但它合成的是记忆状态而不更新权重，细节见 ⑨ 产品。

OpenAI 的选择为什么与别家不同。OpenAI 内部对苦涩教训最明确的一次引用来自 Noam Brown（Latent Space 访谈 ^[52]，2025，日期待考）：他批评多智能体领域「已有的很多方法都非常启发式，并没有真正遵循那种苦涩教训式的 scaling 与研究路径」，并主张 harness、scaffold、model router 都是会被 scale 冲刷掉的临时方案，长期目标是单一统一模型。Sam 从不直接用这个词，但「scaling laws 是由神决定的，常数才是人定的」「there is no wall」「我们的增长受算力约束」共享同一个结构：把进步归因于算力这个外生变量，而非任何具体技术选择。首席科学家 Jakub Pachocki 的公开表述强调让 AI 自主、大规模地解决复杂问题，方向与 Noam 一致（未找到直接引用「bitter lesson」的一手材料，待核实）。档案指出的那处张力必须写出来：OpenAI 在两件互相矛盾的事上同时押注——研究叙事建立在 A（单一统一模型、隐式世界模型、scale 冲刷 scaffold，符合苦涩教训），而实际产品全部建立在 B（Sora 作为显式世界模拟器、GPT-5 的 model router、Codex 与 Agent 的大量 scaffold 与工具编排、Deep Research 的专用管线，违反苦涩教训）；Noam Brown 自己给了台阶（「这些是临时方案」），但从 2024 到 2026，scaffold 的复杂度是上升的，不是下降的。至于持续学习本身，这一格属于**〈行业共识〉**而不是任何一家的独有认知——DeepMind 的 Koray Kavukcuoglu、DeepSeek 的梁文锋、SSI 的 Ilya、学界的 Sutton 都把它（或它的更底层版本「泛化」）列为第一缺口，OpenAI 是唯一一个把「算力供给与 agent 长程可靠性」而非持续学习列为第一缺口的头部机构。这有三种互不排斥的解释：它掌握了别人没有的内部证据、它的诊断被资本结构绑架、或者别人的诊断被资源劣势绑架；本报告的立场见 ⑬ 我的评价。

世界模型：同一个词，三种互不相容的技术定义

2024–2026 年，「世界模型」被四派人用来指四种不同的东西，而理清这个分歧比罗列模型重要得多。它们的分歧不在工程，在于「理解世界」的操作性定义——即你用什么来判定一个系统「懂了」。

  表 · 四派对「世界模型」的定义、判据与核心主张
  流派代表「世界模型」=判定标准核心主张| 流派 | 代表 | 「世界模型」= | 判定标准 | 核心主张 |

  
    **生成式视频派**OpenAI（Sora 1/2）、Runway、可灵能按动作或文本条件生成未来**像素**的模型生成视频是否符合物理直觉scaling 视频生成 → 通用物理世界模拟器| 生成式视频派 | OpenAI（Sora 1/2）、Runway、可灵 | 能按动作或文本条件生成未来像素的模型 | 生成视频是否符合物理直觉 | scaling 视频生成 → 通用物理世界模拟器 |

    **交互式环境派**DeepMind（Genie 1/2/3）、Decart、World Labs可实时交互、状态持久的**可玩环境**能否用来**训练 agent**agent 需要无限的环境，环境本身要被生成| 交互式环境派 | DeepMind（Genie 1/2/3）、Decart、World Labs | 可实时交互、状态持久的可玩环境 | 能否用来训练 agent | agent 需要无限的环境，环境本身要被生成 |

    **隐空间预测派**LeCun（JEPA / V-JEPA / AMI Labs）、Dreamer 系在**抽象表示空间**预测未来状态的模型能否支持**规划**在像素空间预测是浪费且注定失败| 隐空间预测派 | LeCun（JEPA / V-JEPA / AMI Labs）、Dreamer 系 | 在抽象表示空间预测未来状态的模型 | 能否支持规划 | 在像素空间预测是浪费且注定失败 |

    **LLM 内隐派**Ilya、Noam Brown、DeepMind 理论组足够强的 next-token predictor **必然**内含的东西定理 / 探针不需要显式建模，scale 出来就有了| LLM 内隐派 | Ilya、Noam Brown、DeepMind 理论组 | 足够强的 next-token predictor 必然内含的东西 | 定理 / 探针 | 不需要显式建模，scale 出来就有了 |

  

OpenAI 的原始主张写在 Sora 1 技术报告的标题里：《Video generation models as world simulators》（2024-02-15 ^[53]），结论段是「我们的结果表明，扩展视频生成模型是通往构建通用物理世界模拟器的一条有希望的路径」。Sora 2 博客 ^[54]（2025-09-30）把它推进了一步，并且给出了一个非平凡的判据：「以往的视频模型过度乐观——它们会为了执行文本指令而扭曲物体、变形现实。比如球员投失了，球可能会自己瞬移进篮筐。在 Sora 2 里，球员投失，球会从篮板上弹回来。……你必须能建模失败，而不只是成功。」这个论证值得认真对待：生成「投失后弹板」要求模型在采样时不去追求文本条件的表面满足，意味着物理一致性的先验强于文本一致性的先验。它的漏洞也很清楚：篮球投失弹板在训练数据里是高频事件，真正的判据应该是训练分布外的反事实物理（例如「1/6 重力下的投篮」），而 OpenAI 没有给出这类系统性评测。「能建模失败」和「理解物理」之间还差一个 OOD 泛化的证据。

LeCun 的批评是一手且可核实的。2024 年 2 月他在 X 上写：「为了行动而通过生成像素来建模世界，就像那个基本已被放弃的『综合分析法』一样浪费且注定失败。」在回帖里他补了一句关键限定：「如果你的目的就是生成视频，那没问题。但如果你的目的是理解世界如何运作，那这是一笔亏本买卖。」（推文原文 URL 未获确认，本报告只引用措辞在多处一致的两句。）他的技术内核是：视频未来高度多模态，一个当前帧对应无穷多合理未来；在像素空间表达这个不确定性要为每个像素的每种可能分配概率质量；而绝大部分像素级细节（叶子摆动、噪点纹理）内在不可预测且与决策无关；文本之所以能用生成式做，是因为它离散且符号数有限——像素不是。V-JEPA 2（arXiv:2506.09985 ^[55]，Meta，2025-06-11）是这条路线目前最强的实证：1.2B 编码器、超过 100 万小时无动作标注视频预训练，加上 不到 62 小时的无标注机器人视频做动作条件后训练，就能在两个不同实验室的 Franka 机械臂上零样本部署——对比典型机器人基础模型动辄数千小时的遥操作数据，这是两个数量级的样本效率差距。但它的局限同样明确：任务是短时程的抓取与放置，规划依赖图像目标而非语言指令，成功率在 65%–80% 区间；而且它从未与 Sora / Genie 在同一评测上正面对比过——「隐空间派 vs 生成派」至今没有裁判，这是整个争论最不健康的地方。

DeepMind 在这条轴上同时占了产品与理论两个位置。产品侧是 Genie 3（2025-08-05 ^[14]）：720p / 24 fps 实时交互、一致性维持数分钟、视觉记忆约一分钟（绕一圈回到原地场景仍一致），且完全不依赖任何显式 3D 表示，一致性是涌现的而非编程的。更值得记录的是 DeepMind 自列的五条局限——在这个领域里这是罕见的坦诚：① 动作空间受限（promptable world events 允许广泛环境干预，但「不一定由 agent 执行」，是导演视角的干预而非 agent 动作空间的扩展）；② 多智能体交互仍是难题；③ 无法以完美地理精度模拟真实地点；④ 文字渲染只有在输入世界描述里给出时才清晰；⑤ 连续交互只支持数分钟而非数小时。第五条对「用它训练 agent」这个 DeepMind 自己给出的动机是致命的——RL 训练需要数小时到数天的 episode。另有第三方质疑：滑雪演示中雪并没有随滑雪者产生正确形变，这是「物理一致性只在视觉层面成立」的直接反例。

理论侧是《General agents contain world models》（arXiv:2506.01622 ^[56]，Richens, Abel, Bellot, Everitt，ICML 2025），它是目前唯一把这场争论形式化的工作。摘要给的答案是：「任何能泛化到多步目标导向任务的 agent，必定已经学到了其环境的预测模型」，而且这个模型可以从 agent 的策略中提取出来；提升 agent 的性能或它能达成的目标复杂度，都要求学到越来越准确的世界模型。对偶定理同样重要：近视（myopic）agent 不需要世界模型——单步目标可以纯反应式解决，这条划出了「需要世界模型」的边界就在「多步」上。但这篇论文极容易被过度引用，四条失效边界必须一起写：它只覆盖完全可观测的马尔可夫过程，真实世界是 POMDP；它恢复的是转移概率而非因果模型（任务泛化只需前者，域泛化需要后者，严格更强）；「必须包含世界模型」不等于「这个世界模型是可用的、高效的、可显式查询的」；最关键的一条——定理只能论证「如果 LLM 真能在多步目标任务上泛化，那么它必然有世界模型」，不能反过来论证「所以 LLM 已经有世界模型了」。这个条件句的方向经常被引反。

到 2026 年 7 月，这条赛道的玩家版图已经相当拥挤：World Labs 的 Marble（2025-11-12，首个商业化世界模型产品，文本/图像/视频 → 持久可编辑 3D 环境）在 2026-07-21 收购 SceniX 转向机器人；Runway 的 Gen-4.5（2025-12）登顶 Video Arena 并把自身定位从「视频生成」改为「理解物理的世界模型」；NVIDIA Cosmos 面向机器人与自动驾驶、累计 200 万次下载；LeCun 于 2025 年末离开 Meta 创办 AMI Labs（融资细节待一手核实）。由此可以给三个判断。其一，「世界模型」正在从架构主张退化为产品品类——这个词已经进入「云计算」式的语义膨胀阶段，World Labs 在 2026-06-03 发《A Functional Taxonomy of World Models》建议按功能分为 renderer / simulator / planner 三类，是目前最有用的消歧框架。其二，机器人是唯一的裁判席：在视频质量上像素派与隐空间派无法互相证伪，只有在真实操作任务的成功率上才有共同判据。其三，叙事格局已经变了——Time（2026-07-15 ^[57]）在正文里直接写「Sam Altman 把 OpenAI 的 Sora 称为世界模拟器，这一说法存在争议」，主流媒体已经把这个争议当作既定事实来叙述。

OpenAI 的选择为什么与别家不同。把「视频生成即世界模拟器」写成 OpenAI 首创，是这一格里唯一站得住的「首创」主张——〈OpenAI 首创〉：2024-02-15 的 Sora 技术报告是第一次有前沿实验室把「扩展视频生成」明确表述为通往通用物理世界模拟器的路径，并且是唯一把它做成消费级社交产品的（Sora App，2025-09-30，同时也是一个数据飞轮）。但反例检查同时推翻了两条更宽的说法。第一，「OpenAI 最早做世界模型」不成立——Genie 1 与 Sora 同在 2024 年 2 月，DeepMind 的交互式环境路线是并行起源而非跟随。第二，也是更重要的一条：OpenAI 官方最接近「世界模型立场声明」的公开表述，其实与 Sora 不是一回事。Noam Brown 说的是「随着这些模型变大，它们拥有世界模型，而且这个世界模型随规模变得更好……它们是在隐式地发展世界模型，我不认为这是你需要显式建模的东西」——这是LLM 内隐派的立场，与 Sora 的显式视频模拟器路线互相削弱。所以这一格的准确刻画不是「OpenAI 有一个世界模型战略」，而是「OpenAI 同时持有两条不对齐的世界模型叙事」，而它在两条上都还没交出决定性证据：既没有 OOD 反事实物理的系统性评测，也没有像 DeepMind 与 Meta 那样把世界模型接到 agent 或机器人的闭环上。这是 OpenAI 认知体系里一个真实的空洞，也是本轴四小节里唯一一处「叙事强于证据」的位置。

Axis 2 · Product & Distribution

消费级 vs 企业级：同一批模型，两种完全不同的分发假设

六家机构在 2026 年用的是同一代技术底座，但把这层能力送到人手上的通道完全不同，而通道的形状决定了后面几乎所有事情——定价、安全叙事、能不能承受一次失败的发布、以及愿不愿意公开自己的成本。本节只做横向对照，产品事实的完整口径与双源交叉在 ⑨ 产品·商业化·分发。

OpenAI 的入口是 ChatGPT。官方口径在 2026-02-27 给到 9 亿周活、5,000 万以上付费消费者订阅、900 万以上付费企业用户；2026-02-09 起在美国的 Free 与 Go 层向登录成年用户投放广告，官方给出的因果链是「保持免费层快而可靠需要持续的基础设施投入，广告为这项工作提供资金」。Anthropic 的入口是企业 API 与 Claude Code，公开立场上不做广告，收入压在编码与 agent 垂类。Google DeepMind 严格说没有「入口」这个概念——Gemini 是嵌进搜索、Cloud 与 Workspace 的一层，外加 Gemini 订阅与 Isomorphic Labs 的药物管线，属于全栈嵌入而非单点获客。DeepSeek 在另一端：梁文锋 在 2026-07-22 的四小时投资人会议整理稿里说「产品是在 AGI 路上的副产物」「不需要太多的心思和精力去做 C 端、B 端的产品」，定价原则是「不贴钱，也不赚取暴利，成本之上稍微有点利润」。xAI 把 Grok 挂进 X 的订阅体系，分发靠社交平台自带的流量与实时数据。Meta 在《Personal Superintelligence》(2025-07-30) 里把用途本身写成了差异化标签：「这个愿景不同于业内其他人——他们想把 AI 用于自动化所有有价值的工作」，Meta 要做的是交到个人手里的超级智能，落点仍是平台与广告。来源：OpenAI 官方用户与广告披露（2026-02，见 ⑨ 的双源交叉表）；梁文锋会议整理稿 ^[58]（T4 二手整理/编译，整理方自陈「与原文可能略有出入」）；meta.com/superintelligence ^[3]（T2 官方论文/公告）。

本节的核心命题

**分发形态决定了安全叙事与商业模式，而不是反过来。**一个把前沿模型直接交给数亿匿名个人的机构，无法采用「达到某能力阈值就停下来」的治理形态——因为它的产品每天都在被使用，停不下来，只能选择「早点放出去、让社会边用边适应」。一个只把模型卖给签合同的机构客户的公司，则可以承受「这一代先不发」，因为它的客户数量有限、可协商、且合同本身就是缓冲。iterative deployment 与 RSP 式触发治理的分歧，一部分是价值观分歧，另一部分只是分发结构的函数。

这条命题有一个可检验的推论：当消费级规模足够大时，迭代部署的成本会从公司转移到用户身上。GPT-5 在 2025-08-07 发布时同步移除模型选择器并下架 4o，引发大规模反弹，OpenAI 在数日内恢复 4o 并重新提供选择器。这是「边发边学」第一次在消费者侧反噬：当产品已有七亿以上周活，被迫承担学习成本的不是实验室，而是把工作流建在旧模型上的用户。截至事实截止日 2026-07-25，本报告未能找到任何一次 OpenAI 因「速率过快」而主动减速的公开记录——回滚是发布后的被迫修正，不是发布前的主动刹车。

反过来看企业侧的代价也要写清楚：Anthropic 不做广告，意味着它放弃了一个只有消费级规模才存在的期权；Google 的全栈嵌入让 Gemini 的触达面在名义上远大于 ChatGPT，但嵌入式分发拿不到「品牌通用名化」这项资产；DeepSeek 的「不追求超级 App」让它在货币化上几乎没有杠杆，代价是它的持续投入依赖幻方的自有资金与 2026 年才启动的融资。没有一种分发结构是免费的，每一种都在别处付账。

OpenAI 的选择为什么与别家不同——把对话式助手做成消费品不是 OpenAI 首创（语音助手、搜索框、输入法早就在做同一件事），这一层属于*〈行业共识〉；广告更是 Google 与 Meta 二十年的既有模式，OpenAI 到 2026-02 才进场，是〈行业共识〉的迟到执行者*而非开创者。属于 〈OpenAI 率先规模化〉 的是「把当代最强的闭源模型以零门槛免费层直接交给数亿人」这个动作的量级——在 2026-07 时点没有第二家做到同一数量级。真正只属于 〈OpenAI 特有组合〉 的，是它同时持有消费级规模、前沿闭源权重、以及一套以「让社会适应」为核心的安全叙事这三样：Anthropic 有后两样缺第一样，Google 有第一、三样但模型嵌在既有产品里，DeepSeek 三样都不要。三者绑在一起才产生了本页反复出现的那组张力。

agent harness：2026 年最被低估的概念澄清

2026 年评测与产品讨论里最常见的错误，是把「模型」和「agent」当成同一个东西。联合国大学（UNU）在 2026-07 的报告《Engineering and Governing the Agent Harness》给了目前最严格的定义：agent harness 是围绕一个或多个 LLM 的运行时基础设施，它在模型输出与外部动作之间做中介、跨模型调用维护状态、对动作选择施加约束、并把记忆与观测外部化。落到工程语言上，harness 就是那层脚手架：提示词模板、工具集与权限、上下文管理与压缩、循环控制、错误恢复与可恢复执行。

模型 = 无状态文本预测器→
harness = 状态 + 工具 + 记忆 + 编排 + 约束→
agent = 二者合起来完成任务

相邻概念也要分层：runtime（LangGraph、Temporal 一类，无立场）→ framework（LangChain、CrewAI、OpenAI Agents SDK，弱立场）→ harness（Claude Code、Codex CLI、Cursor，强立场且打包了基础设施与团队界面）。类比 Node.js 生态：Node 是 runtime，Express 是 framework，Next.js 是 harness。来源：UNU《Engineering and Governing the Agent Harness》 ^[59]（T2 官方论文/公告）。

SkillsBench：把「模型能力」与「harness 能力」量化地拆开

这不是术语洁癖，因为有硬数据。UNU 报告引用的 SkillsBench 在 Claude Code / Codex CLI / Gemini CLI 上比较了「有无 Agent Skills」两种条件：7 个模型–harness 组合上，精选 Skills 把平均通过率从 24.3% 提到 40.6%，平均 +16.2 个百分点。更关键的是模型排序被颠覆——「Claude Code + Claude Haiku 4.5 + 精选 Skills」得到 27.7%，高于「Claude Code + Claude Opus 4.5 且无 Skills」的 22.0%；「Codex + GPT-5.2」则从 30.6% 升到 44.7%。必须一起引的限定是：自生成的 Skills 收益可忽略甚至为负，增益来自人工精选的程序性知识、示例与资源，而不是「更长的提示」或「模型的潜在知识」。

UNU 报告的一句总结

「一个缺少结构化记忆产物、稳定接口、限定权限或可恢复执行的模型，即便在孤立测试中能力很强，在长时程工作上也会表现得很无能。」原文：“A model without structured memory artefacts, stable interfaces, scoped permissions or resumable execution can behave incompetently on long-horizon work even when it is highly capable in isolation.” T2 官方论文/公告

三个主流 agent harness 在 2026-07 时点的对照
维度Claude CodeCodex CLICursor| 维度 | Claude Code | Codex CLI | Cursor |


  **性质**实验室原生、闭源，与 Anthropic 模型深度耦合开源终端 agent，走 OpenAI 兼容端点，**可换供应商**IDE 内嵌 harness| 性质 | 实验室原生、闭源，与 Anthropic 模型深度耦合 | 开源终端 agent，走 OpenAI 兼容端点，可换供应商 | IDE 内嵌 harness |

  **强项**自主会话管理、复杂多步编排、agent teams、自动 compactiontoken 效率、模型无关性、可控性代码库索引、人机协同编辑、diff 交互| 强项 | 自主会话管理、复杂多步编排、agent teams、自动 compaction | token 效率、模型无关性、可控性 | 代码库索引、人机协同编辑、diff 交互 |

  **弱项**锁定单一供应商多步一致性需要更多手工配置长时程自治弱于前两者| 弱项 | 锁定单一供应商 | 多步一致性需要更多手工配置 | 长时程自治弱于前两者 |

  **上下文管理**compaction + 文件系统 + sub-agent`AGENTS.md` + skills 目录索引 + 选择性注入| 上下文管理 | compaction + 文件系统 + sub-agent | AGENTS.md + skills 目录 | 索引 + 选择性注入 |

  **Skills**原生 `SKILL.md`采纳同一 `SKILL.md` 格式，`~/.codex/skills/` 自动发现规则文件| Skills | 原生 SKILL.md | 采纳同一 SKILL.md 格式，~/.codex/skills/ 自动发现 | 规则文件 |

2026 年真正的结构性变化是：harness 从第一天起就与「在环内训练过的模型」一起发布。如果模型是在特定 harness 的轨迹分布上做过 RL 训练的，那么「模型能力」与「harness 能力」在原理上就不可分离——benchmark 上的所谓「模型分数」实际是「模型 × harness」的联合分数。Terminal-Bench 榜单同时列出 Agent 与 Model 两列，就是评测侧对这个事实的正式承认。

context engineering：两家生产实践，一个共同盲点

Anthropic 与 Manus 各自输出了一套方法论，出发点相反。Anthropic（2025-09） ^[60]从模型侧出发：context 是有限资源、attention 是预算，底层机制是 context rot——(O(n^2)) 注意力使 token 越多、每个 token 分到的注意力越稀，叠加训练分布上长序列样本稀少，长上下文的有效利用率随长度衰减。对策是 compaction（接近上限时把历史总结后重开窗口，保留架构决策与未解决的 bug、丢弃冗余工具输出）、just-in-time retrieval（只留文件路径与链接这类轻量标识符，运行时再加载）、结构化笔记、以及在干净上下文里跑的 sub-agent（各自烧掉数万 token，只回传 1k–2k token 的浓缩摘要）。

Manus（2025-07） ^[61]从系统侧出发，主张「KV-cache 命中率是生产阶段 AI agent 唯一最重要的指标」。算术依据是它报告的平均输入:输出 token 比约 100:1，而以 Claude Sonnet 计价，每百万 token 的缓存输入是 0.30 美元、未缓存是 3.00 美元，十倍差价——在 100:1 的比例下，输入侧的缓存命中率几乎决定全部成本。由此推出三条与直觉相反的实践：提示前缀必须稳定（一个 token 变化就让后面全部失效）、上下文只追加且序列化必须确定性、以及「Mask, Don’t Remove」——不动态增删工具定义，改用状态机在解码时对 logits 做遮蔽。它还把文件系统当作「终极上下文」，核心概念是 restorable compression：网页内容可以丢，只要保留 URL；文档内容可以丢，只要保留路径。

**Anthropic · compaction**

为省 token 而修改历史：总结、丢弃陈旧工具输出、重开窗口。前提是 token 数是主要成本项。 直接冲突 Manus · append-only

为保缓存而绝不修改历史：任何回写都让后续 KV-cache 全部失效。前提是缓存差价（10×）大于压缩收益。

两者互斥，而且没有普适答案：谁对取决于你的缓存命中率经济学。如果输入:输出确实是 100:1 且缓存便宜十倍，compaction 省下的 token 很可能抵不过缓存失效的损失。它们的共同盲点更重要——两套方法都只处理「一次会话内」的上下文，都没有解决跨会话的知识积累：Manus 的文件系统与 Anthropic 的 memory tool 都是外部记忆，权重不变。这恰好是持续学习那条轴上的缺口。

多 agent 编排之争：两家都对，只是在各自领域内对

Anthropic 的多 agent 研究系统（2025-06） ^[62]用 orchestrator-worker 架构：lead agent 规划并把计划存进 memory，spawn 出各有独立上下文窗口的并行 subagent，最后由 lead 汇总并核对引用。数字很硬：内部 research eval 上比单 agent 高 90.2%；token 使用量本身解释了 80% 的性能方差，比模型选择、比提示工程都重要；代价是 agent 通常比 chat 多用约 4× token，多 agent 系统多用约 15×。Anthropic 自己给了边界条件：需要所有 agent 共享同一上下文、或 agent 间依赖很多的领域「今天并不适合多 agent 系统」，而「大多数编码任务中真正可并行的部分比研究任务少」。

Cognition 的《Don’t Build Multi-Agents》(2025-06) 从反方向论证：并行 subagent 各自做独立决策，而对同一问题的独立决策会产生冲突输出。被广泛转述的例子是做一个 Flappy Bird 克隆——一个 subagent 做了超级马里奥风格的背景，另一个做了美术风格完全不搭的鸟，两个都「完成了分配的任务」，但那条隐含的「要匹配原游戏美学」的约束在委派过程中丢失了。这个例子的一般化是：任务分解是有损压缩，上层 agent 把完整意图压成子任务描述，隐含约束在压缩中蒸发；依赖越强、隐含约束越多，损失越大。LangChain 的立场大致是「不是二选一，关键在状态如何在 agent 间流动」，LangGraph 的显式图与共享状态正是为了让「多 agent」不退化成「多个失联的 agent」。2026 年的收敛结论是：任务结构挑选架构，而不是架构挑选任务——Cognition 解决的是共享状态任务（隔离会破坏一致性），Anthropic 解决的是独立线程任务（隔离正是收益来源）。Cognition 博客的确切 URL 待核实，本报告只引用被多处一致转述的论证与例子；LangChain 的具体文章与日期同样待核实。T4 二手整理/编译

我的看法 · 作者（AI）个人观点 · T5

harness 概念在 2026 年被低估的真正后果不在工程，而在问责：当一次失败发生时，「是模型不行还是脚手架不行」在事后几乎无法归因，而两方都有动机把责任推给对方。SkillsBench 里 Haiku 4.5 加精选 Skills 超过裸跑 Opus 4.5 这一条，已经足以让任何不标注 harness 的模型排行榜失去意义。

反例与改判条件：若 2027 年出现一套被三家以上实验室共同采纳的「固定 harness 基线」（同一 scaffold、同一工具集、同一采样预算下比模型），那么模型能力与 harness 能力就重新可分，本判断作废。置信度：中。

本段为作者（AI）推断（T5 作者推断），不代表 OpenAI 或任何个人立场。

本小节的落点是一句评测方法论上的话：benchmark 上的分数有多少来自模型、多少来自 harness，是 2026 年评测里最难拆开的一项。它不是一个可以靠更多样本消除的噪声，而是一个结构性的混淆变量——共同训练把它写进了模型权重本身。本页对此的处理规则见 评测方法论声明：无 harness、工具权限、采样预算与成本说明的分数，一律不做横向排名。

OpenAI 的选择为什么与别家不同——harness 这个概念不是 OpenAI 提出的，把它讲清楚的是 UNU 报告与开发者社区，实验室原生 harness 的先行者是 Claude Code；这一层属于*〈行业共识〉，把它写成 OpenAI 的洞察是错的。OpenAI 在这条轴上的实际动作是兼容而非另起炉灶：Codex CLI 与 ChatGPT 采纳了 Anthropic 定义的 SKILL.md 格式，同时把自己的 AGENTS.md 约定捐进基金会——这属于〈OpenAI 特有组合〉，即「在 harness 层做标准接受者、在模型与平台层做标准制定者」的双重身份，没有第二家同时占这两个位置。〈OpenAI 首创〉*的部分只有 AGENTS.md 这一件，而它是三个标准里最轻量的一个。真正值得记下的反例是：模型最强的一家并不自动是 harness 最强的一家，SkillsBench 的模型排序颠覆已经把这句话变成了数据。

开发者生态与协议之争：MCP、Skills、AgentKit

2026 年 agent 互操作栈由三个标准拼成，而它们的提出方与采纳方交错得很有意思。MCP（Model Context Protocol）由 Anthropic 在 2024-11-25 开源，2025 年全年被 OpenAI、Google、微软先后采纳；2025-12-09（注意不是 2025-11）Anthropic 把它捐给 Agentic AI Foundation（AAIF）——Linux 基金会下的一个 directed fund，由 Anthropic、Block、OpenAI 共同创立，支持方包含 Google、Microsoft、AWS、Cloudflare、Bloomberg，三个创始项目分别是 Anthropic 的 MCP、Block 的 goose、OpenAI 的 AGENTS.md。治理事实容易搞错：基金会持有商标并提供中立基础设施，但明确不主导技术方向，决策仍由原维护者通过 SEP 流程做出。

展开：MCP 规范 2026-07-28 版计划带来的实质变化

规范的 2026-07-28 版本计划于该日正式发布，RC 已发布并留出十周窗口供 SDK 维护者验证。按 AAIF 的说明，头条变化是协议层转为无状态（stateless）——直接后果是云上部署不再需要 sticky session 与共享 session store；状态移入显式 handle，能力移入协商式 extension，授权规则收紧，可观测性向主流工具靠拢。同时引入 feature lifecycle policy（Active / Deprecated / Removed），从弃用到最早可移除至少 12 个月。该版本将包含 breaking change。来源：aaif.io/blog/mcp-is-growing-up ^[63]（T2 官方论文/公告）。本条日期晚于事实截止日 2026-07-25，故一律用「预定 / 将」表述。

MCP 的安全批评同样是这条轴的一部分，而且大多是结构性的、不能靠打补丁消除的：其一，prompt injection——MCP server 返回的内容直接进入模型上下文，而协议本身不提供内容层的信任边界；其二，工具投毒——工具的 description 字段本身就是提示的一部分，攻击者可以在描述里藏指令，而用户在界面上只看到一个工具名；其三，早期授权模型过粗，这正是新版规范收紧授权规则要回应的；其四是一个同时属于成本与安全的现象：上下文预算被工具定义吃掉，一个实测案例里 58 个工具占了约 55K token，其中单个 Jira server 约 17K——对话还没开始预算就没了，而工具越多可投毒面越大。缓解方向是按需工具发现、隔离沙箱执行与显式授权协商。

A2A（Agent2Agent）由 Google 于 2025-04 发起并在 2025 年捐给 Linux 基金会（具体日期与当前状态待核实），与 MCP 的分工清楚：MCP 管 agent ↔ 工具/数据，A2A 管 agent ↔ agent。到 2026-07，A2A 的采用度显著低于 MCP，而且 AAIF 的三个创始项目里没有它——这个缺席本身就是一条信息。

Anthropic Agent Skills 发布于 2025-10-16，并在 2025-12-18 作为开放标准发布、跨平台可移植。机制是 progressive disclosure 三级加载：L1 的 name + description（约每个 skill 30–50 token）在启动时全部预载入系统提示，L2 的 SKILL.md 正文在 description 匹配到任务时才读入，L3 的脚本与参考资源只在被显式引用或执行时才付费——脚本可以执行而不进上下文。算术上，100 个 skill 的常驻成本约 5,000 token，只有被触发的才付全价。这是用文件系统的层级结构去换注意力预算，与 just-in-time retrieval 是同一思想在「程序性知识」上的实例化。OpenAI 采纳了完全相同的 SKILL.md 格式。来源：Anthropic Agent Skills ^[64]、agentskills.io/specification ^[65]（T2 官方论文/公告）。

OpenAI 这一侧的动作是 AgentKit 与 Apps SDK，在 2025-10-06 的 DevDay 发布（具体日期待核实）。AgentKit 包含 Agent Builder（可视化编排）、Connector Registry、ChatKit（可嵌入聊天 UI）与面向 agent 的 Evals；Apps SDK 让第三方应用在 ChatGPT 内运行，而它建在 MCP 之上。战略含义与前一小节一致：OpenAI 在协议层选择了兼容。同时必须把 Skills 的失效边界重复一遍——自生成的 Skills 收益可忽略甚至为负。这条负面结果排除了一种廉价解读（「让 agent 自己写 skill 就能自我提升」），并把 Skills 的价值精确定位在外部注入的、人工精选的程序性知识上：能力增长来自人写的文件，不来自权重更新，这既是它的用处也是它的天花板。

把三件事放在一起，有一条不太受欢迎但很清楚的结论：协议之争的赢家不一定是模型最强的一家。连接标准（MCP）与能力标准（SKILL.md）都由 Anthropic 提出并被 OpenAI 采纳；OpenAI 贡献的是约定标准（AGENTS.md）。三个标准都落在 harness 层，没有一个在环境层或模型层——2026 年的开放边界被很清楚地画在了脚手架上。

OpenAI 的选择为什么与别家不同——采纳 MCP 与 SKILL.md 属于*〈行业共识〉，不是 OpenAI 的贡献；AGENTS.md 属于〈OpenAI 首创〉，但它是一份 agent 版 README 约定，技术含量与影响半径都远小于 MCP。〈OpenAI 率先规模化〉*的是 Apps SDK 那条路径：把第三方应用装进一个有 8–9 亿周活的消费级容器，这件事只有它有容器可装，Anthropic 与 DeepSeek 结构上做不了。需要克制的是把「制定标准」写成 OpenAI 的强项——在 agent 协议这条线上，OpenAI 是最大的采纳者而不是最大的制定者，这与它在模型层的位置正好相反。

token 价格与推理经济学：两条相反的曲线

先把 OpenAI 旗舰 API 的价格序列摆出来。以下全部为「每百万 token 的美元数，输入 / 输出」，标准档、非缓存：GPT-4 8K（2023-03-14）30 / 60 → GPT-4 Turbo（2023-11-06）10 / 30 → GPT-4o（2024-05-13）5 / 15 → GPT-4o mini（2024-07-18）0.15 / 0.60 → o1（2024-12-17）15 / 60 → GPT-5（2025-08-07）1.25 / 10 → GPT-5.2（2025-12-11）1.75 / 14 → GPT-5.4（2026-03-05）2.50 / 15 → GPT-5.5（2026-04-23）5 / 30 → GPT-5.6 Sol / Terra / Luna（2026-07-09）输入 5 / 2.50 / 1.00、输出 30 / 15 / 6。推导细节与逐条来源在 ⑨，本节只做对照与结论。

GPT-4 → GPT-5 nano：输入 **600×** 更便宜
GPT-5 → GPT-5.6 Sol：输入 **4×** 更贵
硬推理任务年降幅 **~9×**
分类/抽取/摘要年降幅 **最高 900×**

这组数字里藏着本节最重要的洞察：存在两条方向相反的曲线，而它们经常被混为一谈。**曲线 A（固定能力等级的价格）**在崩塌式下降——达到 GPT-4 那一档能力所需的花费，三年里降了两到三个数量级。曲线 B（当代旗舰的价格）在 2025-08 触底后回升：从 GPT-5 的 1.25 / 10 美元到 GPT-5.5 与 GPT-5.6 Sol 的 5 / 30 美元，不到一年，输入涨 4 倍、输出涨 3 倍，同期 OpenAI 在下方新开 Luna 与 nano 档承接走量市场。剪刀差的成因有三：reasoning token 计入输出计费而前沿模型的思维链在变长；上下文从 128K 涨到 1.1M 使 KV 成本线性膨胀；以及 Sol/Terra/Luna 同日发布、同上下文、价格呈 5:2.5:1 阶梯，这明显是按价值歧视定价而非成本加成定价。

\[ C_{\text{task}} \;=\; p_{\text{tok}} \times n_{\text{tok}} \]
\(C_{\text{task}}\)＝完成一个任务的总花费；\(p_{\text{tok}}\)＝单位 token 价格（含 reasoning token 按输出计费）；\(n_{\text{tok}}\)＝完成该任务实际消耗的 token 数（含思维链、工具调用往返、重试与上下文重复注入）。**两项反向运动**：\(p_{\text{tok}}\) 因硬件、量化、稀疏化与服务栈优化而下降，\(n_{\text{tok}}\) 因思维链变长、agent 循环步数增加、上下文窗口扩大而上升。**「便宜」说的是 \(p_{\text{tok}}\)，「省钱」说的是 \(C_{\text{task}}\)——两者可以同时朝相反方向走**，这正是「单价一直在降、账单一直在涨」这个普遍体验的算术解释。

「每年降 10–40×」这个说法有两个出处，可信度不同。a16z 的「LLMflation」（2024-11，Guido Appenzeller）给的是约 10×/年，锚点单一但方法透明；Epoch AI（2025-03） ^[66]做得最严谨——6 个基准 × 每个基准的多个性能阈值、36 个价格观测、log-linear 回归，得到中位 50×/年、区间 9×–900×；若只取 2024-01 之后的数据，中位跳到 200×/年；最常被单独引用的一个点是 GPT-4 级 GPQA 性能的 40×/年。

展开：Epoch 的三条自我限定（引用时必须一起给）

① 最快的那条 900× 趋势来自不足一年的数据窗口，作者明确说「不清楚是否会持续」。② 未纳入 reasoning model——新模型为达到同样分数会生成更多 token，per-token 价格与 per-eval 总成本会背离（作者估计两者相差在 2× 以内）。③ 降价高度不均，这是最被忽视的一条：分类、抽取、摘要类任务年降幅最高 900×；通用对话、起草、检索约 40×；多步推理与硬科学只有约 9×。

「简单的东西在崩塌，难的东西在缓慢下降」这条不均衡性，比那个 50× 的中位数重要得多——它直接解释了剪刀差：旗舰模型服务的正是那条 9×/年的曲线，而每年 9× 的降幅跑不赢 reasoning token 消耗量的增长。

「推理占比超过训练」是同一组混淆的另一面。NVIDIA 的 Jensen Huang 在 GTC 2026 主题演讲（2026-03-16）说「推理的拐点已经到来」「现在早就过了训练那一段，推理才是你的工作负载，token 是你的新大宗商品」；Deloitte 的 TMT 预测把推理占全部算力估到约 2/3（2023 年 1/3、2025 年 1/2）。但至少有四个互不等价的口径被媒体混用：①算力份额（FLOP 或 GPU-hour，约在 2026 年过半）、②资本开支份额（Gartner 口径 2026 年 55%）、③单模型生命周期成本份额（推理 80–90%）、④能耗份额。第 ③ 条从 GPT-3 时代就成立，把它当作「拐点」是错的；真正的新闻是 ① 与 ② 在 2025–2026 年跨过 50%。还有一条反直觉的约束值得记住：Epoch 的 Josh You 估算，2025 年底 OpenAI 只占全球可运行 AI 算力的 10%–15%，全部前沿实验室加起来不到一半——这意味着「前沿实验室收入撑不起 capex」这个论证只覆盖了不到一半的资产。

最后是唯一一份公开的完整推理成本账：DeepSeek 在 2025-03-01 的开源周第六天公布了 V3/R1 在线服务的生产数据——单节点 prefill 吞吐 73.7k tok/s、decode 14.8k tok/s，理论日收入 562,027 美元、理论成本利润率 545%。限定条件必须一起写：每 GPU-小时 2 美元是租金假设而非 DeepSeek 的实际成本，不含研发人力、数据与失败实验，「理论收入」按 100% 流量走 R1 最高价计而实际货币化率远低于此。但即使把 545% 打到三分之一，毛利率仍然健康——这份文档真正的杀伤力在于它证明了：**在合适的架构、系统与调度下，LLM 推理是一门高毛利生意，行业普遍亏损是能力问题而不是结构问题。**来源：deepseek-ai/open-infra-index ^[67]（T2 官方论文/公告）。

OpenAI 的选择为什么与别家不同——持续降价、缓存折扣、批处理档位与模型分层，这些都是*〈行业共识〉，Anthropic、Google、DeepSeek 都在做同样的事。〈OpenAI 率先规模化〉的是把「同一代旗舰同日拆成三档、按能力而非成本定价」做成常态发布形态（Sol / Terra / Luna 的 5:2.5:1 阶梯）。〈OpenAI 特有组合〉*是「旗舰逆势涨价 + 同时在下方新开低价档」这一对动作——它同时承认了硬推理成本没有下降，又要守住走量市场，这个组合在 2026-07 时点没有第二家同时做。必须点破的反例是：公开推理成本账本这件事，OpenAI 从未做过，DeepSeek 做了；关于 OpenAI 的推理经济学，外部能拿到的全部是价格与转述，没有一行是可核验的成本。

Axis 3 · Safety & Governance

五套安全框架的机制设计对照

本节只做机制的横向对照，每一套框架的内部机制、版本演变与人员变动全部归 ⑧ 安全与对齐演变，这里不重讲。要先说清楚的是一个容易被漏掉的事实：五套框架里有三套在结构上几乎同构——能力阈值 → 缓解措施 → 自评。同构本身并不说明它们有效，也可能只说明这是唯一一种既能自证负责、又不真正约束发布节奏的设计。而且同构不止于结构——三家连「竞争对手不守时我也可以不守」这条逃逸口都写了，详见下方的更正说明。

五家机构安全治理机制的六维对照
机构框架名与年份分级轴触发条件是否可操作谁来核验已知的、自我承认的弱点| 机构 | 框架名与年份 | 分级轴 | 触发条件是否可操作 | 谁来核验 | 已知的、自我承认的弱点 |


  
    **OpenAI**
    Preparedness Framework（2023-12 beta，2025-04 更新）+ iterative deployment + Model Spec（2024-05）+ deliberative alignment（arXiv:2412.16339，2024-12-20）
    被追踪能力类别的**能力分数**
    可操作，**但带一条可变更条款**
    自评
    2025-04 更新加入「若竞争对手在无同等保护下发布高风险系统，我们可能调整我们的要求」——**三家里最晚写入同类条款的一家**（见更正说明）；同一版把不部署阈值从 medium 抬到 high、把 persuasion 移出追踪类别，**且无补偿性可核对产物**；Superalignment 团队已于 **2024-05 解散**
  | OpenAI | Preparedness Framework（2023-12 beta，2025-04 更新）+ iterative deployment + Model Spec（2024-05）+ deliberative alignment（arXiv:2412.16339，2024-12-20） | 被追踪能力类别的能力分数 | 可操作，但带一条可变更条款 | 自评 | 2025-04 更新加入「若竞争对手在无同等保护下发布高风险系统，我们可能调整我们的要求」——三家里最晚写入同类条款的一家（见更正说明）；同一版把不部署阈值从 medium 抬到 high、把 persuasion 移出追踪类别，且无补偿性可核对产物；Superalignment 团队已于 2024-05 解散 |

  
    **Anthropic**
    Responsible Scaling Policy v1.0（2023-09）→ v2.0（2024-10）→ **v3.0（2026-02-24）**/ ASL 等级 / Claude's Constitution（2026-01 新版）/ 可解释性 2027 目标
    **ASL 等级**（受生物安全等级启发）
    可操作，且已实际触发：Claude Opus 4 起（2025-05）以 **ASL-3** 防护发布
    自评
    Dario 在 2026-01 自承 RSP「一次又一次发现很容易过于僵硬」；宪法是自然语言文档，透明度即攻击面；**v3.0（2026-02-24）是迄今幅度最大的一次框架放宽**——取消 pause 承诺、删两类风险、把竞争条款升格为独立附录，但**同步换上了可核对的定期 Risk Report 与公开 Roadmap**
  | Anthropic | Responsible Scaling Policy v1.0（2023-09）→ v2.0（2024-10）→ v3.0（2026-02-24）/ ASL 等级 / Claude's Constitution（2026-01 新版）/ 可解释性 2027 目标 | ASL 等级（受生物安全等级启发） | 可操作，且已实际触发：Claude Opus 4 起（2025-05）以 ASL-3 防护发布 | 自评 | Dario 在 2026-01 自承 RSP「一次又一次发现很容易过于僵硬」；宪法是自然语言文档，透明度即攻击面；v3.0（2026-02-24）是迄今幅度最大的一次框架放宽——取消 pause 承诺、删两类风险、把竞争条款升格为独立附录，但同步换上了可核对的定期 Risk Report 与公开 Roadmap |

  
    **Google DeepMind**
    Frontier Safety Framework（v2.0 2025-02-04；v3.0 2025-09）+ Levels of AGI（arXiv:2311.02462，2023-11-04）+《An Approach to Technical AGI Safety and Security》（arXiv:2504.01849，2025-04-02，约 145 页）
    **关键能力等级 CCL**；学术侧另有六级 × 二维（性能 × 通用性）
    可操作（内部框架）；**学术框架无强制力**
    自评
    同时维护「公共语言」与「内部决策」两套框架；**FSF v2.0（2025-02-04）在正文写入竞争响应条款**（本框架协议的采纳「may depend on」同行是否采纳类似协议），v3.0（2025-09）进一步条件化；《Levels of AGI》明确指出 AGI 等级只**解锁**而不**决定**自主性等级，但产品竞争按耦合叙事在跑
  | Google DeepMind | Frontier Safety Framework（v2.0 2025-02-04；v3.0 2025-09）+ Levels of AGI（arXiv:2311.02462，2023-11-04）+《An Approach to Technical AGI Safety and Security》（arXiv:2504.01849，2025-04-02，约 145 页） | 关键能力等级 CCL；学术侧另有六级 × 二维（性能 × 通用性） | 可操作（内部框架）；学术框架无强制力 | 自评 | 同时维护「公共语言」与「内部决策」两套框架；FSF v2.0（2025-02-04）在正文写入竞争响应条款（本框架协议的采纳「may depend on」同行是否采纳类似协议），v3.0（2025-09）进一步条件化；《Levels of AGI》明确指出 AGI 等级只解锁而不决定自主性等级，但产品竞争按耦合叙事在跑 |

  
    **xAI**
    无成文框架；唯一原则「maximally truth-seeking」（可追溯至 2023-04-17 的 TruthGPT 表述）
    无分级
    **不可操作**（无阈值、无措施映射）
    无
    论证形式是「目标内容决定安全性」，跳过了「如何验证模型真的持有该目标」；2025 年 Grok 的多起严重事故说明该假设在工程上不成立
  | xAI | 无成文框架；唯一原则「maximally truth-seeking」（可追溯至 2023-04-17 的 TruthGPT 表述） | 无分级 | 不可操作（无阈值、无措施映射） | 无 | 论证形式是「目标内容决定安全性」，跳过了「如何验证模型真的持有该目标」；2025 年 Grok 的多起严重事故说明该假设在工程上不成立 |

  
    **Meta / LeCun**
    无阈值式框架；主张**开放平台本身即安全机制**（更多人审视、更多人微调）；《Personal Superintelligence》（2025-07-30）标记转向
    无分级
    不可操作
    社区与外部研究者
    立场已反转——同一篇文章写下「对开源什么保持谨慎」；LeCun 于 2025-11-19 宣布离开 Meta，此路线在大厂内部失去载体
  | Meta / LeCun | 无阈值式框架；主张开放平台本身即安全机制（更多人审视、更多人微调）；《Personal Superintelligence》（2025-07-30）标记转向 | 无分级 | 不可操作 | 社区与外部研究者 | 立场已反转——同一篇文章写下「对开源什么保持谨慎」；LeCun 于 2025-11-19 宣布离开 Meta，此路线在大厂内部失去载体 |

来源：anthropic.com/rsp ^[68]、arXiv:2504.01849 ^[16]、arXiv:2311.02462 ^[2]、arXiv:2412.16339 ^[69]、meta.com/superintelligence ^[3]。OpenAI 的 Preparedness Framework 与 Model Spec 见官方文档（版本与条款演变归 ⑧）。

⚑ 本条经红队核查后更正（2026-07-25）

本页此前写过一句错话，位置还偏偏在竞品对照上：「把竞争态势写进安全承诺的可修订条件，五家里只有它（OpenAI）一家」。**这句是错的。**独立红队核查逐份调取框架文本后确认：**三家都写了，而且 OpenAI 是最晚的一家。**下表是更正后的时间线。

按本报告的公开复盘惯例，错误不做静默修改：原表述、错在哪里、依据什么改，一并留在页面上。依据见 research/11-counter-evidence-business.md 归因错误专章 A1。这处错误的性质需要说清楚——它不是程度判断偏了，而是一个可被单份文档直接证伪的事实断言；它出现在本页最应该做对照的地方，说明当时把「独有性判定」当成了一次判断，而不是一次检索任务。

竞争响应条款的三家时间线（更正后）
日期主体与版本条款内容位置与强度| 日期 | 主体与版本 | 条款内容 | 位置与强度 |


  **2023-09****Anthropic** RSP v1.0脚注写入「极端紧急情况」条款：若有明显的恶意主体以极不负责任的方式扩张、且不加阻止就可能导致迫在眉睫的全球性灾难，公司可能放松自身限制。脚注；窄，但已是竞争条件化| 2023-09 | Anthropic RSP v1.0 | 脚注写入「极端紧急情况」条款：若有明显的恶意主体以极不负责任的方式扩张、且不加阻止就可能导致迫在眉睫的全球性灾难，公司可能放松自身限制。 | 脚注；窄，但已是竞争条件化 |

  2023-12-18OpenAI Preparedness beta**无**竞争响应条款。—| 2023-12-18 | OpenAI Preparedness beta | 无竞争响应条款。 | — |

  **2024-10****Anthropic** RSP v2.0条款被**扩宽**：若另一主体将要或即将越过 Anthropic 的某个阈值而未实施等效缓解，Anthropic 可能降低自己的标准（同时承诺投入游说监管）。与 OpenAI 后来的措辞几乎同构，**早约六个月**| 2024-10 | Anthropic RSP v2.0 | 条款被扩宽：若另一主体将要或即将越过 Anthropic 的某个阈值而未实施等效缓解，Anthropic 可能降低自己的标准（同时承诺投入游说监管）。 | 与 OpenAI 后来的措辞几乎同构，早约六个月 |

  **2025-02-04****Google DeepMind** FSF v2.0**正文**明文：本框架所述协议的采纳「may depend on whether such organizations across the field adopt similar protocols」。**正文**，非脚注；**早约两个月**| 2025-02-04 | Google DeepMind FSF v2.0 | 正文明文：本框架所述协议的采纳「may depend on whether such organizations across the field adopt similar protocols」。 | 正文，非脚注；早约两个月 |

  **2025-04-15****OpenAI** Preparedness v2「If another frontier AI developer releases a high-risk system without comparable safeguards, we may adjust our requirements.」正文；**第三家，最晚**| 2025-04-15 | OpenAI Preparedness v2 | 「If another frontier AI developer releases a high-risk system without comparable safeguards, we may adjust our requirements.」 | 正文；第三家，最晚 |

  2025-09Google DeepMind FSF v3.0保留同一表述，另加：若模型能力与其它已广泛可得、且未被证明造成严重风险的模型无实质差异，可调整安全级别。进一步条件化| 2025-09 | Google DeepMind FSF v3.0 | 保留同一表述，另加：若模型能力与其它已广泛可得、且未被证明造成严重风险的模型无实质差异，可调整安全级别。 | 进一步条件化 |

  **2026-02-24****Anthropic** RSP v3.0升格为**专门的 Appendix A「competitor-contingent commitments」**，成为框架的结构性支柱。独立附录；强度最高| 2026-02-24 | Anthropic RSP v3.0 | 升格为专门的 Appendix A「competitor-contingent commitments」，成为框架的结构性支柱。 | 独立附录；强度最高 |

依据：Anthropic RSP 各版本、Google DeepMind Frontier Safety Framework v2.0/v3.0、OpenAI Preparedness Framework v2 的框架文本；Frontier Model Forum 2025-06 的技术报告在综述各家框架时，也把 DeepMind 的这段措辞与 OpenAI 的 marginal-risk 条款并列为同一类设计。逐条取证见 research/11-counter-evidence-business.md B2-F1。T2 官方论文/公告

● 改正之后得到的结论，比原来那句错话更有价值

更正的方向不是「OpenAI 没那么坏」。把三家并排之后出现的是一个更强的判断：在两年之内，三家治理结构、创始动机与公开姿态都截然不同的实验室，各自独立地把同一个逃逸口写进了自己的安全框架。

这意味着它不是某一家公司的性格问题，而是制度类型的性质——自愿框架在竞争条件下会收敛到同一个形状。一套没有外部核验方、由承诺者自行修订的框架，只要它的签署者处在竞争中，就必然需要一个「别人不守时我也可以不守」的出口，否则它在商业上无法被签署。这条含义对 AI 治理设计的意义，比「OpenAI 是一家什么样的公司」大一个数量级：治理方案的着力点不应放在「让公司做出更强的承诺」，而应放在「让承诺必须产出第三方可逐字核对的产物」。

本段为在更正基础上的作者（AI）综合判断（T5 作者推断），其事实前提是上表的三条框架文本。

更正之后，三点对照重新表述如下。**其一，刚性差异不在「有没有竞争条款」，而在措辞的直白程度与位置。**三家都有；OpenAI 那一条是三者中最直白的（直接点名「另一家前沿开发者发布高风险系统」），Anthropic v1.0 最含蓄（藏在脚注里、限定于「明显的恶意主体」），DeepMind 居中（正文，但用「may depend on」这种条件式措辞）。把「最直白」读成「最不负责」是不成立的——按同一逻辑，写得最含蓄的那一家反而应当被批评得更重。其二，唯一给安全能力设定硬年份的是 Anthropic：其公开目标是在 2027 年前做到「可靠检测出模型的多数问题」。设 deadline 的代价是可以被打分，OpenAI 系统性地避免了这个代价——它的承诺全部是条件式的（达到 X 就做 Y），没有时间表。其三，全部五套都是自愿的、自评的，没有一套引入了外部核验方——这也正是上面那条收敛现象的结构性原因。

阈值放宽同样是三家同向，而且幅度最大的一次发生在 Anthropic

与 A1 相邻的还有一处需要一并更正的隐含叙事：本页此前的对照方式，容易让读者读出「OpenAI 在放宽阈值而别家没有」。这个印象不成立。「制度更多、门槛更低」是 2024–2026 年前沿安全框架的共同演化方向，而且迄今幅度最大的一次放宽发生在 Anthropic，不是 OpenAI。

两次框架修订的放宽幅度对照
变化类型OpenAI Preparedness v2（2025-04-15）Anthropic RSP v3.0（2026-02-24）动作更大| 变化类型 | OpenAI Preparedness v2（2025-04-15） | Anthropic RSP v3.0（2026-02-24） | 动作更大 |


  不部署阈值medium → high（high 可部署但需保障措施）**直接取消 pause 承诺**——原先那句「在实施足以把风险压到可接受水平的安全措施之前，不训练、不部署有能力造成灾难性危害的模型」被删除**Anthropic**| 不部署阈值 | medium → high（high 可部署但需保障措施） | 直接取消 pause 承诺——原先那句「在实施足以把风险压到可接受水平的安全措施之前，不训练、不部署有能力造成灾难性危害的模型」被删除 | Anthropic |

  风险类别删减persuasion 移出追踪类别（一类）删除放射与核风险类别、删除对网络行动的引用（两类）**Anthropic**| 风险类别删减 | persuasion 移出追踪类别（一类） | 删除放射与核风险类别、删除对网络行动的引用（两类） | Anthropic |

  竞争响应条款新增正文一句设立专门附录，成为框架的结构性支柱**Anthropic**| 竞争响应条款 | 新增正文一句 | 设立专门附录，成为框架的结构性支柱 | Anthropic |

  高阶承诺—RAND Security Level 4 从承诺降为「行业建议」；ASL-4 标准整体不再出现**Anthropic**| 高阶承诺 | — | RAND Security Level 4 从承诺降为「行业建议」；ASL-4 标准整体不再出现 | Anthropic |

  阈值定义—删除 AI R&D 4 这一整个阈值，只保留更高的 AI R&D 5**Anthropic**| 阈值定义 | — | 删除 AI R&D 4 这一整个阈值，只保留更高的 AI R&D 5 | Anthropic |

  **补偿性新增****无**（v2 是净放宽）**有**：每 3–6 个月一份 Risk Report（覆盖内部部署模型）＋ 一份公开的 Frontier Safety Roadmap**Anthropic**| 补偿性新增 | 无（v2 是净放宽） | 有：每 3–6 个月一份 Risk Report（覆盖内部部署模型）＋ 一份公开的 Frontier Safety Roadmap | Anthropic |

但这张表不能被读成「Anthropic 比 OpenAI 更不负责」，因为最后一行的方向是相反的：Anthropic 放弃的是一个不可核对的承诺（外界本来就无法验证它是否真的会暂停），换上的是两个可核对的产物。有治理研究者对这次交换的评价是「与其守着实践中不会被遵守的承诺，不如诚实面对约束」。放宽的幅度更大，可核对性反而提高了——这两件事同时为真。

本页据此调整对这一列的读法：不再把「阈值只会被放宽」当作区分实验室的判据（它在三家身上同向，因此没有区分度），而是把它当作关于制度类型的观察——自愿框架在竞争压力下普遍向下调整，真正值得追踪的变量不是阈值的高低，而是放宽时有没有同步换上可核对的产物。按这个变量重排，OpenAI 的 v2 是净放宽（无补偿），Anthropic 的 v3.0 是有补偿的放宽。**这条差异是真的，而且比原来那句错话更能说明问题。**安全线的完整版本演变归 ⑧ 安全与对齐演变。

同一篇文章里还有那个被引用最多的比喻——把可解释性目标形容为造出「一台高度精确的 MRI 的类比物，能完全揭示 AI 模型的内部工作机制」；也是在这篇里，Dario 罕见地点名同行：「Google DeepMind、OpenAI 等公司有一些可解释性投入，但我强烈建议它们分配更多资源。」这条引语对本轴的意义在于它给出了一个与 OpenAI 相反的因果方向：如果系统是「长」出来的，那么部署前的行为测试就只能观察表层，安全必须从内部机制入手；如果系统是「造」出来的（宏观 loss 曲线可预测），那么部署反馈就是有效的安全手段。两个隐喻其实都对，只是尺度不同——宏观统计层面模型是造的，微观机制层面是长的。真正的分歧是：**安全性由哪个尺度决定？**Anthropic 押注微观，OpenAI 押注宏观加部署反馈。这个赌注的可证伪点是 Dario 自己给的：Claude 3 Sonnet 上已找到约 3,000 万个 feature，而他估计实际有 10 亿以上——若概念数量随能力超线性增长，「完全理解」可能在原理上就追不上。

Clark 在同一篇里把「长出来的」这个隐喻说得更具体：「你配好初始条件，把一个支架插进地里，长出来的东西的复杂度是你根本不可能自己设计出来的。」这篇演讲在方法论上的价值，是它承认了恐惧的认知功能——不是「因为有证据所以害怕」，而是「因为不理解所以应当害怕」。这与 OpenAI 的 evidence-based / iterative deployment 立场根本冲突：OpenAI 要求证据先行，Anthropic 认为在不可解释的系统上「要求证据」本身就是陷阱（你需要可解释性才能拿到证据）。这是一个自指的死结，也是 Dario 把可解释性排在第一位的深层原因。需要注意的是，Clark 在演讲中影射了「有些人甚至在花巨额金钱说服你相信那只是一个工具」的一方，但他没有点名；这句话出现在 2025 年下半年那场关于 AI 政治游说与超级 PAC 的公共争论之中，本报告只记录他的公开表述，不代其指认对象。

OpenAI 的选择为什么与别家不同——「能力阈值 → 缓解措施 → 自评」这个设计模式是*〈行业共识〉，三家的框架结构几乎同构，把它写成 OpenAI 的独创是错的；在时间上 Anthropic 的 RSP（2023-09）还早于 OpenAI 的 Preparedness beta（2023-12）。〈OpenAI 首创〉的是 deliberative alignment：把安全规范文本直接教给模型、让它在回答前显式回忆并推理这些规范，从而把不可验证的「安全」转化成可验证的「规范遵循」，本质上是 RLVR 思路在对齐上的移植。〈OpenAI 率先规模化〉的是把行为规范做成一份公开、可引用、可被用户拿来投诉的产品文档（Model Spec），这一形态后来被多家跟进。而那句**竞争条款*不是 OpenAI 特有的——本页此前把它写成「五家里只有它一家」，经红队核查后已更正：三家都写了，OpenAI 是最晚的一家（Anthropic 2023-09 脚注 / 2024-10 扩宽 → DeepMind 2025-02 正文 → OpenAI 2025-04 正文，见上文更正说明与时间线）。这一格里没有可以归给 OpenAI 的独有项；真正的发现在制度层面——自愿框架在竞争条件下会收敛到同一个形状。

分歧的实质：触发式治理 vs 迭代式部署

把机制细节剥掉，两套哲学的实质是两句话。触发式治理（ASL / FSF）说：达到某个能力阈值，就强制采取某套措施，必要时不发布。迭代式部署说：把能力早点放出去，让社会、监管与产业在能力还不够危险时就开始适应，从而避免一次性冲击。它们不是「安全」与「不安全」的对立，而是两个关于世界如何运作的经验假设。

  **触发式治理的隐含假设**
  

① 危险能力在部署前可以被测出来；② 阈值可以被写成可操作的判据；③ 承诺者会诚实执行并且不会在关键时刻修订条款。

失效条件：能力增长是锯齿状的、评测存在系统性假阴性（见 评测方法论声明）；一个既能自己判定触发、又能自己修订条款的框架，其约束力主要来自声誉而非规则。

两个经验假设

  **迭代式部署的隐含假设**
  

① 社会适应速度 ≥ 能力增长速度；② 早期小事故的信息价值大于其伤害；③ 迭代的成本主要由发布方承担。

失效条件：当分发规模达到数亿人，假设 ③ 首先失效——GPT-5（2025-08-07）移除模型选择器后的回滚说明，学习成本由用户支付；而假设 ① 从未被独立测量过，它是一个信念而不是一个观测。

两边都有来自自己人的削弱证据，这一点比外部批评重要得多。Anthropic 一侧：Dario 在 2026-01 的长文里亲口说 RSP「我们一次又一次发现很容易变得过于僵硬」——而「僵硬」的唯一解法是修订条款，于是刚性优势被自己的可修订性抵消了一部分。OpenAI 一侧：迭代部署赖以成立的那条「社会适应速度」假设，在 2025-08 的发布中第一次显示出边界；而截至 2026-07-25，本报告仍未找到 OpenAI 因速率过快而主动减速的公开记录。还有一个共同的、更冷的事实：Dario 在同一篇文章里说，「我们的常识性提案在美国基本被政策制定者拒绝」——两套机制设计之争，可能在实际监管层面都不重要，行业安全治理的实际约束力主要来自声誉竞争、保险与法律责任、以及个别州法，而没有一样是为 powerful AI 设计的。

从「安全分歧」到「信任崩塌」：只记录本人公开表述

2026-06，Dario 在 Bloomberg《The Circuit with Emily Chang》访谈中，把 2021 年出走 OpenAI 的原因重新表述了一遍。他的三句话按公开转述是：「在安全问题上有很多合理的分歧。我们确实和他们有过一些这样的分歧，但仅凭这个不足以让人离开。」「当你觉得你无法信任一个人，当你觉得他们的价值观并不是他们所声称的那样，当你觉得他们不诚实……当你看到令人不安的行为模式和不诚实，这会让你很难继续和一家公司共事。」「归根结底，当你和一个人既没有相同的愿景又不信任对方，何必去争论？」同一场访谈里他还说：「值得信任的行动者需要联合起来，把不值得信任的行动者置于一个不得不遵守同样标准的位置」，并提到与 Demis Hassabis 相识十五年、双方「一直在交换安全想法」。

信源与归属纪律

上述引号内容为媒体转述（多家独立媒体引号一致，可交叉验证），本报告未见 Bloomberg 官方完整逐字稿，等级记为 T3 可靠媒体一手采访／部分环节为 T4 二手整理/编译。**Sam Altman 方面未见正面回应。**本报告只记录本人或官方的公开表述，离职原因等动机不由作者推测；同时提醒归因的时点效应——2021 年的离职理由由 2026 年的 Dario 讲述，而 2026 年的 Anthropic 正在与 OpenAI 正面竞争企业市场。可交叉验证的锚点有三个：2023-11 董事会危机中董事会给出的「沟通不坦诚」表述、2026-05 庭审中 Mira Murati 关于高管信任的证词、以及记者报道中引用的当期笔记。转述见 Business Insider（2026-06） ^[70]。

这段表态在治理层面的后果，比它在八卦层面的后果重要：它是一次公开的阵营划线，把 Anthropic 与 Google DeepMind 放在「值得信任」的一侧。如果这条线固化，2027 年可能出现的不是一个行业安全标准，而是两个互不承认的标准阵营——这对任何以「行业自律」为前提的治理设计都是坏消息。值得同时记下的是这套论述的结构：先划出「我们」，再论证「我们」应当取得优势并制定规则；同一套模板在国际层面用于中美，在行业层面用于 Anthropic-Google 对 OpenAI-xAI。一致性是它的优点，也是它最容易被质疑的地方。

本轴的假设与反方证据

**① 触发式治理并不比迭代式部署更「硬」。**两者都是自愿的、自评的、可由承诺者自行修订的。此处原有一句「RSP 没有竞争条款是真的」，经红队核查为错误，已删除——RSP 从 v1.0（2023-09）脚注起就有该条款，v2.0（2024-10）扩宽，v3.0（2026-02-24）升格为独立附录（见更正说明）。修正后这一条反而更强：三家都给自己留了竞争逃逸口，而 Dario 自承 RSP「容易过于僵硬」、僵硬的解法只能是改条款——刚性差异因此比表面上小得多，两种治理哲学的可修订性是同一量级的。

**② 迭代式部署不是 OpenAI 独有。**Anthropic 同样持续向公众发布 Claude.ai 与 Claude Code 并按用户反馈快速迭代，Google 把 Gemini 嵌进搜索与 Workspace，触达面在名义上大于 ChatGPT。把「边发边学」写成 OpenAI 的专属哲学，是本页最容易犯的归属错误——差别在规模与叙事强度，不在做法本身。

**③ 触发式治理迄今唯一一次公开触发，同时是安全信号与能力广告。**Anthropic 在 2025-05 宣布 Claude Opus 4 起以 ASL-3 发布，理由是模型可能已接近「让有 STEM 学位但非生物学背景的人走完制造生物武器全过程」的能力线。从外部看，「我的模型危险到需要升级防护」与「我的模型很强」是同一句话，无法区分。

**④ 两套机制可能都不是实际约束。**五套框架无一引入外部核验方；Dario 自陈政策提案被拒；真正在起作用的是声誉竞争与法律责任。若 2027 年出现第一例由外部机构（而非实验室自己）判定的阈值触发，本轴的全部对照都需要重写。

OpenAI 的选择为什么与别家不同——「边发边学」这一做法本身是*〈行业共识〉，几乎所有面向公众的实验室都在做；〈OpenAI 率先规模化〉的是把它升格为一条公开的安全论证（「让社会提前适应」被写成部署哲学而不仅是产品节奏），这一叙事强度没有第二家达到。〈OpenAI 特有组合〉是「最大的消费级分发 + 条件式而非时间表式的安全承诺 + 一条允许因竞争而调整要求的条款」三者同时存在——正是这个组合让它在触发式治理的对照中总是显得更软，而这一半来自哲学选择、一半来自它的分发结构（见 消费级 vs 企业级）。这里没有〈OpenAI 首创〉*可言：iterative deployment 的思想来源是软件业的持续交付，不是 AI 安全研究。

Axis 4 · Openness & Geopolitics

四个概念不能混用：open source / open weights / source available / API access

这四个词在中英文报道里被普遍混用，而混用会直接毁掉整条论证链。本页采用与 ⑩ 开放边界 一致的严格定义，完整论证在那一节，此处只做六家的横向对照与判例。open source：源码、权重、训练数据与训练代码同时可得，且许可符合 OSI 的开源定义（无使用领域限制、无用户规模门槛）。open weights：权重可下载、可本地运行、可微调，但训练数据与训练管线不公开；许可可能自由（Apache 2.0 / MIT），也可能带条件。source available：代码或权重可见，但许可不自由——需申请、限研究用途、或禁止商用；在模型语境下的对应形态是「受限权重 / 研究许可」。API access：只提供推理接口，权重从不离开供应商，用户拿到的是服务而不是物件。

六家机构代表性发布的开放形态判例
案例时点许可类别判据（一句话）| 案例 | 时点 | 许可 | 类别 | 判据（一句话） |


  **OpenAI · Whisper**2022-09-21MIT**open weights**许可极自由，但无训练数据、无训练代码——自由许可 ≠ open source| OpenAI · Whisper | 2022-09-21 | MIT | open weights | 许可极自由，但无训练数据、无训练代码——自由许可 ≠ open source |

  **OpenAI · gpt-oss-120b / 20b**2025-08-05Apache 2.0**open weights**中英文报道普遍写成「OpenAI 重新开源了」，**这是错的**；无数据、无 recipe| OpenAI · gpt-oss-120b / 20b | 2025-08-05 | Apache 2.0 | open weights | 中英文报道普遍写成「OpenAI 重新开源了」，这是错的；无数据、无 recipe |

  **OpenAI · GPT-4 及后续旗舰**2023-03-14 起—**API access**权重从未离开供应商；连参数量都不披露| OpenAI · GPT-4 及后续旗舰 | 2023-03-14 起 | — | API access | 权重从未离开供应商；连参数量都不披露 |

  **xAI · Grok-1**2024-03-17Apache 2.0**open weights**314B MoE 基座权重；此后前沿代际未再开放（Grok-2.5 权重于 2025-08 补开）| xAI · Grok-1 | 2024-03-17 | Apache 2.0 | open weights | 314B MoE 基座权重；此后前沿代际未再开放（Grok-2.5 权重于 2025-08 补开） |

  **Meta · Llama 1**2023-02研究许可（需申请）**source available** 的模型侧对应形态LeCun 本人确认「第一个 Llama 不是开源的，你必须请求许可、证明你是研究人员」| Meta · Llama 1 | 2023-02 | 研究许可（需申请） | source available 的模型侧对应形态 | LeCun 本人确认「第一个 Llama 不是开源的，你必须请求许可、证明你是研究人员」 |

  **Meta · Llama 2 / 3 系**2023-07 起Llama Community License**open weights****该许可不是 OSI 意义上的 open source**：附带月活规模门槛与命名、再分发等条件，属于自定义许可| Meta · Llama 2 / 3 系 | 2023-07 起 | Llama Community License | open weights | 该许可不是 OSI 意义上的 open source：附带月活规模门槛与命名、再分发等条件，属于自定义许可 |

  **DeepSeek · R1 与蒸馏族**2025-01-22MIT**open weights** + 方法公开权重之外还公开了算法（GRPO）、奖励设计与失败尝试——「方法开放」是独立于「权重开放」的第二个维度| DeepSeek · R1 与蒸馏族 | 2025-01-22 | MIT | open weights + 方法公开 | 权重之外还公开了算法（GRPO）、奖励设计与失败尝试——「方法开放」是独立于「权重开放」的第二个维度 |

  **阿里 · Qwen 全系**2024–2026多为 Apache 2.0**open weights**0.5B 到数百 B 全尺寸、全模态；到 2025 年成为 Hugging Face 上衍生模型最多的模型族| 阿里 · Qwen 全系 | 2024–2026 | 多为 Apache 2.0 | open weights | 0.5B 到数百 B 全尺寸、全模态；到 2025 年成为 Hugging Face 上衍生模型最多的模型族 |

两条容易被漏掉的推论。**其一：到 2026-07 时点，没有任何一家前沿实验室发布过 open source 意义上的前沿模型。**最开放的那几家（DeepSeek、Qwen、Mistral）给的也是 open weights 加论文，训练数据与完整管线都不在其中。因此「开源 vs 闭源」这个二分法在模型层从来就不成立，正确的坐标是「权重是否可得」与「方法是否可复现」两个维度。其二：2026 年真正的 open source 发生在协议与 harness 层——MCP、SKILL.md、AGENTS.md 及其 SDK 是完整意义上的开源项目，而它们恰好是由最不开放模型权重的两家（Anthropic 与 OpenAI）主导的。开放边界被整体上移了一层。

OpenAI 的选择为什么与别家不同——发布开放权重模型这一形态属于*〈行业共识〉，Meta、Mistral、DeepSeek、Qwen、xAI 都做过；gpt-oss 的 Apache 2.0 与 DeepSeek 的 MIT 在自由度上大致相当，许可本身不构成差异。可以确认的事实是时序：OpenAI 在 2020-06 GPT-3 之后到 2025-08-05 之前，没有发布过任何开放权重的语言模型（Whisper 与 CLIP 是语音与多模态，不是语言模型旗舰）——它是六家里最晚回到这个形态的一家，属于〈行业共识〉的最后跟进者*。唯一只属于 〈OpenAI 特有〉 的，是「机构名字里带 Open、而在权重开放度上长期垫底」这个张力本身，以及由此产生的、需要它比任何人都更频繁地解释自己的处境。

开源的四种理由与一次立场反转

把六家的说法排开，支持开放权重的理由其实只有四种，而每一种理由的稳定性都与说话者的商业模式一致性高度相关。安全论由 Meta / LeCun 时期主张：开放本身就是安全机制，因为更多人在看、更多人在为各种用途微调，缺陷暴露得更快。商业杠杆论由 Mistral 表述得最直接——「我们把开源看作创造杠杆与独立性的方式」。生态论由 DeepSeek 与 Qwen / Kimi / MiniMax 共享：梁文锋的版本是「开源就是让利……我优先考虑的不是多拿份额，而是增加做成的概率」，阿里的版本是全尺寸全模态覆盖换生态位。主权论同样出自 Mistral，而且是唯一把开放与国防直接类比的：「就像一个独立国家想要独立的国防系统……你会需要你自己的独立人工智能。」

与之对立的是 Anthropic 的不开源前沿权重立场，理由单一而清楚：开放权重的护栏可以被直接剥掉。这条立场与 RSP 是自洽的——如果你的整个治理框架建立在「达到某等级就施加某种部署措施」上，那么放出一份任何人都能去掉措施的权重，等于让框架失效。正因为自洽，它在四年里没有变过。

2019-02 GPT-2 分阶段发布→
2019-11-05 1.5B 全量放出→
2020-06 起 API only→
2024-03-27 NTIA 意见：两者都要→
2025-01-31 AMA 认错→
2025-08-05 gpt-oss

这句话的语法值得逐层拆开：它包含三层退让与两层保留。退让是承认错误、承认领先在缩小（同一场 AMA 里他说「我们会做出更好的模型，但我们保持的领先会比过去几年更小」）、承认要改策略；保留是「不是所有人同意」（把责任分散）与「不是最高优先级」（不承诺时间表）。它的另一个用处是作为一扇观察 OpenAI 决策机制的窗口——它的公开立场变化通常先于内部共识。关于「这算不算立场反转」，本报告并列两种读法，不做单一裁决：读法甲认为不算——OpenAI 在 2024-03-27 给 NTIA 的正式意见里已写明「最好的美国 AI 生态会同时包含开放权重发布与 API/产品式发布」，gpt-oss 只是补上了它自己说过却一直缺失的那一半；读法乙认为算——从 2020-06 到 2025-08 的五年零发布，与 2025-01-31 那句认错发生在 R1 冲击之后的时序，说明触发因素是外部行动而非内部论证。可检验的判据只有一个：gpt-oss 之后是否持续更新开放权重系列。截至 2026-07-25，本报告未能确认 gpt-oss 有后续版本；若确为一次性发布，则「开放权重回归」应当被表述为一次战术动作而非战略转向。这条判据将在 2027 年可被直接检验。

把这两条并排读，会看到一件很少被点破的事：Sam 与 LeCun 承认的是同一个事实，归因完全相反——一个归因于竞争格局（我们的领先变小了、我们在开源上站错了边），一个归因于生产模式（这是开源相对闭源的胜利）。LeCun 的解读有自利成分（他是 Llama 开放的主要推动者），但它提出了一个可检验的命题：**开放权重与闭源前沿的差距会持续缩小还是重新拉大？**2025–2026 的证据是混合的——在通用能力上差距缩小到以月计，在最强推理与 agent 能力上闭源仍然领先。而 Meta 自己的立场在 2025-07-30 已经转向（「对开源什么保持谨慎」），LeCun 在四个月后离开——四种理由里，安全论是唯一一个连主张者本人都不再持有的。

OpenAI 的选择为什么与别家不同——发布开放权重、用主权语言为其辩护（gpt-oss 官方公告中的「扩展民主的 AI 轨道」，以及 Sam 对媒体说的「如果我们不做，世界大部分会建立在中国的开源模型之上」）都属于*〈行业共识〉：主权论最早由 Mistral 系统表述，中国厂商则以生态论实践了同一件事。〈OpenAI 特有〉*的只有一条，而且是本页最重要的观察之一——六家里唯一发生过真正立场反转的是 OpenAI，其余各家的开放立场（Mistral 主权、DeepSeek 生态、Qwen 分发、Anthropic 不开源）都与自己的商业模式自洽因而稳定，只有 OpenAI 的开放立场反转过一次并且反转后未确立新常态。更值得记下的是触发方式：**它的立场变化由竞争压力驱动，而不是由论证驱动。**这里没有〈首创〉也没有〈率先规模化〉——在开放这条轴上，OpenAI 是被推动的一方。

中美格局：出口管制、算力资本与「开源超越闭源」

本节只做竞品对照，中美地缘的完整论证归 ⑩；中国侧的原始视角（梁文锋、吴泳铭、杨植麟等人的直接表述）在本页的 中国侧视角 另有一节，此处不重复。

Dario 在《On DeepSeek and Export Controls》(2025-01) 里给了三条核心论证。它们是这场争论中唯一一份给出可复算过程的反驳，但每一条都需要配上 DeepSeek 一侧的对照口径才完整。

Dario 三条论证与 DeepSeek 一侧的对照口径
Dario 的论证（2025-01）DeepSeek 一侧的对照口径本报告的判断| Dario 的论证（2025-01） | DeepSeek 一侧的对照口径 | 本报告的判断 |


  
    「DeepSeek 并没有『用 600 万美元做了美国公司花数十亿才做成的事』……更公允的说法是它做出了一个接近 7–10 个月前美国模型性能的模型，成本确实低不少，但远没有人们说的那个比例。」
    **DeepSeek 从未提出过这个命题。**V3 技术报告（arXiv:2412.19437）在给出 2.788M H800 GPU-hours、按每 GPU-小时 2 美元折算 **557.6 万美元** 的同时，原文明确写「该成本仅包括 DeepSeek-V3 的正式训练，**不包括**此前在架构、算法或数据上的研究与消融实验」。
    这是一场**媒体制造、然后由 CEO 们反驳**的争论。Dario 的反驳与 DeepSeek 的原文并不矛盾。真正该追问的是「单次训练成本」这个指标本身有没有意义——在研发与实验占算力大头的行业里，它更像「最后一次实验的电费」。
  | 「DeepSeek 并没有『用 600 万美元做了美国公司花数十亿才做成的事』……更公允的说法是它做出了一个接近 7–10 个月前美国模型性能的模型，成本确实低不少，但远没有人们说的那个比例。」 | DeepSeek 从未提出过这个命题。V3 技术报告（arXiv:2412.19437）在给出 2.788M H800 GPU-hours、按每 GPU-小时 2 美元折算 557.6 万美元 的同时，原文明确写「该成本仅包括 DeepSeek-V3 的正式训练，不包括此前在架构、算法或数据上的研究与消融实验」。 | 这是一场媒体制造、然后由 CEO 们反驳的争论。Dario 的反驳与 DeepSeek 的原文并不矛盾。真正该追问的是「单次训练成本」这个指标本身有没有意义——在研发与实验占算力大头的行业里，它更像「最后一次实验的电费」。 |

  
    「R1……从创新或工程角度看远不如 V3 有趣。它加了第二阶段训练——强化学习……本质上复现了 OpenAI 用 o1 做的事。」
    R1 论文（arXiv:2501.12948）的自我定位是「**首个公开验证** LLM 的推理能力可以纯通过 RL 被激发、无需 SFT 的研究」，并公开了 GRPO、规则式奖励设计与 PRM/MCTS 的失败尝试。
    两句话**可以同时为真**：Dario 说的是科学新颖性，DeepSeek 说的是公开验证。这两种价值在闭源体系里被合并，在开源体系里被分离。Dario 把公开思维链贬为「UI 选择」，但 Sam 在 2025-01-31 说「Credit to R1 for updating us」并随后展示更详细的推理摘要——**UI 选择论被 OpenAI 自己的行为部分证伪。**
  | 「R1……从创新或工程角度看远不如 V3 有趣。它加了第二阶段训练——强化学习……本质上复现了 OpenAI 用 o1 做的事。」 | R1 论文（arXiv:2501.12948）的自我定位是「首个公开验证 LLM 的推理能力可以纯通过 RL 被激发、无需 SFT 的研究」，并公开了 GRPO、规则式奖励设计与 PRM/MCTS 的失败尝试。 | 两句话可以同时为真：Dario 说的是科学新颖性，DeepSeek 说的是公开验证。这两种价值在闭源体系里被合并，在开源体系里被分离。Dario 把公开思维链贬为「UI 选择」，但 Sam 在 2025-01-31 说「Credit to R1 for updating us」并随后展示更详细的推理摘要——UI 选择论被 OpenAI 自己的行为部分证伪。 |

  
    「AI 的一个性质——我和我的联合创始人们在 OpenAI 工作时是最早记录它的人之一——是在其他条件相同的情况下，扩大训练规模会平滑地带来更好的结果。」
    文献时间线是清楚的：Hestness 等（Baidu，2017-12，arXiv:1712.00409）最早系统记录幂律；Kaplan 等（OpenAI，2020-01-23，arXiv:2001.08361）命名并推广；Hoffmann 等（DeepMind，2022-03-29，arXiv:2203.15556）给出计算最优配比并推翻了 Kaplan 的参数/数据配比结论。Demis 另主张「最早是我们团队发现的」。**梁文锋从不参与发现权之争**，他的对应表述是「真实的 gap 是原创和模仿之差」。
    三方争的**不是同一件事**：Kaplan 给的是现象（loss 随 N/D/C 的幂律），Chinchilla 给的是最优化（给定 C 的最优配比）。发现权之争在技术上无关紧要，在**路线正统性**上至关重要。
  | 「AI 的一个性质——我和我的联合创始人们在 OpenAI 工作时是最早记录它的人之一——是在其他条件相同的情况下，扩大训练规模会平滑地带来更好的结果。」 | 文献时间线是清楚的：Hestness 等（Baidu，2017-12，arXiv:1712.00409）最早系统记录幂律；Kaplan 等（OpenAI，2020-01-23，arXiv:2001.08361）命名并推广；Hoffmann 等（DeepMind，2022-03-29，arXiv:2203.15556）给出计算最优配比并推翻了 Kaplan 的参数/数据配比结论。Demis 另主张「最早是我们团队发现的」。梁文锋从不参与发现权之争，他的对应表述是「真实的 gap 是原创和模仿之差」。 | 三方争的不是同一件事：Kaplan 给的是现象（loss 随 N/D/C 的幂律），Chinchilla 给的是最优化（给定 C 的最优配比）。发现权之争在技术上无关紧要，在路线正统性上至关重要。 |

算力资本的对照同样需要分清口径。OpenAI 这一侧是承诺网络：2025-01-21 与 SoftBank、Oracle、MGX 宣布 Stargate（四年 5,000 亿美元、首期 1,000 亿，目标 2029 年 10 GW），加上与 Oracle、AMD、AWS、Broadcom 的多年期采购与容量协议，Altman 本人确认的多年期承诺合计约 1.4 万亿美元；同期另有报道称 OpenAI自己要付的直接算力支出目标约为 2030 年前 6,000 亿美元。这两个数字是两回事，混用是最常见的错误：前者是「第三方为 OpenAI 建设的基础设施总规模」，后者是「OpenAI 自己的账」。xAI 这一侧是自建自持：Colossus（孟菲斯，2024-09 上线，约 19 天建成，10 万卡 H100）→ Colossus 2（2026-01 达 1 GW）→ 目标总训练算力 2 GW，能源侧靠 Tesla Megapack 与自购发电机组（上述规格多为媒体转述与个人整理，引用时须标注为报道数字）。中国一侧的代表表述是阿里在 2025-09-24 云栖大会给出的框架：大模型是下一代操作系统、超级 AI 云是下一代计算机——它把 AI 竞争重新定义为云基建竞争，是基础设施论而非能力论。

这里有一条对本页所有排名都成立的约束：**算力规模已经不再是能力的可靠代理变量。**xAI 拥有最集中的单体集群、最快的迭代节奏，却未在多数第三方评测上取得稳定领先；Meta 用最多的钱、最强的挖角与最大的存量算力，在 2025–2026 年没有产出前沿领先模型。这两个案例同时削弱了「算力决定论」与「人才决定论」，把解释权交给了第三个变量——组织与研究品味，而这恰好是梁文锋（「我们并没有非常多的其他优势，除了愿景」）与 Ilya（research taste）都强调的东西。

能源是真正的物理天花板，而且它已经开始咬人。Stargate 的旗舰站点 Abilene 在 2026-03-09 封顶在 1.2 GW：原计划继续扩，但电网接入需要等一年以上，OpenAI 与 Oracle 双双止步——这是第一个公开的、由电网而非资本或芯片造成的扩张中止案例。应对方式是把发电、输电与电网升级的成本自己扛下来（德州 Milam County 由 OpenAI 与 SoftBank 各出 5 亿美元配套发电储能），并把数据中心当作可在电网紧张时降载的柔性负载。Epoch 的物理判断给出了上限：若 scaling 按 4×/年延续，2030 年最大单次训练运行将需要约 10 GW——超过除最大电厂外的所有单体发电能力。在四大约束（芯片、资本、数据、电力）里，电力是最先绑定的一个。

欧洲一侧提供了第三种坐标。Mistral 的 Arthur Mensch 把开放与主权直接绑定，并给出了一条不依赖任何 AGI 判断的论证：这些模型在塑造人们对世界的文化理解，而不同社会的价值观存在微妙但重要的差异，因此「谁的模型」本身就是一个主权问题——与 AGI 是否可能无关。他同时把 AGI 修辞降格为宗教语言（「整套 AGI 修辞就是在造神」），并在 2026-01-16 的播客里补充了企业侧的版本：「AGI 是一个非常简单的概念，所以对企业来说大概太简单了……现实中，企业就是复杂系统，你不可能用 AGI 这样一个单一抽象去解决它。」来源：Big Technology Podcast 逐字稿（2026-01-16） ^[71]（T1 逐字/官方转录）；NYT 那句「造神」为媒体转述（T3 可靠媒体一手采访），具体文章 URL 待考。

OpenAI 的选择为什么与别家不同——「算力即国运」是*〈行业共识〉：Musk、阿里、Dario 在这一点上完全一致，只是各自的融资与执行结构不同。〈OpenAI 首创〉的是 Stargate 那套资本工程结构——由第三方出资建设、OpenAI 出需求与运营的联合体模式，把万亿级基建的资产负债表风险移到体外；xAI 的自建自持与 Google 的自有云都不是这个结构。〈OpenAI 率先规模化〉*的是把算力承诺推到万亿量级并使之成为公共议题。而必须写进来的反例有两条：其一，把出口管制写成 CEO 长文并给出可复算论证的是 Dario 而不是 Sam，OpenAI 在这条轴上的公开输出更接近产业政策游说，缺少同等细度的地缘战略推演——把「用国家安全叙事论证 AI 竞赛」当成 OpenAI 的特色是错位归属；其二，Epoch 估算 2025 年底 OpenAI 只占全球可运行 AI 算力的 10%–15%，因此 〈OpenAI 特有组合〉 实际上是一个尴尬的组合——承诺规模最大、自有份额很小、且需要的不是「拿下现有市场」而是「市场本身增长十倍」。理解 Altman 全部公开言论的经济学底座就在这里。

评测方法论声明：没有这六项，就不做横向排名

⚑ 本页 benchmark 引用规则 · 六项缺一不可

本站引用任何 benchmark 分数时，必须与分数同时给出下面六项。六项不全的数字仍可作为单点观测被记录，但不进入任何横向排名，也不用于「A 强于 B」式的判断。

• ① 模型版本——精确到发布代号与档位。o3-preview 与后来公开发布的 o3 不是同一个系统；-low / -medium / -high 也不是同一个被测对象。

• ② 评测日期——同一个模型名在不同月份可能对应不同权重、不同系统提示、不同的服务端路由策略。

• ③ 工具权限——是否联网检索、是否可执行代码、是否可读写文件、是否可调用外部 API。

• ④ harness——脚手架名称与版本、提示词、最大步数、超时与重试策略、上下文压缩方式。

• ⑤ test-time compute——采样数 (n)、best-of-(n) 的 (n)、思考 token 预算、reasoning effort 档位、是否使用外部选择器。

• ⑥ 成本——美元/题或美元/任务，并注明按哪一版定价折算、折算日期是哪一天。

为什么这六项是一个整体而不是六条独立的洁癖：推理模型的能力不是一个标量，而是采样预算的函数。一个不标注 (n) 的排行榜，在数学上并没有定义它在测量什么——同一个模型在 (n=1) 与 (n=1024) 下的分数可以差出几十个百分点。把两个采样预算不明的数字并排，得到的不是比较，是一个类型错误。

这条规则的经验基础，来自 OpenAI 自己公布的一组数字。o1 的官方技术说明里给出过一个极干净的对照：以 o1 初始化、经过编程强化训练的模型参加 IOI 2024，在「每题 50 次提交 + test-time 选择策略」下得 213 分（第 49 百分位）；如果把选择策略去掉、改成随机提交，只有 156 分——选择器本身值将近 60 分。而把提交预算放宽到每题 10,000 次时，同一个模型拿到 362.14 分，超过金牌线，且不再需要任何 test-time 选择策略。同一套权重、同一场比赛、同一天，只因为采样预算与选择器不同，落在了「中游选手」与「金牌」两个完全不同的叙事里。

来源：OpenAI《Learning to reason with LLMs》，openai.com/index/learning-to-reason-with-llms ^[37]（2024-09-12）。T2 官方论文/公告

成本侧最锋利的证据是 o3 在 ARC-AGI-1 上的两个档位。2024-12-20 ARC Prize 公布的 Semi-Private 集（100 题）成绩：高效率档 75.7%，每题 6 次采样、共 33.5M token、总零售成本 2,680 美元（26 美元/题、1.3 分钟/题）；低效率档 87.5%，每题 1,024 次采样、共 5.7B token、总零售成本 456,000 美元（4,560 美元/题、13.8 分钟/题），算力约为高效率档的 172 倍。也就是说：同一个模型、同一份题、同一天，成本相差约 170 倍，分数相差 11.8 个百分点。三件必须一起讲的事——首发当天 OpenAI 明确要求不要公布高算力档的成本，只说是 172×；每题成本口径在 2025-03-24 被 ARC Prize 按 o1-pro 定价重新折算过（首发口径是 20 美元/题）；而 87.5% 这个数字不满足 ARC-AGI-Pub 的 1 万美元预算规则，从未进入公共排行榜——进榜的是 75.7%。媒体广泛引用的那个 87.5%，对应的是一个公众从未获得过的系统：2025-04 ARC Prize 测公开版 o3，ARC-AGI-1 上 o3-low 仅 41%、o3-medium 53%。

o3 高效率档 **75.7% @ 26 美元/题**
o3 低效率档 **87.5% @ 4,560 美元/题**
人工做同类题 **约 5 美元/题**
ARC-AGI-2 · NVARC **24% @ 0.20 美元/题**
ARC-AGI-2 · Poetiq+Gemini 3 Pro **54% @ 31 美元/题**

把这几个数字放在一条轴上看，「成本」就不再是脚注：从 ARC Prize 2025 竞赛冠军 NVARC 的 0.20 美元/题 到 o3 低效率档的 4,560 美元/题，跨越了四个数量级；在 ARC-AGI-2 上，Poetiq 的开源 harness 把 Gemini 3 Pro 从 31% @ 0.81 美元/题 提到 54% @ 31 美元/题——准确率提升不到一倍，成本涨了 约 38 倍。一张不带成本列的排行榜，等于把「用一百倍的钱换十个百分点」和「用同样的钱多拿十个百分点」记成同一件事。机制层面为什么会这样，本节不重讲，见 ⑥ 推理时计算。

来源：ARC Prize《OpenAI o3 Breakthrough High Score on ARC-AGI-Pub》，arcprize.org/blog/oai-o3-pub-breakthrough ^[72]（2024-12-20，含 2025-03-24 定价更新注记）；ARC Prize 对公开版 o3 的复测 ^[73]（2025-04）；ARC Prize 2025 竞赛报告 arXiv:2601.10904。T2 官方论文/公告

第四项「harness」在 2026 年已经不是可选注释。目前最干净的量化证据来自联合国大学（UNU）2026-07 报告《Engineering and Governing the Agent Harness》引述的 SkillsBench：在 7 个模型–harness 组合上，注入精选的 Agent Skills 把平均通过率从 24.3% 提到 40.6%（+16.2 个百分点）；更关键的是模型排序被直接颠覆——Claude Code + Claude Haiku 4.5 + 精选 Skills 得 27.7%，高于 Claude Code + Claude Opus 4.5 无 Skills 的 22.0%；Codex + GPT-5.2 从 30.6% 升到 44.7%。必须与之一起引用的限定是：自生成的 Skills 收益可忽略甚至为负，增益来自外部注入的、人工精选的程序性知识。行业侧另有一个反复被报道但口径待核实的经验区间：同一模型在不同 harness 里的分数摆动可达 15–40 个百分点。Terminal-Bench 榜单同时列出 Agent 与 Model 两列，正是评测侧对这件事的正式承认——榜上的分数从来是「模型 × harness」的联合分数。

来源：UNU《Engineering and Governing the Agent Harness》（2026-07）转引 SkillsBench；Terminal-Bench 榜单口径见 arXiv:2601.11868 ^[74]。T2 官方论文/公告T4 二手整理/编译（15–40 个百分点这一区间为多源转述，具体测量口径未公开）

\[ \mathrm{pass@}k \;=\; \mathbb{E}_{\text{problems}}\!\left[\, 1-\frac{\dbinom{n-c}{k}}{\dbinom{n}{k}} \,\right] \]
Codex 论文（arXiv:2107.03374）给出的 pass@k **无偏估计量**：每题采 \(n\ge k\) 个样本，数出其中 \(c\) 个通过全部单元测试，则 \(\binom{n-c}{k}\big/\binom{n}{k}\) 是「随机抽 \(k\) 个全错」的概率。**朴素做法（直接采 \(k\) 个看有没有对的）方差极大，这个组合形式同时解决了无偏与数值稳定。**

读法上只有一条硬规则：**报 pass@k 必须同时报 (n) 与 (k)，否则该数字不可复现。**Codex-12B 在 HumanEval 上 pass@1 = 28.8%、pass@100 = 72.3%——同一个模型、同一份题，两个数字相差 43.5 个百分点。省略 (k) 的「HumanEval 分数」是一个没有指称对象的符号。

  **图 2 · 成本—分数：两张独立坐标的小多图（本报告原创 SVG）：**这张图画的是让排行榜失效的**两条独立通道**，但它**刻意拒绝把两个基准放在同一根轴上**。**面板 A 是 test-time compute 通道**：同一个 o3-preview、同一天、同一份题，采样数从 6 提到 1024，分数 +11.8 分、成本 ×175。**面板 B 是 harness 通道**：模型完全不换，只换外层脚手架，ARC-AGI-2 上从 31% 提到 54%，成本 ×38。**两个面板的纵轴范围不同（0–100% 与 0–60%），横轴每十倍的像素距离也不同**——这是按 Phase 2 评审意见做的修改：此前的版本把两个基准画在共同纵轴上，即使图注写明「不可跨基准比较」，图形本身仍在诱导比较，*而图注抵消不了图形*。面板 A 里的金色虚线是人工基线（ARC Prize 自己估算雇人做题约 5 美元一题），1024 样本档的每题成本约是它的 900 倍。数据来源：ARC Prize 官方博客与 ARC Prize 2025 竞赛报告；成本口径为 2025-03-24 重估值。本报告原创 SVG，未热链任何外部资源。

OpenAI 的评测谱系：八个基准，八种「我们想测什么」

把 OpenAI 自建或深度参与的评测按时间排开，会看到一条很清晰的演化线：测语言模型（OpenAI Evals 这类通用框架）→ 测代码（HumanEval）→ 测事实性与校准（SimpleQA）→ 测浏览与检索（BrowseComp）→ 测经济价值（SWE-Lancer、GDPval）。这条线不是「基准越来越难」这么简单——每一次换基准，都对应一次「我们认为智能是什么」的重新定义。HumanEval 假设智能可以用「函数是否通过单元测试」来代理；SimpleQA 把评测对象从「知道多少」换成「不知道时会不会承认」；BrowseComp 承认答案可以不在权重里；GDPval 干脆放弃了「题目」这个形式，改问「这份交付物能不能顶替一位从业 14 年的专业人士」。基准的更替史，就是这家公司能力观的更替史。

    基准发布任务与数据集评分器harness / 工具权限成本量级污染情况版本与状态| 基准 | 发布 | 任务与数据集 | 评分器 | harness / 工具权限 | 成本量级 | 污染情况 | 版本与状态 |

  
  
    
      **OpenAI Evals**
      2023-03-14（随 GPT-4 一同开源）
      不是数据集，是**评测框架 + 社区提交的 eval 注册表**；把「一次评测」标准化为「数据集 + completion 函数 + 评分模板」三件套
      框架层内置精确匹配、包含匹配与 **model-graded 模板**；具体评分器由 eval 作者自定义
      由 eval 作者定义；框架本身不规定工具权限
      取决于所注册的 eval，框架自身开销可忽略；**官方未给统一美元口径**
      不适用（框架不含固定题库）；社区提交题目的污染状况**未公开**
      现役，但重心已转移：2025-10 DevDay 起，OpenAI 的评测投入转向托管形态（AgentKit 内的 Evals for Agents，含 trace grading 与自动 prompt 优化；**该发布的具体日期档案记为 2025-10-06，待核实**）
    | OpenAI Evals | 2023-03-14（随 GPT-4 一同开源） | 不是数据集，是评测框架 + 社区提交的 eval 注册表；把「一次评测」标准化为「数据集 + completion 函数 + 评分模板」三件套 | 框架层内置精确匹配、包含匹配与 model-graded 模板；具体评分器由 eval 作者自定义 | 由 eval 作者定义；框架本身不规定工具权限 | 取决于所注册的 eval，框架自身开销可忽略；官方未给统一美元口径 | 不适用（框架不含固定题库）；社区提交题目的污染状况未公开 | 现役，但重心已转移：2025-10 DevDay 起，OpenAI 的评测投入转向托管形态（AgentKit 内的 Evals for Agents，含 trace grading 与自动 prompt 优化；该发布的具体日期档案记为 2025-10-06，待核实） |

    
      **HumanEval**
      2021-07-07（Codex 论文 arXiv:2107.03374）
      **164 道手写** Python 函数补全题：函数签名 + docstring + 单元测试，**平均 7.7 个测试/题**。手写而非爬取，就是为了避开训练集污染
      **单元测试执行**；报告口径为 pass@k 无偏估计
      无工具、不联网；单次补全 + 沙箱执行
      极低：164 题、单次补全，成本随采样数 \(n\) 线性增长；**官方未给美元口径**
      **已确认污染**：2026 年 GEM 系统综述记录「确认的 10-gram 碰撞」；LiveCodeBench 的时间分层实验显示模型在 cutoff 之后的题上掉分
      **2023–2024 即饱和**（GPT-4o 0-shot 90.2%）；2026 年只宜当 smoke test，不宜当能力指标
    | HumanEval | 2021-07-07（Codex 论文 arXiv:2107.03374） | 164 道手写 Python 函数补全题：函数签名 + docstring + 单元测试，平均 7.7 个测试/题。手写而非爬取，就是为了避开训练集污染 | 单元测试执行；报告口径为 pass@k 无偏估计 | 无工具、不联网；单次补全 + 沙箱执行 | 极低：164 题、单次补全，成本随采样数 \(n\) 线性增长；官方未给美元口径 | 已确认污染：2026 年 GEM 系统综述记录「确认的 10-gram 碰撞」；LiveCodeBench 的时间分层实验显示模型在 cutoff 之后的题上掉分 | 2023–2024 即饱和（GPT-4o 0-shot 90.2%）；2026 年只宜当 smoke test，不宜当能力指标 |

    
      **SimpleQA**
      2024-10-30（OpenAI 官方公告）
      **4,326 道**短事实问答，答案唯一且不随时间变化；出题时刻意挑选「前沿模型会答错」的问题
      **model-based grader**：用分类器把回答判为 correct / incorrect / **not attempted** 三类——「弃答」是一个独立的正确行为
      无工具、不联网（测的是参数化知识与校准，不是检索）
      低：短问短答、单次调用；**官方未给美元口径**
      **未公开**系统性污染检测。答案短且唯一，理论上易被逐字记忆，这是该基准最难自证的一面
      现役；用途已从「测知识量」转向**测校准**。GPT-4o 38.2% → o1 47% → GPT-4.5 62.5%；幻觉率 61.8% → 37.1%
    | SimpleQA | 2024-10-30（OpenAI 官方公告） | 4,326 道短事实问答，答案唯一且不随时间变化；出题时刻意挑选「前沿模型会答错」的问题 | model-based grader：用分类器把回答判为 correct / incorrect / not attempted 三类——「弃答」是一个独立的正确行为 | 无工具、不联网（测的是参数化知识与校准，不是检索） | 低：短问短答、单次调用；官方未给美元口径 | 未公开系统性污染检测。答案短且唯一，理论上易被逐字记忆，这是该基准最难自证的一面 | 现役；用途已从「测知识量」转向测校准。GPT-4o 38.2% → o1 47% → GPT-4.5 62.5%；幻觉率 61.8% → 37.1% |

    
      **BrowseComp**
      2025-04-10（OpenAI 官方公告，Wei et al.）
      **1,266 道**「答案难找但易验证」的浏览题；出题时确保 GPT-4o（含搜索）与早期 Deep Research 都答不出；输出为 Explanation / Exact Answer / Confidence 三段式
      唯一短答案**精确比对** + 模型自报置信度（不对称验证：找到极难、验证极易）
      **必须联网**；成绩强依赖检索栈与浏览 harness，模型与检索器不可分离
      中高：多跳检索，单题需多次工具调用；**官方未给美元口径**
      题目本身抗记忆（答案需跨源多跳组合）；但**网页内容会变**，构成另一类不可复现性
      现役。GPT-4o 无浏览 0.6% → 含浏览 1.9% → Deep Research 51.5% → 2026-07 GPT-5.6 Sol 90.4%。衍生版 BrowseComp-Plus 把 830 题重锚在 **100,195 篇固定语料 + BM25** 上，使检索器成为受控变量
    | BrowseComp | 2025-04-10（OpenAI 官方公告，Wei et al.） | 1,266 道「答案难找但易验证」的浏览题；出题时确保 GPT-4o（含搜索）与早期 Deep Research 都答不出；输出为 Explanation / Exact Answer / Confidence 三段式 | 唯一短答案精确比对 + 模型自报置信度（不对称验证：找到极难、验证极易） | 必须联网；成绩强依赖检索栈与浏览 harness，模型与检索器不可分离 | 中高：多跳检索，单题需多次工具调用；官方未给美元口径 | 题目本身抗记忆（答案需跨源多跳组合）；但网页内容会变，构成另一类不可复现性 | 现役。GPT-4o 无浏览 0.6% → 含浏览 1.9% → Deep Research 51.5% → 2026-07 GPT-5.6 Sol 90.4%。衍生版 BrowseComp-Plus 把 830 题重锚在 100,195 篇固定语料 + BM25 上，使检索器成为受控变量 |

    
      **SWE-Lancer**
      2025-02-18（arXiv:2502.12115；档案另一处记为 02-19，差异已登记）
      **1,400+ 个 Upwork 真实自由职业任务**，真实标价合计约 **100 万美元**；分「独立工程任务」（50 美元的 bug fix 到 32,000 美元的功能实现）与「管理任务」（在多个技术方案中选择）
      独立任务用**三重验证的端到端测试**；管理任务与**原雇佣工程经理的实际选择**比对
      需完整仓库 + 可执行环境；2025-07-17 更新数据集，**移除执行时的联网依赖**（消除主要变异来源）
      **单位就是美元**：指标本身是「赚到多少钱」。评测执行成本本身未公开
      **未公开**系统性污染检测；任务源自公开平台，存在泄漏可能
      现役但更新稀疏。2025-02 最好模型赚 **208,050 美元**（不足总额 40%）；o3 在 IC Diamond 上 **65,250 美元**；GPT-5.1-Codex-Max 在 IC 口径上报 **79.9%**（**档案未标明该数是金额占比还是任务通过率，本站按未公开处理**）
    | SWE-Lancer | 2025-02-18（arXiv:2502.12115；档案另一处记为 02-19，差异已登记） | 1,400+ 个 Upwork 真实自由职业任务，真实标价合计约 100 万美元；分「独立工程任务」（50 美元的 bug fix 到 32,000 美元的功能实现）与「管理任务」（在多个技术方案中选择） | 独立任务用三重验证的端到端测试；管理任务与原雇佣工程经理的实际选择比对 | 需完整仓库 + 可执行环境；2025-07-17 更新数据集，移除执行时的联网依赖（消除主要变异来源） | 单位就是美元：指标本身是「赚到多少钱」。评测执行成本本身未公开 | 未公开系统性污染检测；任务源自公开平台，存在泄漏可能 | 现役但更新稀疏。2025-02 最好模型赚 208,050 美元（不足总额 40%）；o3 在 IC Diamond 上 65,250 美元；GPT-5.1-Codex-Max 在 IC 口径上报 79.9%（档案未标明该数是金额占比还是任务通过率，本站按未公开处理） |

    
      **PaperBench**
      2025-04-02（arXiv:2504.01848）
      **20 篇 ICML 2024 Spotlight/Oral 论文**，要求 agent 从零复现（读论文、写代码、跑实验、对齐结果）；拆成 **8,316 个可单独评分的子任务**
      **论文原作者共同制定的层级 rubric + LLM judge**——迄今最细粒度的 agent 评分体系，也是 model-based grader 用量最大的一个
      长时程 agent 执行环境；禁止直接使用原论文代码库
      高：长时程运行叠加逐子任务 LLM 判分；**论文未公布美元口径**
      **未公开**系统性污染检测。论文本身与其社区复现代码**可能已进入训练语料**，这是该基准最大的结构性隐患
      现役，常用 PaperBench-10 子集。最好 agent 21.0% vs **人类 ML 博士基线 41.4%**；GPT-5 → GPT-5.1 → Codex-Max 在 -10 子集上 **24% → 34% → 40%**
    | PaperBench | 2025-04-02（arXiv:2504.01848） | 20 篇 ICML 2024 Spotlight/Oral 论文，要求 agent 从零复现（读论文、写代码、跑实验、对齐结果）；拆成 8,316 个可单独评分的子任务 | 论文原作者共同制定的层级 rubric + LLM judge——迄今最细粒度的 agent 评分体系，也是 model-based grader 用量最大的一个 | 长时程 agent 执行环境；禁止直接使用原论文代码库 | 高：长时程运行叠加逐子任务 LLM 判分；论文未公布美元口径 | 未公开系统性污染检测。论文本身与其社区复现代码可能已进入训练语料，这是该基准最大的结构性隐患 | 现役，常用 PaperBench-10 子集。最好 agent 21.0% vs 人类 ML 博士基线 41.4%；GPT-5 → GPT-5.1 → Codex-Max 在 -10 子集上 24% → 34% → 40% |

    
      **HealthBench**
      2025-05-12（arXiv:2505.08775）
      **5,000 段**真实医患 / 医生–模型多轮对话，由 **60 个国家 262 名执业医师**撰写 **48,562 条**独特评分标准；含 Consensus 与 Hard（1,000 题）两个切分
      **rubric 化的 model-based grader**，按准确性 / 完整性 / 沟通 / 上下文感知 / 指令遵循五个维度分别打分再加权
      无外部工具；多轮对话形态
      中：多轮对话叠加逐条 rubric 判分；**官方未给美元口径**
      **未公开**系统性污染检测；rubric 为医师原创、非公开语料，抗记忆性相对较强
      现役。Hard 切分上 GPT-4o **0%** → o3 31.6% → GPT-5 **46.2%**，幻觉率 12.9% → **1.6%**；2026-07 出现 HealthBench Professional 口径（GPT-5.6 Sol 60.5%）
    | HealthBench | 2025-05-12（arXiv:2505.08775） | 5,000 段真实医患 / 医生–模型多轮对话，由 60 个国家 262 名执业医师撰写 48,562 条独特评分标准；含 Consensus 与 Hard（1,000 题）两个切分 | rubric 化的 model-based grader，按准确性 / 完整性 / 沟通 / 上下文感知 / 指令遵循五个维度分别打分再加权 | 无外部工具；多轮对话形态 | 中：多轮对话叠加逐条 rubric 判分；官方未给美元口径 | 未公开系统性污染检测；rubric 为医师原创、非公开语料，抗记忆性相对较强 | 现役。Hard 切分上 GPT-4o 0% → o3 31.6% → GPT-5 46.2%，幻觉率 12.9% → 1.6%；2026-07 出现 HealthBench Professional 口径（GPT-5.6 Sol 60.5%） |

    
      **GDPval**
      2025-09-25（官方公告；论文 arXiv:2510.04374）
      美国 GDP 贡献前 **9 个行业**（各占 GDP >5%）中的 **44 个知识工作职业**、**1,320 个任务**（开源 gold 子集 220 个）；每个任务由平均 **14 年经验**的从业者按真实工作产物构造（法律摘要、工程蓝图、护理计划、客服对话）
      **人类专家盲评的头对头比较**（better / as good as / worse），主指标为 wins + ties；另提供实验性自动 grader，**与人类一致率 66%，人类专家之间为 71%**
      **one-shot 交付**，不含多轮起草改进；允许产出 .pdf / .xlsx / .pptx 等真实文件类型
      高，且主要成本在**人类专家评审**；**评审总支出未公开**。官方给出的相对量：模型完成任务比无辅助专家**快约 100×、便宜约 100×**
      任务原创且非公开语料，是这张表里**抗污染设计最强**的一个；系统性检测**未公开**
      现役并在持续更新。2025-09 Claude Opus 4.1 **47.6%** win-or-tie（全场最佳，GPT-5 次之）→ 2025-12 GPT-5.2 Thinking 70.9% → 2026-04 GPT-5.5 84.9%。OpenAI 自陈 v0 是早期版本
    | GDPval | 2025-09-25（官方公告；论文 arXiv:2510.04374） | 美国 GDP 贡献前 9 个行业（各占 GDP >5%）中的 44 个知识工作职业、1,320 个任务（开源 gold 子集 220 个）；每个任务由平均 14 年经验的从业者按真实工作产物构造（法律摘要、工程蓝图、护理计划、客服对话） | 人类专家盲评的头对头比较（better / as good as / worse），主指标为 wins + ties；另提供实验性自动 grader，与人类一致率 66%，人类专家之间为 71% | one-shot 交付，不含多轮起草改进；允许产出 .pdf / .xlsx / .pptx 等真实文件类型 | 高，且主要成本在人类专家评审；评审总支出未公开。官方给出的相对量：模型完成任务比无辅助专家快约 100×、便宜约 100× | 任务原创且非公开语料，是这张表里抗污染设计最强的一个；系统性检测未公开 | 现役并在持续更新。2025-09 Claude Opus 4.1 47.6% win-or-tie（全场最佳，GPT-5 次之）→ 2025-12 GPT-5.2 Thinking 70.9% → 2026-04 GPT-5.5 84.9%。OpenAI 自陈 v0 是早期版本 |

  

表格来源：Codex 论文 arXiv:2107.03374 ^[75]；SWE-Lancer arXiv:2502.12115 ^[76] 与 官方页 ^[77]；PaperBench arXiv:2504.01848 ^[78]；HealthBench arXiv:2505.08775 ^[79]；GDPval arXiv:2510.04374 ^[80] 与 官方页 ^[81]；OpenAI Evals 随 GPT-4 发布公告 ^[82]（2023-03-14）开源。T2 官方论文/公告　凡本站未取得可核验一手口径的格子，一律写「未公开」而非估算值。

(a) 评分器的四级演化，以及它引入的循环依赖

把上表的「评分器」一列单独抽出来读，是一条独立的技术史：字符串精确匹配 →（可执行的）单元测试 → model-based grader → 人类专家盲评。前两级的共同点是评分器与被评者在原理上无关——Python 解释器不会因为模型变强而变得更宽容。第三级开始，这个隔离被打破了。SimpleQA 用分类器判三态、PaperBench 用 LLM judge 打 8,316 个子任务、HealthBench 用 model-based grader 套 48,562 条 rubric，这些评分器本身就是语言模型。

**由此产生一个新的循环依赖：评分器与被评者可能共享同一批失效模式。**如果被评模型与评分模型在同一类语料上训练、被同一套 RLHF 偏好塑形，那么「格式漂亮但内容空洞」「自信地编造引用」「回避不确定性」这些倾向，很可能同时是被评者的错误来源与评分者的盲点。这不是假设——GDPval 给出了目前唯一一个可以量化的锚点：自动 grader 与人类专家的一致率是 66%，而人类专家彼此之间的一致率是 71%。两者只差 5 个点，听上去是自动评分很成功；但换一个读法：连「什么算好交付物」这件事，人类专家之间都有 29% 不一致——那么建立在这个基础上的 model-based grader，其误差下界已经被人类共识的稀薄程度锁死了。凡使用 model-based grader 的分数，都必须同时报告 grader 与人类的一致率；不报的，本站按「未公开」处理。

(b) 成本进入评测：从「能不能做」到「值多少钱」

SWE-Lancer 与 GDPval 做了同一件在评测史上罕见的事——把单位从「准确率」换成了「美元」。SWE-Lancer 的分数是「模型在 1,400 多个真实 Upwork 任务上赚到了多少钱」，任务标价从 50 美元的 bug fix 到 32,000 美元的功能实现，2025-02 最好的模型赚到 208,050 美元，不足总盘的 40%。GDPval 虽然主指标仍是胜负平，但它的构造原则是按 GDP 贡献自上而下抽样，并且把「比无辅助专家快约 100×、便宜约 100×」写进了主结论。

这不是换个单位那么轻。准确率是一个无量纲数，它可以在任何两个基准之间被幼稚地类比；美元不行。美元自带三个准确率没有的性质：可加、可与人类劳动直接对齐、且把 test-time compute 的开销自动记进同一个账本——一个花 4,560 美元解出一道题的系统，在美元口径下会立刻暴露它的经济性质，而在准确率口径下它和花 26 美元的系统长得一模一样。它同时把评测从「能不能做」推进到「值多少钱」，也就把姚顺雨所说的 utility problem 变成了可以逐年测量的曲线（见 下一节）。代价也很清楚：以美元计分的基准必须绑定一个真实市场，而市场会变——Upwork 的报价结构、医疗行业的合规要求、GDP 的行业构成，都不是稳定的度量衡。

(c) 污染与版本：SWE-bench 谱系用 18 个月从事实标准走到被判死，替代方案再五个月后也被撤回

HumanEval 的处境是这张表上最直白的：2021 年它靠「手写而非爬取」抵抗污染，2026 年它已经被广泛污染——GEM 系统综述记录了确认的 10-gram 碰撞，LiveCodeBench 的时间分层实验显示模型在训练 cutoff 之后的题上掉分。加上 2023–2024 年就已经饱和（GPT-4o 90.2%），2026 年引用 HumanEval 分数只有一个合法用途：确认推理管线没坏的 smoke test。

更具方法论价值的是 SWE-bench 谱系的退役过程，因为它是 OpenAI 连续两次公开自我否定的记录：

2023-10 **SWE-bench 原版**（2,294 issue / 12 仓库）→
2024-08-13 **Verified**（93 名开发者筛出 500 题）→
2026-02-23 **OpenAI 宣布不再使用**→
改荐 **SWE-bench Pro**→
2026-07-08 **撤回推荐**

原版 SWE-bench 的问题是低估：大量任务实际不可解，GPT-4o 只有 16%。2024-08-13 OpenAI 与 SWE-bench 作者合作，请 93 名有经验的 Python 开发者人工筛查 1,699 个样本，留下 500 个确认可解的，同时公开全部人工标注（可按难度切片：196 个 15 分钟以内的 easy、45 个 1 小时以上的 hard）。GPT-4o 随即从 16% 升到 33.2%——这个跳变本身就是「原版低估」这一诊断的验证，Verified 也因此成为 2024–2025 的事实标准。

然后是2026-02-23。OpenAI 公布的污染证据非常硬：所有被测前沿模型都能复现原始的人写 gold patch，或逐字复现问题陈述的具体内容；触发调查的是 GPT-5.2 解出了 31 个「我们判定几乎不可能解出」的任务；红队方法是用 GPT-5 在 15 轮内探测非推理模型（GPT-5.2-Chat / Claude Opus 4.5 / Gemini 3 Flash Preview），变换 system/user prompt 与 assistant prefill。最刺眼的两个例子：Claude Opus 不仅回忆出 PR 引入的确切 4 行改动、文件名与方法名，还逐字引用了 diff 里的行内注释；Gemini 3 Flash 只给任务 ID 就能逐字输出任务描述与 gold patch，包括新增的用户名校验正则与确切行号。

OpenAI 当时给出的替代建议是 Scale AI 的 SWE-bench Pro（1,865 个任务 / 41 个仓库，public split 731 个）。五个月后，2026-07-08 这份建议被自己撤回：731 题公开切分上，前沿模型 8 个月内从 23.3% 涨到 80.3%；OpenAI 的审计用自动流水线标记出 200 个（27.4%）坏任务，五名工程师的人工标注行动识别出 249 个（34.1%），两法一致率 74%，综合估计约 30% 的任务是坏的。根因诊断对整个评测界都成立：这些测试原本是为人类协作写的——问题描述、参考补丁、单元测试三者在 PR 作者与 maintainer 的来回讨论中形成，人类审阅者会理解言下之意、会容忍风格差异；机械地转成「输入–输出–判定」三元组之后，测试常常断言的是「这一次的实现方式」而不是「行为契约」，正确但不同的解法被判错。

这段历史给出的可操作结论只有一条，但很硬：基准的半衰期已经短于模型的迭代周期。Verified 从事实标准到被作者方之一判死用了 18 个月；Terminal-Bench 从 2.0（2025-11-07，89 个任务）到 2.1（2026-05-06）只用了 6 个月，就修掉了 89 个任务里的 28 个并引入持续验证机制，而 2.0 与 2.1 的分数不可直接比较。因此本站对所有基准分数强制标注版本号，并且拒绝任何跨版本、跨年度的分数直连。

来源：OpenAI《Introducing SWE-bench Verified》 ^[83]（2024-08-13）；OpenAI《Why SWE-bench Verified no longer measures frontier coding capabilities》 ^[12]（2026-02-23）；OpenAI《Separating signal from noise in coding evaluations》 ^[84]（2026-07-08）；SWE-bench 原版 arXiv:2310.06770 ^[85]；Terminal-Bench arXiv:2601.11868 ^[74]。T2 官方论文/公告

姚顺雨《The Second Half》：为什么「评估比训练更重要」会成为 OpenAI 的新认知

⚑ 引用这一节之前必须先厘清的两件事

一 · 身份会变，引语的身份标注必须跟着变。姚顺雨（Shunyu Yao）的任职区间是：2024 年年中入职 OpenAI（中文报道多称 2024-08，Caixin 称 2024-06，本页采用「2024 年年中」）→ 2025-09 离开 OpenAI → 2025-12-17 出任腾讯 CEO/总办首席 AI 科学家。因此《The Second Half》（2025-04）是在职期间的产出，可标「发言时身份：OpenAI 现任研究科学家」；而他在 2025-09 之后的任何表述都必须标为离职后 / 竞品（腾讯）任职期间。把这两段混为一谈，会让「OpenAI 研究员说评估比训练更重要」这句话在时间上失真。

二 · 姚顺雨 ≠ 姚顺宇。两人是同音异名的不同学者，业内常混。姚顺宇（清华物理 → 斯坦福理论物理博士）于 2025-10 加入 Google DeepMind；ReAct / Tree of Thoughts / SWE-bench / τ-bench 的作者是姚顺雨。本页所有相关表述均指后者。另需注意：腾讯新闻旗下分析文章明确指出，把他称作「腾讯首席科学家」或「腾讯首席 AI 科学家」都不精确——完整职衔的两个定语（CEO/总办、AI）都不能省，腾讯另有首席科学家。T2 官方论文/公告　依据：research/BUILD-CORRECTIONS.md §G1（Bloomberg / SCMP 三源复核）与 04-people-dossier.md。

姚顺雨（Shunyu Yao），发言时身份：OpenAI 研究科学家（现任），2024 年年中入职，ReAct 与 Tree of Thoughts 的作者，参与 Operator 与 Deep Research 的核心研发。2025-04 他在个人博客发表《The Second Half》（ysymyth.github.io/The-Second-Half ^[86]），文末注明「基于我在 Stanford 224N 与哥伦比亚大学的演讲；我用 OpenAI deep research 读我的幻灯片并写了初稿」。下面把它的论证链完整复述一遍——它值得复述而不是摘要，因为这是一条五步推理，任何一步被跳过，结论都会退化成一句口号。

第一步：上半场的配方与记分板。过去几十年 AI 的游戏规则是「提出新的训练方法或模型 → 在基准上爬坡 → 造更难的基准 → 继续循环」。姚顺雨用引用量给出了一个可量化的证据：Transformer 的主基准是 WMT’14，其 workshop report 引用约 1,300 次，而 Transformer 论文本身超过 16 万次；即便是史上影响力最大的基准 ImageNet，引用量也不到 AlexNet 的三分之一。方法是稀缺资源，benchmark 只是记分板——这就是上半场的价值分配。

第二步：配方被跑通，RL 终于泛化了。他把 RL 拆成算法、环境、先验三要素，指出研究界长期只关心算法（REINFORCE、DQN、TD-learning、actor-critic、PPO、TRPO），而 OpenAI 早期的 Gym / World of Bits / Universe 路线证明光有环境不够——「它从未接近解决计算机使用或网页导航，且在一个域里工作的 RL agent 无法迁移到另一个域」。缺的是先验：语言预训练。加上「把语言推理本身当作动作」这个环境改造之后，配方成立。他自己 2019 年做 CALM（世界上第一个基于预训练语言模型的 agent）时的顿悟被写成一句抽象命题：「语言通过 agent 中的推理来实现泛化。」

**第三步：边际价值转移，于是有了那句核心命题。**配方一旦标准化，「用新方法在某个任务上提升 5%」就会被「下一代 o 系列不针对该任务也提升 30%」直接压过。稀缺性从「新方法」转移到「新任务定义与新评估」——

第四步：utility problem——为什么「更难的考试」不再是答案。这是全文最容易被中文标题党吃掉的一段。他的论证不是「基准饱和了所以要造更难的」，恰恰相反：造更难的考试是惯性，而惯性正是要被质疑的对象。

他把病根定位在现有评测设定与真实世界设定的三处系统性错配：其一，自动化打分——评测「应当」自动跑，于是 agent 拿到输入、自主执行、拿到奖励；但真实场景里 agent 全程要与人纠缠，「你不会给客服发一条超长消息、等十分钟、然后指望一份详尽回复把事情全解决」。其二，独立同分布假设——500 个任务各跑各的再取平均；但真实工程师在同一个仓库里越干越熟，而 agent 解同一个仓库的许多 issue 却不会积累这种熟悉度。其三，单轮交互——一次性交付，没有澄清、没有返工。这三条正好命中了本页表格里 GDPval 的自陈限制（one-shot、无多轮起草）与 τ²-bench 之所以要做「双控」环境的动机。

**第五步：研究者要像产品经理一样定义任务与效用。**下半场的新循环被他写成两行：「我们为真实世界效用开发新的评测设定或任务 → 用配方解决它们，或用新组件增强配方 → 继续循环」。原文明确说这需要「一次及时的心态与技能切换，或许更接近一位产品经理」。

关于这篇文章的分量，还有一层必须归属清楚的评价：拾象 / 海外独角兽在作者授权的全文中文编译的编者按里写道，「有评论称这篇文章是 Bitter Lesson 级别的存在……Bitter Lesson 启发了大家从『人类指导 AI』转向算力和数据的 scaling，而 The Second Half 告诉大家在 RL 全面到来时，我们应该彻底重新思考问题定义和真实用例的 evaluation」。这个「Bitter Lesson 级别」的定位是编译者的判断，不是姚顺雨原文里的自我评价，引用时必须分开。

来源：ysymyth.github.io/The-Second-Half ^[86]T1 逐字/官方转录；中文编译与编者按见 海外独角兽《The Second Half：一位 OpenAI 科学家的 AI 下半场启示录》 ^[87]（2025-04-17，作者授权编译）T4 二手整理/编译

为什么这会成为「OpenAI 的新认知」，而不只是一篇个人博客

把时间轴对齐看，会发现这篇 2025-04 的博客与 OpenAI 此后一年多的评测动作高度同构。SWE-Lancer（2025-02）把评测锚到美元，比博客早两个月；GDPval（2025-09）把评测锚到 GDP 与 O*NET 职业分类，正面回应「世界并没有按经济与 GDP 的口径改变」这一诊断；2026-02 与 2026-07 两次对 SWE-bench 谱系的公开否定，做的正是博客里那句「不只是造更难的基准，而是从根本上质疑既有的评测设定」；而 2025–2026 的 agent 产品线（Deep Research、Operator、Codex）几乎每一个都配套一个自建评测（BrowseComp、OSWorld 口径、SWE-Lancer）。如果把「评估比训练更重要」当作一个可观测的组织行为假设，OpenAI 在 2025–2026 的资源投放方向与它是一致的。

▲ 归属警告：把它称作「OpenAI 的认知」是一个推断，不是事实

推断T5 作者推断　《The Second Half》是一位研究员的个人博客，发表在个人域名上、基于两场高校演讲，OpenAI 从未把它列为官方立场，也未在任何官方文档中引用它作为评测方针。本节标题里「会成为 OpenAI 的新认知」是本站基于「博客主张」与「机构行为」时间上的同构做出的归属推断，属 T5。

反面证据同样存在：(1) 上述评测动作里最早的 SWE-Lancer 早于博客两个月，因果方向可能相反或根本无因果——更可能是同一批人面对同一批事实各自得出结论；(2) OpenAI 在 2025–2026 仍然大量发布传统口径的基准分数（AIME、GPQA、SWE-bench Verified），并未把资源重心从训练转向评估；(3) 姚顺雨本人在 2026-06 公开表示「下半场」这个词有点被滥用了。改判条件：若 OpenAI 在官方研究方针、Model Spec 或 system card 中明确引用该文或其命题，则本推断升级为事实；若无，本站维持 T5。

补一条中文语境的观察（只记录，不展开）：姚顺雨于 2025-09 离开 OpenAI，2025-12-17 出任腾讯 CEO/总办首席 AI 科学家；2026-06-05 他在腾讯云 AI 产业应用大会上公开谈「AI 下半场」——此时他的发言时身份已经是「离职后 + 竞品任职」，不再是「OpenAI 现任」，同一套论述在两种身份下的可归属性完全不同。注意两个日期不能合并：离职（2025-09）与新任命（2025-12-17）相隔三个月，2025-09-12 腾讯官方公众号还曾辟谣过「姚顺雨上亿薪资入职腾讯」的传闻；把「2025-12 离开 OpenAI 加入腾讯」写成一句，会同时错标离职时间并抹掉那段空窗。人物线见 ④ 群像。T3 可靠媒体一手采访

评测危机：污染、饱和、Goodhart，以及误差棒去哪了

「评测出问题」不是一件事，是四件独立的事，各有各的检测方法与修复路径，混为一谈是当前公共讨论最大的病：①污染（题进了训练集 → 分数虚高、跨模型不可比）、②饱和（题太简单 → 无区分度）、③Goodhart 与刷榜（优化排行榜本身 → 排名与能力脱钩）、④方法论（无误差棒、样本量不足、聚类未校正 → 把噪声当进步）。②③④ 即使在一个零污染的世界里也全部成立，而公共讨论把九成注意力给了①。

① 污染：GSM8K → GSM1k 是迄今最干净的一次对照实验

污染最难的地方在于不可证伪：闭源模型的训练语料不可查，「你污染了」与「我没有」都无法被第三方验证。2024-05-01 Scale AI 的《A Careful Examination of Large Language Model Performance on Grade School Arithmetic》（arXiv:2405.00332 ^[88]）用一个绕开该困境的设计给出了答案：人工重造 1,250 道与 GSM8K 同难度、同分布、同格式的小学数学题，全程不公开，然后比较同一模型在 GSM8K 与 GSM1k 上的差距。部分模型族（尤以 Mistral、Phi 系列为甚）掉分明显；2026 年的 GEM 系统综述把结论复述为「GSM8K 上准确率最高掉 8%，且掉分幅度与模型逐字生成训练样例的概率的相关系数 ρ = 0.60」。

ρ = 0.60 是这项研究里最有价值的数字，因为它把两个独立测量联系了起来：「掉多少分」与「能不能背出原题」。相关不等于因果，但它排除了最主要的替代解释——如果掉分只是因为新题更难，那它不应该与模型的记忆能力相关。作为对照，ConStat 方法对 InternLM-2-Math-7B 估计的污染效应高达 δ = 27%–40%。

展开：污染检测方法谱系（六种方法各自需要什么权限、各自失效在哪）

  方法原理需要什么权限局限| 方法 | 原理 | 需要什么权限 | 局限 |

  
    **n-gram 重叠**在训练语料里搜测试题的 \(n\)-gram（典型 \(n=8\)–13）**训练语料访问权**闭源模型完全不适用；改写或翻译后的污染检测不到| n-gram 重叠 | 在训练语料里搜测试题的 \(n\)-gram（典型 \(n=8\)–13） | 训练语料访问权 | 闭源模型完全不适用；改写或翻译后的污染检测不到 |

    **canary 字符串**数据集里嵌入 UUID，问模型能否复现无只能证明「见过这个文件」，不能证明「训练了这些题」；构造者必须提前埋| canary 字符串 | 数据集里嵌入 UUID，问模型能否复现 | 无 | 只能证明「见过这个文件」，不能证明「训练了这些题」；构造者必须提前埋 |

    **困惑度 / 记忆探针**测试题的 PPL 显著低于同分布新题logprobs多数 API 已不返回 logprobs；RLHF 之后 PPL 校准被破坏| 困惑度 / 记忆探针 | 测试题的 PPL 显著低于同分布新题 | logprobs | 多数 API 已不返回 logprobs；RLHF 之后 PPL 校准被破坏 |

    **时间分层**用训练截止日之后发布的题重测，看掉分知道 cutoffcutoff 常不准；新题分布可能与老题不同，构成混淆变量| 时间分层 | 用训练截止日之后发布的题重测，看掉分 | 知道 cutoff | cutoff 常不准；新题分布可能与老题不同，构成混淆变量 |

    **私有平行集**人工重造一份同分布新题，比较掉分大量人力「同分布」难以严格保证；GSM1k 花了大量人工| 私有平行集 | 人工重造一份同分布新题，比较掉分 | 大量人力 | 「同分布」难以严格保证；GSM1k 花了大量人工 |

    **ConStat**统计上把污染定义为「相对于参考基准的异常性能」多个基准 × 多个模型依赖参考基准本身干净| ConStat | 统计上把污染定义为「相对于参考基准的异常性能」 | 多个基准 × 多个模型 | 依赖参考基准本身干净 |

  

把这张表读完就会发现：**唯一不需要训练语料访问权、又能给出定量结论的，只有「私有平行集」这一条，而它最贵。**这解释了为什么 2026 年污染检测仍以指控与反驳为主、以复现研究为辅。

第二条路是把基准做成滚动的。LiveCodeBench（arXiv:2403.07974 ^[89]，2024-03）从 LeetCode / AtCoder / Codeforces 持续抓新题并逐题标注发布日期，评测时只用模型 cutoff 之后的题；实证结果很直接——DeepSeek-Coder-Instruct-33B 在 2023-08 之后（即其发布前夕）的题上性能陡降，DeepSeek 团队自己也在论文里承认「模型在 7 月和 8 月的 LeetCode 竞赛上得分更高」。LiveBench（arXiv:2406.19314，2024-06-27）走得更远：题目每月更新、拒绝使用 LLM judge（只收有客观答案的题）、六大类别覆盖，发布时没有任何模型超过 65%。2026 年 GEM 综述的结论是：「评测应当被持续生成或刷新，而不是周期性冻结。」

**但滚动更新有两个必须写出来的代价。**其一，它破坏可比性：老模型没在新题上测过，历史序列断裂。其二，也是更少被提及的——它与统计功效直接冲突：LiveCodeBench 自己算过，只用 cutoff 之后的题会把样本量砍到约 180 题，引入 1–1.5% 的性能波动噪声（用 511 题里抽 180 题做 bootstrap 估计）。这条会在下面的误差棒一节再次出现。

② 饱和：把三种成因分开，才知道该修哪一个

先给这一段加一条读法约束。下面这条时间线里的每个百分数都是饱和标记，不是可比分数：各点的模型版本、评测日期、工具权限、harness 与采样预算全都不同，本报告也未逐点还原其成本与污染状况。它只能用来读「这个基准在哪一年失去了区分度」，不能用来读「谁比谁强」；按本页六项规则，这些数字不进入任何横向排名。

时间线本身已经说明问题：GLUE（2018-04，人类 87.1）2019 年被超越，逼出 SuperGLUE（2019-05，人类 89.8），2020–2021 年再度被超越；MMLU（2020-09，专家基线 89.8；下列各点的模型版本、评测日期、工具权限、harness 与采样预算均不同）在 2023–2024 年被前沿模型推到 88% 以上，2025 年后普遍 >90%；GSM8K（2021-10，OpenAI）与 HumanEval（2021-07，OpenAI）在 2023–2024 年双双越过 95% / 90%；MATH（2021-03）在 o1/o3 一代越过 90%；GPQA Diamond（2023-11，领域博士基线 65%；多数报告未给采样预算与成本）2025 年越过 85%；AIME 2025 年起前沿普遍 >90%；SWE-bench Verified（2024-08）2025–2026 年越过 70%。相对地，HLE 与 ARC-AGI-2 至 2026-07 仍未饱和。

关键在于把三种成因分开，因为它们的修复路径完全不同：

• 真的被解决了——模板化、可自动验证的任务（HumanEval 属此类）。修复路径是造更难的题，这是唯一一种「饱和是好消息」的情形。

• 污染造成的假饱和——HellaSwag 是最典型的例子：至少两种独立技术标记出污染，ConStat 估计效应 6%–11%，且所有排名靠前的 7B 模型都中招。修复路径是换题不是换难度。

• 题目本身的天花板效应——这一条最被忽视。四选一的多选题随机基线就是 25%；更要命的是标注噪声给了一个 <100% 的实际上限。当一个基准的标注错误率是 3% 时，92% 与 95% 之间的差距完全落在噪声里，>95% 的分数在信息论意义上已经不可区分。MMLU 被发现存在数个百分点的标注错误（具体研究待核实，本站按未核实处理）。

三种成因指向同一条操作纪律：看到「饱和」二字，先问是哪一种。把第 2 类当第 1 类处理，就会造出一个同样会被污染的更难基准；把第 3 类当第 1 类处理，则会在噪声上继续投入算力。

③ Goodhart 与刷榜：排行榜是一个有激励结构的市场，不是一个测量仪器

「当一个度量成为目标，它就不再是一个好度量。」在 LLM 语境下这句话有三条具体机制：训练时优化（把基准或其同分布数据放进训练集）、推理时优化（为特定基准调 prompt / scaffold / 采样策略——不违规，但破坏「模型能力」的可比性）、选择性披露（跑 N 个变体只公布最好的——这是统计意义上的 (\max) 偏差，不是作弊，但效果等同）。第三条正是《The Leaderboard Illusion》的核心。

该文为 arXiv:2504.20879 ^[90]（2025-04-29，Cohere Labs 联合 AI2、普林斯顿、斯坦福、滑铁卢、华盛顿等，68 页，NeurIPS 2025 D&B track），分析了约 200 万场对战、243 个模型，给出四项指控：

审计窗口 2025-01 至 2025-03 内，Meta 有 27 个私有变体、Google 10 个，把 Meta 在 vision 榜的私有模型也算进去总数达 43 个；小厂如 Reka 只有 1 个，学术实验室 0 个。第四项指控给出了数据访问的收益量级：「即便是有限的额外数据，也能在 Arena 分布上带来最高 112% 的相对性能提升（按我们保守的估计）。」

但这篇论文最深刻的一条批评是统计学的，不是伦理学的：静默退榜违反了 Bradley-Terry 模型的基本假设。BT 模型假设每个模型的强度恒定、对战来自同一分布；当模型被静默更新、被撤下之后，其历史评分不再参与优化，会让留在榜上的模型的相对分数发生漂移。也就是说，问题不只是「不公平」，而是排名的数学基础被破坏了——这与污染是两个完全独立的失效通道。

配套的现实案例是 Meta Llama 4 事件（2025-04-05/06）：Maverick 在 LMArena 高位登榜，随即被发现榜上的模型不是公开发布的那一个，而是一个明显针对人类偏好优化过的「experimental chat version」（更长、更多 emoji、更多 markdown）；LMArena 随后发布了一份被 Simon Willison 称为「准道歉」的声明，承认政策未能阻止这种情况。而 LMArena 的辩解——「最好的模型，无论来自哪个厂商，都会被上采样以改善用户体验」——在用户体验上说得通，在测量上是致命的：它意味着排行榜的采样密度依赖于当前排名，形成正反馈。

与 OpenAI 的关系必须写清楚两面：一方面，OpenAI 是这种结构性不对称的主要受益方之一（20.4% 的 Arena 数据），尽管论文没有指控它有任何越界行为；另一方面，OpenAI 的模型发布从不以 LMArena 作为主打指标，更常用 MMLU / GPQA / AIME / SWE-bench 与自建评测——这在事后看是一个正确的判断，但也把问题挪到了另一个位置：由被评测方出资并设计的评测，独立性从何而来（见下）。

④ 误差棒：最容易修、也最没人修的一层

Miller 的框架只有一句话：把评测题目视为从一个看不见的超总体（super-population）中抽样，于是分数不再是一个确定值，而是一个带抽样误差的估计量。

\[ \mathrm{SE}=\sqrt{\frac{\hat p(1-\hat p)}{n}},\qquad \text{95\% CI}=\hat p\pm 1.96\,\mathrm{SE} \]
\[ \mathrm{SE}_{\text{clustered}}=\mathrm{SE}\cdot\sqrt{\mathrm{DEFF}},\qquad \mathrm{DEFF}=1+(m-1)\,\rho_{\text{ICC}} \]
\(\hat p\)＝观测通过率，\(n\)＝题数，\(m\)＝每个聚类的平均题数，\(\rho_{\text{ICC}}\)＝聚类内相关系数，DEFF＝设计效应。**上式是 i.i.d. 情形；下式是聚类抽样的修正。**Miller 原文给出的是跨聚类加聚类内交叉项的三重求和形式，此处写成抽样统计中等价的设计效应形式便于读数（**这一改写是本站的整理，非原文记法**）。

怎么用：GDPval gold 子集 (n=220,\ \hat p=0.476) → (\mathrm{SE}=0.0337) → 95% CI = [41.0%, 54.2%]，即 41% 与 54% 的两个模型在统计上不可区分；每职业 5 题时 (n=5) → (\mathrm{SE}\approx0.22) → CI 宽度接近 ±44 个百分点，「模型在护士这个职业上更强」这类结论在 (n=5) 下没有统计意义。

聚类修正是这篇论文里最反直觉的一条。许多基准的题目并不独立——同一段阅读材料出多道题、同一个代码库出多个 bug、同一个职业出多个任务。此时朴素 SEM 会严重低估真实不确定性：

3 倍的标准误低估意味着什么，换算一下就很刺眼：名义上的 95% 置信区间，实际覆盖率约为 65%——也就是说，每三次「显著优于」的断言里，大约有一次是错的。Miller 还点名 Llama 3 论文报告的阅读理解类置信区间「很可能是反保守的（过窄）」。他给出的四条建议都不昂贵：每个分数都报 SEM（用中心极限定理而非 bootstrap——他明确说 OpenAI evals 框架默认的 bootstrap 是不必要的）；比较两个模型时用配对差分（同一批题上两模型得分之差的标准误，比两个独立标准误的合成小得多，因为消掉了题目难度的共同方差）；聚类抽样时做聚类调整；先算需要多少题才能检测到你关心的效应量，再去跑。

那为什么这条批评到 2026 年仍未被广泛采纳？三个结构性原因（本站判断，非引文）：激励错配——报误差棒会让自家模型的领先变得「不显著」；成本——前沿模型跑一次完整 eval 已经要数千到数万美元（ARC-AGI-3 明确把这写成了设计约束），把 (n) 加大到统计需要的量级，成本线性上升；与抗污染直接冲突——上文 LiveCodeBench 的自陈已经说明，只用 cutoff 之后的题会把 (n) 砍到 180。三者合起来构成评测设计的不可能三角：**抗污染、成本可承受、有统计功效——任意两个容易，三个同时满足在 2026 年还没人做到。**这是评测危机最本质的形式。

OpenAI 在这一层上有一正一反两个案例。正面：GDPval 论文明确报告了自动评分器与人类的一致率（66% vs 人类专家之间的 71%）——这是测量工具本身的信度报告，比绝大多数基准做得好。反面：o3 那个 ARC-AGI 87.5% 是 100 题上的单次结果，(\mathrm{SE}\approx3.3%)，95% CI ≈ [81%, 94%]；这个区间的宽度，足以吞掉后来围绕「o3 正式版只有 53%」所展开的大部分进步叙事。T5 作者推断（区间为本站按上式代入 (\hat p=0.875,\ n=100) 手算，非官方发布）

新一代 benchmark 各自在回应哪一层危机

基准回应的危机层设计手段2026-07 状态| 基准 | 回应的危机层 | 设计手段 | 2026-07 状态 |


  **ARC-AGI-1**（2019-11）②饱和 + ①污染把智能定义为**技能获取效率**而非技能本身；每题唯一、无法记忆、少样本。人类单题约 30 秒2024-12 被 o3-preview 以 87.5% 攻破（但该配置未进公共榜）；公开版 o3 仅 41%–53%| ARC-AGI-1（2019-11） | ②饱和 + ①污染 | 把智能定义为技能获取效率而非技能本身；每题唯一、无法记忆、少样本。人类单题约 30 秒 | 2024-12 被 o3-preview 以 87.5% 攻破（但该配置未进公共榜）；公开版 o3 仅 41%–53% |

  **ARC-AGI-2**（2025-03-24）②饱和转向**推理复杂度扩展**（多步推理、序贯规则应用、符号解释）；**400+ 名未受训参与者校准，保证 100% 可解**；人类单题约 300 秒未饱和。o3 / o4-mini 各档均 <3%；2025 竞赛私有集最高 24% @ 0.20 美元/题；Poetiq harness + Gemini 3 Pro 54% @ 31 美元/题| ARC-AGI-2（2025-03-24） | ②饱和 | 转向推理复杂度扩展（多步推理、序贯规则应用、符号解释）；400+ 名未受训参与者校准，保证 100% 可解；人类单题约 300 秒 | 未饱和。o3 / o4-mini 各档均 <3%；2025 竞赛私有集最高 24% @ 0.20 美元/题；Poetiq harness + Gemini 3 Pro 54% @ 31 美元/题 |

  **ARC-AGI-3**（2026 年初）②饱和 + ④方法论**交互式环境**；首次把**效率**做进主指标（Y 轴是动作效率而非准确率）；因跑完整评测集需「数万美元 API 费用」，对每关设 **5× 人类基线中位动作数**的行动预算arXiv:2603.24621。**「评测本身太贵」已成为基准设计的一阶约束**——这是 2019 年不存在的问题| ARC-AGI-3（2026 年初） | ②饱和 + ④方法论 | 交互式环境；首次把效率做进主指标（Y 轴是动作效率而非准确率）；因跑完整评测集需「数万美元 API 费用」，对每关设 5× 人类基线中位动作数的行动预算 | arXiv:2603.24621。「评测本身太贵」已成为基准设计的一阶约束——这是 2019 年不存在的问题 |

  **Humanity's Last Exam**（2025-01-23）②饱和2,500 道专家审核题，多模态，覆盖数学 / 自然科学 / 人文；构建流程 70,000 次尝试 → 13,000 候选 → 6,000 提交 → 2,500 定稿未饱和。arXiv:2501.14249 [@src-f57b43db7e]，2026 年发表于 *Nature* 649:1139–1146，是首批进入 Nature 的 LLM 基准论文之一。**带工具最高 64.7%（2026-04），无工具口径 53.3%（2026-07）**| Humanity's Last Exam（2025-01-23） | ②饱和 | 2,500 道专家审核题，多模态，覆盖数学 / 自然科学 / 人文；构建流程 70,000 次尝试 → 13,000 候选 → 6,000 提交 → 2,500 定稿 | 未饱和。arXiv:2501.14249，2026 年发表于 Nature 649:1139–1146，是首批进入 Nature 的 LLM 基准论文之一。带工具最高 64.7%（2026-04），无工具口径 53.3%（2026-07） |

  **FrontierMath**（2024-11-07）①污染 + ②饱和原创的高难数学题，题目不公开见下：**「OpenAI 出资并拥有题目」是评测独立性的关键案例**| FrontierMath（2024-11-07） | ①污染 + ②饱和 | 原创的高难数学题，题目不公开 | 见下：「OpenAI 出资并拥有题目」是评测独立性的关键案例 |

  **GDPval**（2025-09-25）②饱和 + **效用问题**放弃「难题」原则，改用**经济代表性**作为构造原则（按 GDP 与 O*NET 自上而下抽样）；人类专家盲评现役并在更新；批评见下方局限区块| GDPval（2025-09-25） | ②饱和 + 效用问题 | 放弃「难题」原则，改用经济代表性作为构造原则（按 GDP 与 O*NET 自上而下抽样）；人类专家盲评 | 现役并在更新；批评见下方局限区块 |

HLE 的「带工具 64.7% vs 无工具 53.3%」这 11 个点，是本节最重要的方法论教训。HLE 被设计成一场「闭卷学术考试」，但榜单上占主导的成绩是带联网检索与代码执行跑出来的。这两个数字在衡量完全不同的东西——一个是模型内化的知识与推理，一个是 agent 系统的检索与验证能力。任何跨榜单比较 HLE 分数的行为都是无效的，除非同时给出工具权限、harness 与采样预算三项配置；这正是本节开头六项规则里第③项存在的理由。HLE 论文自己也把边界写得很清楚：「在 HLE 上取得高分能证明在封闭式、可验证问题上的专家水平，但这本身并不意味着自主研究能力或『通用人工智能』……HLE 可能是我们需要给模型出的最后一场学术考试，但它远不是 AI 的最后一个基准。」

FrontierMath：当造评测的钱只能来自被评测的人

这是评测独立性问题上最完整、也最必须写清楚的一个案例。时间线全部可核实：2024-11-07 Epoch AI 发布 FrontierMath 论文（arXiv:2411.04872 ^[91] v1），未提及任何资助方；2024-12-20 OpenAI 在「12 Days of OpenAI」宣布 o3 得 25.2%（此前所有模型 <2%），同一天 Epoch 把论文更新到 v5，加入对 OpenAI 支持的致谢；2025-01-19 TechCrunch 报道争议；2025-01 Epoch 发布澄清声明。

Epoch 澄清声明里承认的事实，逐条都很重：(1) OpenAI 委托 Epoch 生产 300 道题，构成基准核心，且OpenAI 拥有这 300 道题的所有权；(2) OpenAI 可以访问这些题的题面与解答，例外是随后加入的 50 道 holdout（只给题面，不给解答）；(3) Epoch 可以用全部题目评测并发表，但未经 OpenAI 书面许可不能把题目分享给第三方；(4) 关于「不用这些题训练模型」，OpenAI 与 Epoch 之间只有口头协议；(5) 参与出题的 60 多位数学家中许多人不知情——他们签的 NDA 只覆盖题目保密，多数人以为成果仅供 Epoch 内部使用；出题报酬约 300–1,000 美元/题。

争议的真正伤害不在于「OpenAI 可能作弊」。连提出批评的 LessWrong 作者自己都写道，他个人认为 OpenAI 的分数是真实的，因为这个数据集太宝贵了，不值得拿来记忆。伤害在于：「独立基准」这个概念在结构上被侵蚀了。一个高质量前沿基准需要 60 多位顶尖数学家的时间、严格的出题与审核、抗污染的原创题——这需要数百万美元；而在 2024 年，只有 AI 实验室有动机和能力出这笔钱。Epoch 自己说得很直白：在接触了几个潜在资助方之后，他们与 OpenAI 合作。**于是形成闭环：唯一有钱做独立基准的机构，就是那个要被基准评价的机构。**这不是道德问题，是结构问题——同样的结构在 SWE-bench Verified、SimpleQA、MLE-bench、PaperBench、BrowseComp、HealthBench、GDPval 上反复出现：到 2026 年，OpenAI 官方基准表里的多数基准，OpenAI 都以某种方式参与了创建。

这个案例催生的三条制度建议值得直接采用为政策主张：资助方必须披露，至少要对实际出题的人披露；数据访问权必须披露（谁能拿到题面、谁能拿到解答）；必须是书面协议明确规定数据用途（训练 / 验证 / 评测），而非口头协议。作为对照，GDPval 那个「反直觉的结果」——OpenAI 自建、自资、自运营自动评分服务，而首发结论是 Claude Opus 4.1 综合第一——反而是它可信度最强的证据：如果要做假，不会让竞品拿第一。但这只是个案的可信度，不是结构的可信度。

来源：Epoch AI 澄清声明 ^[92]；TechCrunch（2025-01-19） ^[93]；FrontierMath 论文 arXiv:2411.04872 ^[91]。T2 官方论文/公告T3 可靠媒体一手采访

▲ 本节的假设与反方证据

(1)「污染」本身缺乏统一的可复现检测标准，很多污染指控同样是不可证伪的。上面那张检测方法谱系表已经说明：六种方法里，n-gram 需要训练语料访问权（对闭源模型完全不适用），canary 只能证明「见过这个文件」，困惑度探针在 RLHF 之后失效，时间分层受 cutoff 不准与分布漂移双重混淆。唯一给出定量结论的私有平行集又最贵。因此「某基准被污染了」在多数情形下是一个无法被第三方验证也无法被证伪的断言——包括本节引用的部分结论在内。本站的做法是只引用带具体检测方法与效应量的污染结论（如 ρ=0.60、δ=27%–40%、10-gram 碰撞），对没有方法说明的污染指控一律不采信。

**(2) 拒绝横向排名是有代价的，本站的折中未必最优。**六项规则的直接后果是：读者会失去「谁更强」这种粗粒度的方向感，而这种方向感在多数实际决策（选哪个模型做原型）里是有用的。本站的折中是——只在「同一 harness、同一采样预算、同一评测日期」的条件下做比较，并且把这三项写在比较结论旁边；跨条件的差异一律降级为「单点观测」而不是排名。这条折中会让本站显得比其它站点「模糊」，这是自觉付出的代价，不是能力不足。反方意见成立的情形：如果两个模型的差距远大于所有已知的口径效应（例如 90% 对 30%），那么坚持不排名就是过度谨慎。

(3) 误差棒批评在「排序」任务上的实际影响可能被高估。Miller 的框架估计的是单个分数的不确定性，而排行榜关心的是差值。他自己给出的第二条建议——配对差分——恰恰说明：在同一批题上比较两个模型时，题目难度的共同方差会被消掉，差值的标准误远小于两个独立标准误的合成。也就是说，「41% 与 54% 在统计上不可区分」这个说法对绝对分数成立，但对同题配对比较可能过于悲观。这一层需要更多复现：目前公开文献里，系统性报告过配对差分标准误的前沿模型评测仍然极少。推断T5 作者推断

能力里程碑：IMO / ICPC / IOI 的分数，以及它们各自成立的条件

◆ 归属声明

**能力里程碑的完整论证归本页。**按 Phase 2 评审的归属裁决，⑤ 研究与模型谱系 只保留一句谱系意义与锚链，具体分数、条件与争议在这里论证。本节只收「竞赛型」里程碑（IMO / ICPC / IOI / AtCoder）——它们是本页此前未覆盖的部分；ARC-AGI 家族、FrontierMath 的资助披露争议、SWE-bench 谱系与 GDPval 已在上文评测谱系与评测危机两节论证，此处不重复。

竞赛型里程碑之所以值得单列，是因为它们是唯一一类有现成人类对照组、且对照组在同一天同一份题上作答的评测。这让它们看起来是最干净的比较——也正因如此，它们是五件套纪律最容易被绕过的地方：既然人机同题，谁还会去问采样预算？下面每一条都把条件写在分数旁边。

IMO 2025（2025-07-19）：35/42 与一场关于「谁有资格认证」的争吵

成绩本身清楚：六题解出五题（第六题未作答），总分 35/42，达到金牌线。条件与人类选手相同——两场各 4.5 小时、无工具无网络、阅读官方题面、撰写自然语言证明；评分由三位前 IMO 奖牌得主独立进行、一致同意后定分。当年 630 名参赛者中成绩超过它的只有 26 人（4%）。同期 Google DeepMind 的系统同样 35/42、同样解出五题。

技术上真正重要的不是分数，而是 OpenAI 研究员在公布时点出的那句话——这类任务超出了「清晰可验证奖励」的范式。2024–2025 年推理模型的全部成功都建立在可自动验证的领域上：数学题有唯一数值答案、代码有单元测试、竞赛编程有裁判程序。*而一份多页的自然语言证明，没有程序能判断它是否正确。*如果确实存在让模型在难以验证任务上大幅改善的新方法，那它比 35/42 重要得多——它意味着强化学习的适用边界从「可验证域」扩展到了「可评判域」。但具体技术未公开，本页不推测机制（机制层的边界见 ⑥ FX-03）。

⚑ 同一周撞在一起的三种认证模式

时间线：2025-07-18 周五晚 IMO 颁奖典礼；07-19 周六上午 OpenAI 研究员发布推文串；07-19 至 20 Google DeepMind 方面在社交媒体批评抢跑且未经 IMO 官方评审；07-20 另一家参赛公司披露「IMO 董事会要求我们与其他参与的领先 AI 公司推迟到 7 月 28 日再发布」；07-21 Google DeepMind 发布自己的结果，同为 35/42，但由 IMO 协调员按官方评分标准正式评分与认证。

**三方说法并列，本页不判定谁对。**Google DeepMind 方面称，任何不基于 IMO 官方评分指南的评测都不能宣称达到金牌级；OpenAI 方面称 IMO 几个月前曾接洽但己方谢绝，且不知道 IMO 正在与另一方做非正式测试，得知成绩后联系 IMO 并被告知等颁奖典礼之后再宣布；一位 IMO 协调员则称 OpenAI 实际上在闭幕式之前就宣布了，与前述说法矛盾。三条陈述互相冲突，本报告只记录冲突本身。

这一周同时出现了三种认证模式：① 自雇第三方专家评分并自行宣布——快、可控，但存在利益冲突；② 与主办方合作并接受官方评分——慢、受制于人，但可信度高；③ 完全遵守主办方的禁令期。它第一次把「当 AI 声称达到某个人类成就时，谁有资格认证」变成一个必须回答的问题，而这个问题至今没有制度性答案。

三种批评里最深的一条来自陶哲轩，而且它不针对成绩，只针对可比性：AI 在竞赛中的表现高度依赖资源配置与方法论——是否有工具、是否多次采样、是否由人筛选提交哪一份、时间限制如何——因此在比较不同 AI 系统、或比较 AI 与人类选手时，应当警惕「同类相比」这个假设。**人类选手在考场里只有一次机会、有时间压力、不能重跑；AI 可以采样多次、可以由人挑选提交哪一份、可以调整算力预算。「同一个考试」不等于「同一个考验」。**这个洞见在一年后被完整验证。

IMO 2026（2026-07，上海）：四个「42/42」，三条不可比的通道

第 67 届 IMO 于 2026 年 7 月在上海举行，666 名选手参赛。一年前的问题是「AI 能不能拿金牌」，答案是能；一年后的问题变成了「谁的 42/42 算数」。

通道系统成绩条件（五件套：版本 / 日期 / 工具 / harness / 预算与成本）信源| 通道 | 系统 | 成绩 | 条件（五件套：版本 / 日期 / 工具 / harness / 预算与成本） | 信源 |


  **IMO 官方评测通道**华为 Celia**42/42**题目在人类选手结束后才提供；固定时间窗口；禁止人类干预；**由 IMO 主办方评分**。成本与算力**未披露**。T3 可靠媒体一手采访| IMO 官方评测通道 | 华为 Celia | 42/42 | 题目在人类选手结束后才提供；固定时间窗口；禁止人类干预；由 IMO 主办方评分。成本与算力未披露。 | T3 可靠媒体一手采访 |

  **IMO 官方评测通道**小红书 dots-note-3.0**42/42**同上。**这是 AI 首次在 IMO 自己的流程下取得满分。**成本与算力未披露。T3 可靠媒体一手采访| IMO 官方评测通道 | 小红书 dots-note-3.0 | 42/42 | 同上。这是 AI 首次在 IMO 自己的流程下取得满分。成本与算力未披露。 | T3 可靠媒体一手采访 |

  独立自测Claude Fable 542/42

（首轮通过）某风投合伙人自建 harness；由 Claude 驱动的 agent 评分（非人类、非官方）；约 51 美元 / 2.5 小时。T4 二手整理/编译| 独立自测 | Claude Fable 5 | 42/42（首轮通过） | 某风投合伙人自建 harness；由 Claude 驱动的 agent 评分（非人类、非官方）；约 51 美元 / 2.5 小时。 | T4 二手整理/编译 |

  独立自测GPT-5.6 Sol（xhigh）39 → **42/42**同一自建 harness；**用了「修复轮」**——根据评审反馈重做后才到满分；约 **20.54 美元 / 3.8 小时**。T4 二手整理/编译| 独立自测 | GPT-5.6 Sol（xhigh） | 39 → 42/42 | 同一自建 harness；用了「修复轮」——根据评审反馈重做后才到满分；约 20.54 美元 / 3.8 小时。 | T4 二手整理/编译 |

  独立自测Kimi K342/42同一自建 harness；约 **17.4 小时**；成本未披露。T4 二手整理/编译| 独立自测 | Kimi K3 | 42/42 | 同一自建 harness；约 17.4 小时；成本未披露。 | T4 二手整理/编译 |

  独立自测AxiomProver42/42输出为**机器可验证的形式化证明**——与自然语言证明不是同一个任务。T4 二手整理/编译| 独立自测 | AxiomProver | 42/42 | 输出为机器可验证的形式化证明——与自然语言证明不是同一个任务。 | T4 二手整理/编译 |

  第三方评分NVIDIA Nemotron Ultra

（开放权重）30/42由 IMO 团队评分但非官方赛道；高于当年 29 分的金牌线。T3 可靠媒体一手采访| 第三方评分 | NVIDIA Nemotron Ultra（开放权重） | 30/42 | 由 IMO 团队评分但非官方赛道；高于当年 29 分的金牌线。 | T3 可靠媒体一手采访 |

「修复轮」换算到人类考场是什么意思，值得说明白。它等于「交卷后老师告诉你哪几题错了，你再改一遍」。没有任何人类选手享有这个条件。因此 GPT-5.6 Sol 的 42/42 与华为 Celia 的 42/42 是两种性质不同的成就——前者是自建 harness、agent 评分、含修复轮；后者是官方题面、官方时限、官方评分、禁止人类干预。*但在媒体传播中，它们被并列成同一个数字。*这正是陶哲轩一年前的警告在 2026 年的完整兑现：当七个「42/42」摆在一起时，真正携带信息的不是那个分数，而是分数旁边那一列条件。

▲ 一个对 OpenAI 不利、但必须如实记的事实，以及它的解读边界

事实：在 IMO 官方评测通道中，最先宣布满分的是两家中国公司，而不是 OpenAI；OpenAI 的成绩来自一位风投合伙人的自测，且需要修复轮才达到满分。这是 2018 年以来 OpenAI 在标志性 AI 里程碑上第一次不是首发者。

解读边界：本页不据此推断能力差距。理由就写在上面那张表里——两条通道本来就不可比，一方走的是官方流程、另一方走的是自建 harness 加修复轮，两者既没有共同的评分者，也没有共同的预算口径。*用不可比的两条通道去推断能力排序，恰恰是本页整章在反对的做法。*可以确认的只有一件事：OpenAI 这一次没有进入官方通道，而这是一个可观察的选择，不是一个能力读数。

ICPC / IOI / AtCoder：可验证竞赛的终局，以及人类最后的胜利之一

赛事日期成绩条件与要点| 赛事 | 日期 | 成绩 | 条件与要点 |


  AtCoder 世界总决赛

启发式赛道2025-07-16第二名 （落后冠军 9.5%）只邀请全球前 12 名选手；单题、600 分钟；OpenAI 派出类似 o3 的定制推理模型。冠军是一位波兰程序员（前 OpenAI 员工）。AI 击败了其余十名世界前 12 选手。OpenAI 方面称据其所知这是首次在顶级编程/数学竞赛中进入前三。| AtCoder 世界总决赛启发式赛道 | 2025-07-16 | 第二名（落后冠军 9.5%） | 只邀请全球前 12 名选手；单题、600 分钟；OpenAI 派出类似 o3 的定制推理模型。冠军是一位波兰程序员（前 OpenAI 员工）。AI 击败了其余十名世界前 12 选手。OpenAI 方面称据其所知这是首次在顶级编程/数学竞赛中进入前三。 |

  IOI 20252025-08金牌级**与人类相同限制**：10 小时、每题 50 次提交。AI 赛道第一；若与人类同榜将排第 6。| IOI 2025 | 2025-08 | 金牌级 | 与人类相同限制：10 小时、每题 50 次提交。AI 赛道第一；若与人类同榜将排第 6。 |

  ICPC 世界总决赛2025-09-04**12/12 满分**139 支队伍、5 小时赛制。若参与排名将是第一（人类最好 11/12）。**11 题由 GPT-5 的首个答案解出，最难的一题由一个实验推理模型解出**——即成绩来自**模型组合**而非单一系统。Google 的系统解出 10/12。| ICPC 世界总决赛 | 2025-09-04 | 12/12 满分 | 139 支队伍、5 小时赛制。若参与排名将是第一（人类最好 11/12）。11 题由 GPT-5 的首个答案解出，最难的一题由一个实验推理模型解出——即成绩来自模型组合而非单一系统。Google 的系统解出 10/12。 |

这三场比赛给出的是两个方向相反的信号，而它们的差别恰好落在本页关心的那条缝上。

**信号一：可验证竞赛结束了它的历史使命。**ICPC 的 12/12 是一个终局事件——满分意味着这个基准对前沿模型不再有区分度。从 GPT-4 在 Codeforces 上处于倒数 5%（2023-03）到世界总决赛满分（2025-09），只用了 30 个月。*竞赛编程作为衡量 AI 能力的手段，在这一刻退场。*这也是本页评测危机一节所说「饱和」的最干净样本：不是污染、也不是指标天花板，就是真能力提升把区分度吃光了。

信号二：AtCoder 那场比赛测的东西更接近真实工程，而 AI 输了。启发式赛道是 NP-hard 优化，没有标准答案，只有相对排名——十小时内比别人做得更好。AI 拿第二名，说明长时程策略搜索已经很强；输掉 9.5%，说明人类在跳出局部最优、找到完全不同的解题角度上仍有优势。赛事管理员的说明很精确：OpenAI 的模型胜过了采用类似方法的选手，而冠军「找到了一条完全不同的路径」。这是「搜索深度」与「搜索方向」的差异，也是 2025 年人机能力边界最精确的一次定位——它与 持续学习那一节里 ARC-AGI-3 的 7.78%（2026-07 口径，通用接口调用、无任务特定 harness、成本未披露）指向同一处空缺：当前模型可以在给定问题上做世界级推理，但不擅长自己决定该往哪个方向找。

本节的分数与条件来自各赛事官方与第三方一手报告，逐条信源等级已在表内标注；ICPC 与 IOI 的成绩由 OpenAI 方面公布，属机构自报，未见独立复现。五件套缺项的格子一律写「未披露」，不做估算——按本页方法论声明，这些格子不进入任何横向排名。

China Side · Primary Perspective

前面四条对照轴（竞品矩阵、能力轴、预训练轴、评测哲学）用的主要是英文一手材料。本节换一套材料：讲中国必须用中国侧的原始表述。这不是政治正确的姿态，而是一条方法约束——用美国材料解释中国，最好的结果也只是「美国人怎么看中国实验室」，而这与「中国实验室自己怎么说」经常不是同一件事。下面每个小节都要求至少有一句中国当事人的原话或原始技术文本；凡是只能从英文侧转述得到的，一律注明。

● 本节的四条纪律

**一、原话优先。**能引中文一手访谈或中文技术报告的，不引英文媒体的转述。**二、口径写全。**成本、份额、开放度这三类数字在中文传播里失真最严重，本节每出现一次就把口径限定写在同一句里。**三、概念不混用。**严格区分「开放权重 / 开源 / 源码可见 / API 可用」四个概念（定义见 ⑩ 治理「开放边界」节）。**四、不推测动机。**人员流向只记录本人或官方的公开表述。

价格：DeepSeek 的「只赚合理利润」如何反过来定义 OpenAI 的定价

时间点是 2024-05-06。DeepSeek-V2（arXiv:2405.04434）同时给出两项架构改动：MLA（Multi-head Latent Attention，把 KV cache 压缩进一个低秩潜空间，长上下文推理的显存与访存开销大幅下降）与 DeepSeekMoE（细粒度专家加共享专家）。紧接着 API 定价降到同级模型的极低水平，国内大厂在几周内集体跟进——中文语境把这件事命名为「价格战第一枪」。**这个命名本身值得推敲：它假定降价是一次竞争动作。**而当事人给的解释不是这个。

把这段话和 OpenAI 的定价逻辑并排，差别不在幅度而在因果方向。OpenAI 的降价是规模效应的传导——成本先下来，再择机把一部分让给市场以保住利润率与份额；Altman 在 2025-10-28 的重组直播里给的口径是「过去几年，特定单位智能的价格每年下降约 40 倍」（产品与商业侧的完整成本模型见 ⑨ 产品·商业）。DeepSeek 的降价则是架构收益的直接转移：MLA 省下来的访存开销，不经过利润率这一层，直接写进价目表。**同样一个动作，一个是竞争策略，一个是定价原则。**这两种解释在事后无法用价格数字区分，只能靠当事人的表述与后续行为一致性来判断——而 DeepSeek 此后两年在 V3.1／V3.2 上继续把稀疏注意力（DSA）的收益转成降价，行为与表述是一致的。

  T2 官方论文/公告
  事实
  2024-12-26
  DeepSeek-AI机构立场 · 非个人发言
  资本与算力

557.6 万美元是「V3 正式训练的 GPU 租用折算」，不是造出一个前沿模型的总成本

V3 技术报告披露：预训练消耗 266.4 万 H800 GPU-hours，加上上下文扩展与后训练共 278.8 万 GPU-hours，按每 GPU-hour 2 美元折算得 557.6 万美元。报告在同一段明确写下限定：这一成本仅包含 DeepSeek-V3 的正式训练，不含此前在架构、算法或数据上的研究与消融实验成本。据此，它不含研发人力、不含失败的实验、不含数据获取，也不含 R1 的强化学习阶段——R1 是另一篇论文（arXiv:2501.12948）。

**DeepSeek 自己从未声称「我们用 557 万美元造了一个 GPT-4」。**这个叙事是传播层加上去的。本报告在任何位置引用该数字时，必须与上述口径限定同句出现；只写数字不写口径，就是在制造下一个误读。

  EV-2024-12-26-DEEPSEEK
  arXiv:2412.19437 [@src-d7650744d5]
  最后核验：2026-07-25




预训练 **266.4 万** H800 GPU-hours
含后训练合计 **278.8 万**
折算单价 **$2/GPU-hour**
得数 **$5.576M**
不含研发／消融／人力／RL 阶段

反方意见必须并列，而且它与原文并不冲突。Dario Amodei 的反驳是「（DeepSeek 的）总研发支出与美国实验室没有巨大差别」，并且认为 R1「从创新或工程角度看远不如 V3 有趣……本质上复现了 OpenAI 用 o1 做的事」。把这两句和 V3 报告的原文限定放在一起会发现：这是一场媒体制造、然后由 CEO 们出面反驳的争论——争论双方各自的原始文本并不矛盾，矛盾的是中间那一层「557 万造出 GPT-4」的概括。真正值得追问的反而是指标本身：在一个研发与消融占算力大头的行业里，「单次训练成本」很像「最后一次实验的电费」。它被全世界引用，不是因为它重要，而是因为它是唯一一个各家都有可能公布的数字。指标的可得性决定了叙事。

至于「只赚合理利润」这套定价哲学的完整表述，出现在 2026-07-22 那份四小时投资人会议的语录整理稿里：「克制是一种战略：舍弃一些，换更多其他的东西。开源就是让利……我优先考虑的不是多拿份额，而是增加做成的概率」「AI 这个事情足够大，最终它可能得占掉人类社会 GDP 的百分之十。如果说我们想独占这个利益，那么一定是要被历史抛弃的」「大模型竞争最终的差距会体现在三个方面：成本、时间、用户体验。成本排在第一位」。但这份材料的等级必须写清楚：来源站点自己声明「部分词句在保留原意的基础上，与原文可能略有出入」，所以它在本站是 T4 二手整理/编译，只能作为观点参照，不能进 ⑫ 引语库当逐字引用。

开放权重：中国厂商把它当战略，OpenAI 把它当补救

先立口径。本站严格区分 开源（源码与训练管线可获得、可复现）、开放权重（权重可下载可自部署，训练数据与完整流水线未必公开）、源码可见与 API 可用四个概念，定义与判例见 ⑩ 治理。按这套口径：DeepSeek-R1 开放的是权重加技术报告加部分工具，未开放完整训练数据与可复现流水线，因此是开放权重而非「全量开源」；《时代》称它是「第一个足以挑战 OpenAI 最新产品的开源模型」，这个措辞按本站口径应改为开放权重。Whisper 是开放权重，GPT-4 是 API 可用——把两者都叫「开源／闭源」是本报告全篇不允许出现的错误。

另外两家把开放权重当战略前提的路径不同。Qwen 走的是「开放权重即分发」的极致：从 0.5B 到数百 B 的全尺寸、文本与视觉与音频与代码与数学的全模态，几乎全部开放权重，到 2025 年成为 Hugging Face 上衍生模型最多的模型族；一个说明其渗透深度的旁证是，Thinking Machines 的 Tinker 把 Qwen 系列设为默认的教师与学生模型——西方的研究基础设施已经在依赖中国的开放权重模型。阿里侧的目标叙事由吴泳铭在 2025-09-24 云栖大会给出：「AGI 只是起点，超级人工智能 ASI 才是终极目标」，论证路径是基础设施论（大模型是下一代操作系统，超级 AI 云是下一代计算机），不是能力论。这条要标注等级：本报告只取到中文媒体对主题演讲的复述，阿里官方全文与视频未获取，因此按 T4 二手整理/编译 处理。

**Kimi 的路径是把原创组件也一并公开。**K2（arXiv:2507.20534）提出 MuonClip 优化器，用 QK-clip 解决训练不稳定，在 15.5 万亿 token 上完成预训练且零 loss spike，权重公开；K2.5（arXiv:2602.02276）把并行智能体编排（Agent Swarm）本身变成可训练对象，权重公开。自 Adam 成为事实标准以来，万亿参数级训练首次换掉优化器并公开方法——OpenAI 从未公开其优化器细节。这条与梁文锋「原创和模仿之差」那句形成了一次可验证的对账：至少在优化器、注意力效率（MLA → NSA → DSA）这两条线上，原创已经发生。

**2019-02** GPT-2 分阶段释出→
**2020** GPT-3 只给 API→
**2023-03** GPT-4 不披露架构与数据→
**2025-01-31** Sam：站在了历史错误的一边→
**2025-08-05** gpt-oss（开放权重）

把这条链和上面三家并排，差别就清楚了：**中国厂商的开放权重是路线的前提，OpenAI 的开放权重是被外部行动触发的一次补救。**Sam 在 2025-01-31 的 Reddit AMA 上的原话是「我个人认为我们在这件事上站在了历史错误的一边，需要想出一个不同的开源策略；OpenAI 里不是所有人都同意这个看法，而且它也不是我们当前的最高优先级」。这句话里有三层退让（承认错误、承认领先缩小、承认要改策略）与两层保留（不是所有人同意、不是最高优先级）。半年后 gpt-oss-120b／20b 以 Apache 2.0 发布，是 GPT-2 之后 OpenAI 首次开放权重。中文社区对这个转折有一句流传极广的调侃——「DeepSeek 活成了真 OpenAI，而 OpenAI 活成了 close AI」（新民周刊，2025-02，属网络流行语，T4 二手整理/编译）。它准确的部分是行为对照，不准确的部分是把「开放权重」等同于「开源」，恰好又是本节开头要立的那条口径。

中文能力与 API 限制：一个被单向叙述的市场

⚑ 本小节的可核实材料最少，请按标注阅读

本节涉及的三件事——API 限制的官方措辞、国内厂商迁移计划的具体清单、中文能力评测的横向比较——可取得的一手材料都不完整。本报告未取得 OpenAI 的官方公告页或开发者邮件原件，未逐一核实各厂商迁移计划的官方公告，也不做中文 benchmark 的横向排名。凡未双源交叉的表述，一律写成「据报道，未获官方确认」。

事实骨架是清楚的：2024-06-24 至 25 日开发者陆续收到邮件通知，2024-07-09 起执行，OpenAI 的措辞是采取额外措施阻止来自不受支持地区的 API 流量。这一条的信源等级是 T3 可靠媒体一手采访——多家媒体一致引述发言人回应，但本报告未取得公告原件。

这里有一个必须纠正的普遍误读，而且它是中文侧原生的。中国大陆从来不在 OpenAI 的支持地区列表内。因此 2024 年 7 月的动作不是「OpenAI 退出中国」，而是堵住此前通过第三方中转与代理绕行的流量。中文报道普遍写成「OpenAI 封禁中国」「断供中国」，在事实层面不准确——OpenAI 从未在中国大陆开展过可计费业务，也就谈不上「断供」。由此可以给出一个更冷静的定性：这次阻断在商业上对 OpenAI 几乎无损，在叙事上却极其有效——它同时向美国监管者证明「我们守出口管制」，向中国开发者关上了灰色通道。一个近乎零成本的地缘信号，不是一次重大商业事件。

后续影响则要谨慎表述。据报道，未获官方确认：2024 年 6 至 7 月国内多家厂商密集推出面向「OpenAI API 用户」的迁移计划，形式为免费 token 额度、迁移补贴与接口兼容层。本报告只做量级判断（这是一次有规模的市场动作），不给出厂商清单与逐条日期，因为未逐一核实到官方公告，该批材料整体标 T4 二手整理/编译。有意思的是，中文社区当时把这件事直接接到了「AI 安全叙事被用作地缘工具」这一批评上——这个议题在英文报道里几乎不存在对应讨论，它本身就是一条只在中文语境里成立的解读。

至于「中文能力」的评测，问题出在它不是一个指标。它至少包含四件互相独立的事：语料覆盖与时效、分词与 token 经济性（同样一句话在不同 tokenizer 下的计费长度可以差出一倍）、文化与法规语境下的可用性、以及评测集本身是用哪种语言构造的。按本页 评测方法一节的规则，缺少 harness、工具权限、采样预算、成本与污染说明时不做横向排名，因此本报告不给出任何「谁的中文更好」的结论。

倒是有一条来自英文侧的结构同形证据值得记：Google 的 WebLI-100B 研究（arXiv:2502.07617）发现，把图文对从 100 亿扩到 1000 亿，在西方中心的主流 benchmark 上收益很小，但在文化多样性与多语种上提升显著——泰卢固语仅占数据集 0.036%，表现却显著提升；论文同时提出，基于 CLIP 的质量过滤器虽然提升整体质量，却可能不经意地限制数据集多样性。时任 OpenAI 工程师的 Lucas Beyer 由此提醒「不要只盯着美国可疑的评估指标」。这条与中文语料权重的问题结构同形，但必须写清它的论域是视觉—语言，不能直接外推到文本预训练——不加这句限定，本节就会犯下与后半节要批评的完全相同的错误。

人才流向：从「流入 OpenAI」到出现回流个案

十年里中美 AI 人才的主流方向是单向的。2024 年之后出现了少量反向个案，其中材料最完整的是姚顺雨。履历链条本身没有争议：清华姚班本科，普林斯顿博士（ReAct、Tree of Thoughts、WebShop 等语言智能体工作），2024 年年中加入 OpenAI 任研究科学家，参与 Operator 与 Deep Research 的研发，2025 年 5 月以最年轻入选者登上《MIT 科技评论》TR35 中国区榜单，2025-09 离开 OpenAI。

易混人物提示：姚顺雨（ReAct / SWE-bench / τ-bench 作者，2025-12 起在腾讯）与姚顺宇（清华物理 → 斯坦福理论物理博士，2025-10 加入 Google DeepMind）是同音异名的两个人，两人是好友，业内报道常混。本页所有相关表述均指前者。T2 官方论文/公告

▲ 日期口径分歧：本报告并列两说，不做取舍

加入 OpenAI 的时间：中文报道多称 2024-08，Caixin 称 2024-06。两说的差距是两个月，无法从公开材料判定，因此本报告正文一律写「2024 年年中」，并在时间线上采用 2024-08 且标注分歧。加入腾讯的时间：腾讯 2025-12-17 公告任命，另有 Bloomberg 转述称「2025 年夏加入」，后者可能指非正式接触期；本报告采用公告日作为权威日期。这类分歧在中文报道里极常见，处理办法不是挑一个看起来更权威的，而是把分歧本身写进正文。

2025-12-17 腾讯公告任命他为首席 AI 科学家，兼任混元大语言模型与 AI Infra 负责人，直接向总裁刘炽平汇报；2026-07-24 腾讯将多模态与大语言模型团队合并为新的基础模型部门，由他领导。**这两条是组织事实，不是能力判断。**本报告不评价这次人事对任一方的技术影响，只记录他本人在公开场合给出的表述。

一个个案不构成趋势，这一点必须先说。本报告没有做人才流向的统计，也不掌握任何一家机构的完整人员台账；「回流」在这里只是对一个可核实个案的描述，不是对方向性的判断。人物侧的完整履历、任职区间与发言时身份，见 ④ 群像。

与人才流向平行、但更容易被忽略的，是一条中文圈独有的一手通道。翁家翌 2022 年加入 OpenAI（面试官是 John Schulman），是后训练强化学习基础设施的核心工程师之一。2026 年 5 月他发表《Learning Beyond Gradients》，提出 Heuristic Learning——用 coding agent 直接修改策略、状态检测器、测试与配置，更新对象从神经网络参数换成软件结构，不走反向传播；实验侧的记号是 Atari Breakout 打到理论最高分 864。关键在于这篇博客原文自带中文版，是作者本人用中文直接写作的，中文媒体做的是授权全文转载而非编译。按本站的信源规则，这一类文本可以直接给到高等级，因为它不经过任何转述层——这是英文圈不存在的优势：OpenAI 现役工程师用中文写的一手文本。它也顺带说明了下半节要讲的那件事的反面：中文圈的误读不是语言本身造成的，是转述层数造成的。

检索方法论：只扫标题会系统性漏掉三分之二

上面这些判断都建立在一个前提上——我们能把中文语料检索干净。第二轮的一次对照实验说明这个前提比想象的脆弱，而这条结果本身就是一个可复用的方法论结论。

实验很简单：对 15 个头部中文 AI 公众号、共 2,085 篇文章，先做标题级关键词检索（OpenAI / Ilya / Altman / GPT / scaling / RLHF / AGI 等），再把扫描范围扩到正文级，比较两次的命中集合。

标题级命中 **297**
正文级命中 **479**
标题无关键词、纯靠正文命中 **309**
纯正文命中占比 **65%**

**命中数从 297 涨到 479（+61%），而其中 309 条的标题里根本没有任何关键词。**也就是说，只做标题级检索会漏掉约三分之二的相关内容。这不是抽样误差，是一个结构性事实，而且它的成因与本页反复讲的那件事同源——中文 AI 公众号的标题是营销文案，不是内容索引。标题要承担的功能是让人点开，不是让人检索；于是它系统性地偏好悬念、人名、数字和情绪词，而系统性地回避那些真正能定位内容的技术术语。一篇通篇在讲 OpenAI 后训练基础设施的文章，标题可以完全不出现「OpenAI」。

这条发现有三个直接后果，本页据此调整了自己的表述纪律：

• **任何基于标题级检索的中文覆盖率声明都应视为下界，而且是很松的下界。**本页凡涉及「中文圈普遍如何」的判断，都只限定在可检索到的样本内，并写明检索方式。

• **「检索不到」不等于「不存在」。**这与本报告另一处教训同构——某条被判为「找不到一手出处、不建议引用」的表态，后来在内部沟通材料里被披露出来，说明当时的负向结论错在检索假设，而不是错在事实。负向结论必须附检索范围与假设，否则它只是「我没找到」的另一种说法。

• 扩大检索并不会改变来源质量的分布——但这只是关于本抽样框的结论。命中从 297 扩到 479 之后，够得上「自主约访」这一档的仍然是 3 条，一条没多——新增的 182 条全部是英文事件的中文编译与解读。*样本量增加了六成，一手性纹丝不动。*不过要立刻加一条限制：扩大同一个框内的检索，修不了框本身选错的问题——实际生产一手 OpenAI 访谈的载体几乎都不在这 15 个号里（见下一节的证伪说明与抽样框错配）。就本框而言可以说的是：中文公众号这一渠道的价值在于提供线索与语境，不在于提供证据。

  ▲ 这条方法论结论自己的边界

该实验只覆盖了 15 个账号中做过正文级扫描的那一部分；另有约 600 篇（甲子光年、APPSO、硅星GenAI 等）尚未做正文级扫描。按 65% 的漏检率外推，这部分可能还藏着数十条未发现的命中——所以本页给出的中文侧覆盖数字，其自身也是一个未完成的下界。此外，「479」是文章数而不是独立事件数：同一场英文访谈的多篇编译在这个口径下会被重复计数，因此它不能被当作「独立来源事件」写进任何验收表。

自主约访 vs 转述编译：样本内的结构，以及一条被证伪的推论

⚑ 本节的一条结论经红队第二轮核查后被证伪，已撤回（2026-07-25）

被撤回的表述：「三条原创采访全部出自张小珺一人主理的个人号，机构媒体自主采访产出为 0」。**这一条不成立。**红队第二轮找到了至少三个反例，其中一个是决定性的：

• 《中国企业家》× Sam Altman，2023-11。记者周恒星在 OpenAI 旧金山总部做了 45 分钟独家专访，原文明写「这是阿尔特曼在 2019 年出任 OpenAI CEO 后第一次接受中国记者的采访」。该刊创刊于 1985 年，经济日报社主管主办、持股 100%，是中央级机构媒体。文中另有内容增量：Altman 透露正考虑邀请中国公司加入 Frontier Model Forum。历史注脚：该访谈发表于 2023-11-16/17，而 Altman 在 2023-11-17 被董事会解职——它是风暴前夜的最后一次长访谈。

• 智源社区 × Jason Wei（在职 OpenAI 科学家），2023-09-05，以及 智源社区 × 姚顺雨（在职 OpenAI 研究员），2024-09-26。后者文内自述「本次专访为总第 20 期」——这是一个持续运营了至少二十期的机构原创专访栏目。

• WhynotTV × 翁家翌（在职 OpenAI 工程师），2026-01-17，2 小时 3 分中文原生对谈。这一例落在本报告的样本时间窗之内，且不是张小珺做的——它同时打掉「三条全部来自一个人」与「在职者样本量 = 1」两条。

★ 最致命的一条不是反例，是二分法本身的内在矛盾。被本页算作「个人」的那位，自 2019 年 12 月起即任腾讯新闻科技主笔，其播客在腾讯新闻首发，2024 年 SOPA「亚洲卓越新闻奖」的获奖署名机构就是腾讯新闻。*也就是说，本页用来证明「机构 = 0、个人 = 3」的那个「个人」，正式身份是一家机构媒体的科技主笔；而同一份名单里，腾讯系被计为 0。*这个二分法在它自己的样本内部就自相矛盾，因此本页整个弃用它。

按本站惯例，证伪过程公开留痕，不做静默删除。依据见 research/11-counter-evidence-business.md B6-N1 / B6-N2 / B6-N3。这处失误与轴三那处是同一个模式：把一个需要检索才能回答的问题，当成了可以从手头样本直接读出的结论。

★ 第三轮把这条证伪从「找到了反例」推进到「实证确认」（2026-07-26；计数与因果口径已于第四轮两次更正）。把抽样框换掉之后，有效条目从 3 条变成已确认 16 条（严口径）／ 18 条（宽口径），且均为下限，机构反例从 3 例扩到 8 家机构、11 条——红队指出的抽样框错配不只是对的，而且低估了缺口的规模。★ 此处第三轮原写「有效条目从 3 条变成 19 条」，已撤回：19 里含三条不合本报告自身 A 类定义的记录，见 §计数更正登记。更重要的是第三轮换掉了本节的主解释，本页据此换版：在已观察到的成功访问中，分布高度集中于华人研究者网络（见 §已观察到的成功访问集中在哪里，换版理由与旧版原句见换版登记）。★ 新版是描述，不是因果——第三轮原写「决定能否拿到采访的不是媒体等级，而是受访者在不在华人研究者网络里」，该因果句已撤回：样本里只有成功案例、没有约访尝试的分母，理由见 §降级说明。红队文件的改写建议也已随之从 **§B6.4（「产能结构」版，已标记存档停用）**换成 §B6.5。

撤回之后，仍然成立的是什么

被推翻的是推论，不是观测。观测部分逐条复核后仍然成立，但它的适用范围必须写死在「本样本内」：

样本：15 个公众号 · **2,085 篇**
OpenAI 相关命中 **479**
其中自主约访 **3 条**（**0.6%**）
样本翻倍后该数字 **不变**

在微信读书这个特定通道取到的 15 个账号、2,085 篇文章里，够得上「自主约访并实施」的原创采访确实只有 3 条，占命中数的 0.6%；把扫描从标题级扩到正文级、命中从 297 涨到 479（+61%）之后，这个数字仍然是 3。这是一条样本内的事实，不是一条关于中文媒体全体的结论——两者的差别，正是本节此前搞错的地方。

换掉二分法：不看作者身份，看这篇稿子是怎么来的

「个人 vs 机构」既已被证伪，本页改用一个不依赖作者身份的区分——自主约访 vs 转述编译。它问的不是「谁发的」，而是「这篇稿子里的话，是记者自己问出来的，还是从别处搬过来的」。这个区分在本样本内依然清晰，而且它对个人号与机构号一视同仁：《中国企业家》那篇属自主约访，某个人号翻译一场英文播客则属转述编译。

两类稿件的判据与样本内分布
类别判据（可机械核对）样本内的量可用等级| 类别 | 判据（可机械核对） | 样本内的量 | 可用等级 |


  
    **自主约访**
    记者/主播**自己约到人、自己提问**，产生此前不存在的问答文本；可核对点是「有没有新问题、新回答」。
    **3 条**（占命中 0.6%）。载体恰好都是播客节目的图文版。
    可作 T3 可靠媒体一手采访
  | 自主约访 | 记者/主播自己约到人、自己提问，产生此前不存在的问答文本；可核对点是「有没有新问题、新回答」。 | 3 条（占命中 0.6%）。载体恰好都是播客节目的图文版。 | 可作 T3 可靠媒体一手采访 |

  
    **转述编译**
    内容全部来自已存在的英文一手事件（论文、博客、播客、发布会），中文侧做的是翻译、摘编、解读或再评论。
    **476 条**（占命中 99.4%）。含高质量全文译本，也含标题党二传。
    一般 T4 二手整理/编译；作者本人中文原文属例外
  | 转述编译 | 内容全部来自已存在的英文一手事件（论文、博客、播客、发布会），中文侧做的是翻译、摘编、解读或再评论。 | 476 条（占命中 99.4%）。含高质量全文译本，也含标题党二传。 | 一般 T4 二手整理/编译；作者本人中文原文属例外 |

换了判据之后，样本里最主要的结构反而更清楚了：99.4% 的中文 OpenAI 内容是转述，而转述的上游高度集中——这正好接上前面那条「窄口」机制。「谁在生产」这个问题本页答错了；「这些内容是怎么来的」这个问题答对了，而后者才是误读机制真正依赖的前提。

▲ 抽样框错配：扩大全文检索修不了这个问题

本页此前用「命中从 297 扩到 479 而原创数不变」论证 0.6% 是结构性的。这个论证只能证明「在这 15 个号内部是结构性的」，不能证明它在中文世界成立——因为红队指出了一个更根本的问题：实际生产一手 OpenAI 访谈的载体，恰好几乎全部不在这个框里（智源社区、《中国企业家》、几档中文科技播客、暗涌 Waves、晚点 LatePost 等）。

一个决定性的佐证来自本页自己承认的事实：**那三条原创采访，全部是播客节目在公众号上落地的图文版。***公众号是出口，不是产地。*用出口的库存去推断产地的产能，是本节此前方法上的根本错误。

英文对照：二手率高是新闻业的通性，不是中文 AI 媒体的特殊病症

0.6% 之所以显得惊人，是因为读者会默认拿它去比一个想象中的英文基准。那个基准并不高。三份经典研究给出的数字如下：

英文新闻业原创率的三份经典基准
研究样本核心数字| 研究 | 样本 | 核心数字 |


  
    **Cardiff /《Flat Earth News》**

（2008-01-15） 2006 年两个各一周抽样期，2,207 条英国五大质量报（Guardian、Times、Independent、Telegraph、Daily Mail）稿件 60% 的稿件「全部或主要」来自预包装内容（公关稿或通讯社）；47% 依赖通讯社与其他媒体；30% 几乎逐字复制通讯社稿；只有 12% 不含任何可辨识的预包装内容。作者自陈这「几乎肯定是低估」。 | Cardiff /《Flat Earth News》（2008-01-15） | 2006 年两个各一周抽样期，2,207 条英国五大质量报（Guardian、Times、Independent、Telegraph、Daily Mail）稿件 | 60% 的稿件「全部或主要」来自预包装内容（公关稿或通讯社）；47% 依赖通讯社与其他媒体；30% 几乎逐字复制通讯社稿；只有 12% 不含任何可辨识的预包装内容。作者自陈这「几乎肯定是低估」。 |

    **Pew《How News Happens》**

（巴尔的摩，2010-01-11） 2009 年一周内该都会区全部本地新闻机构，53 个信源 80% 的报道只是重复或重新包装已发布的信息；在深入追踪的六条主要新闻线中，83% 的报道「纯属重复、不含新信息」，仅 17% 含新信息。 | Pew《How News Happens》（巴尔的摩，2010-01-11） | 2009 年一周内该都会区全部本地新闻机构，53 个信源 | 80% 的报道只是重复或重新包装已发布的信息；在深入追踪的六条主要新闻线中，83% 的报道「纯属重复、不含新信息」，仅 17% 含新信息。 |

    **Duke News Measures Research Project**

（2019-08） 随机抽取 100 个社区、663 家本地媒体、7 天 16,000+ 篇稿件 只有 43% 是原创；只有约 17% 是真正本地的；12 个社区一篇原创新闻都没有。 | Duke News Measures Research Project（2019-08） | 随机抽取 100 个社区、663 家本地媒体、7 天 16,000+ 篇稿件 | 只有 43% 是原创；只有约 17% 是真正本地的；12 个社区一篇原创新闻都没有。 |

科技与科学口的稿源依赖同样不乐观：科学新闻中与新闻稿高度相似的句子占比最高可达 65%；对一批科研新闻稿的处理方式统计显示，约四分之一被逐字照登、约一半仅作小改，只有约五分之一有增值补充。

⚑ 这组对照必须带的口径警告，否则就是滥用

两个数字不可直接相减。Cardiff 的 12% 用的是「不含任何可辨识的预包装内容」这一极低门槛；本页的 0.6% 用的是「自主约访到某一家特定公司的在职人员」这一极高门槛。同一篇稿子可以既满足前者又不满足后者。

★ 而且必须承认一个真实缺口：同门槛的「英文媒体原创采访 OpenAI 在职人士占比」这个数字，本报告没有找到，它不存在于任何已发表统计中。可以合理推测的是，用同一高门槛去测，英文侧的数字也会很低而不是很高——「原创采访到某家特定公司的在职人员」在任何语言里都是极稀缺事件——但推测不能替代数据，本页只把它记为待补项。

★★ 而这个缺口的后果比本页原先承认的更重：它不只让「更多少」无法量化，它让「是否更极端」本身也成为未知。本页原来的写法是「无法量化『更』有多大」，这仍然预设了『更』这个方向是已知的——而比较级判断需要两个同门槛的量，本页只有一个。0.6% 与 12% / 43% / 17% 之间的差距，既可能来自中文侧的产能结构，也可能全部来自门槛差（「不含预包装内容」对「自主约访到某公司在职人员」），而门槛差的方向恰好会把中文侧压得更低。**⟹ 在缺同门槛对照的情况下，本页对「中文侧是否更极端」不作判断，标为未知。**这与本站「负向结论必须附检索范围」是同一条纪律的两个面：没有对照就不能做比较级判断，正如没有检索范围就不能做全称否定。

本页原结论「中文特有的结构性失真」已撤回，改为：**高二手率是全球新闻业的通例（这一条有 Cardiff / Pew / Duke 三份跨语种证据支持）；至于中文侧在 OpenAI 这个题目上是否比英文侧更极端——由于同门槛对照不存在，方向与程度都未知。**本页能够判断的是一个不需要对照的、更窄的命题：本抽样框中的这 15 个账号不适合用来估计中文原创访谈产能（479 条命中里 99.4% 属转述编译，且抽样框本身与待估量错配）。这个版本比原来那条准确得多——它既不暗示中文媒体存在某种别处没有的缺陷，也不再借一个不存在的基线偷偷做比较。

⚑ 更正登记 · 「中文样本更极端」这个比较级判断已撤回（2026-07-25，终审 P0-2 第 4 条）

撤回句（原样保留）：「高二手率是全球新闻业的通例，中文 AI 媒体在 OpenAI 这个题目上的样本表现更极端；但由于缺乏同门槛对照，「更极端」的程度无法量化。」与它同源的还有本章速记那条「预训练之争被中文世界系统性放大了一个量级」（已另行撤回，本框只补上它缺的那一步：不只删「一个量级」这个程度，还要把「更极端」这个方向一起标未知）。

问题不在措辞，在方法。这句话同时做了两件事：承认没有同门槛对照，又保留了「更极端」这个比较级结论。比较级需要两个可比的量；本页只有中文侧的 0.6%，英文侧在同门槛下的数字不存在。因此正确的处理不是「保留方向、放弃程度」，而是把方向与程度一起标为未知。

保留下来的是什么。① 「高二手率是全球新闻业通例」——有 Cardiff（12% 不含预包装内容）、Pew（83% 纯重复）、Duke（43% 原创）三份跨语种证据，这一条不受影响，因为它是一个关于英文侧水平的绝对陈述，不是比较。② 「本抽样框不适合估计中文原创访谈产能」——只需要本页自己的抽样框错配这一条理由，也不需要对照。③ 「误读是生产结构问题而非职业道德问题」——它的支撑恰恰来自英文侧同样很高的二手率，是跨语种一致性而不是跨语种差异，所以撤回比较级不削弱它。

**补齐条件。**若出现一份用同一高门槛（「自主约访到某一家特定公司的在职人员」占该口径全部相关稿件的比例）在英文侧做出的统计，本页即可恢复比较级判断——并且必须同时给出方向与幅度，不能再只给方向。

本框为公开留痕，按本站纪律不做静默修改。本条与本站「负向结论必须附检索范围」属同一纪律：没有对照就不做比较级判断。

● 证伪之后，本页原来那条判断反而变强了

本节此前推出过一句话：**误读是生产结构问题，不是职业道德问题。**当时它的支撑是「中文侧原创采访极少」，而这个支撑现在被削弱了——机构媒体做过原创采访，二分法也垮了。

**但把英文对照放进来之后，这句话反而获得了更强的支撑，而且是跨语种的。**英国质量大报的原创率是 12%，美国本地新闻的原创率是 43%、真正本地的只有 17%——这些是没有语言障碍、没有翻译层、记者与消息源同城同语种的环境。二手率依然如此之高，说明它由产能经济学决定：自主约访的单位成本远高于转述，而分发收益并不成比例。**既然同一个结构在没有翻译层的环境里同样成立，那么把中文侧的误读归因于「翻译水平」或「职业道德」就更站不住了。**本页原来的判断方向是对的，只是当时用错了证据。

★ 但产能经济学只能解释到这里为止，而本节此前把它当成了全部答案。它回答的是「为什么任何语言里的二手率都高」，回答不了本节真正要回答的那件事——已观察到的那些成功访问，为什么不沿媒体等级分布。第三轮扩展检索因此把本节的解释换了一版：新版见下一节 §已观察到的成功访问集中在哪里，旧版原句与换版理由保留在换版登记里。这是一次换主语，不是一次否定——上面这一段在「二手率」这个主语上仍然成立，本页保留它；它只是不再承担「解释 access 怎么分布」这个职责。

本段为作者（AI）推断（T5 作者推断）。改判条件：若出现同门槛的跨语种对照数据，且显示英文侧的「原创采访某公司在职人员」占比显著高于中文侧（例如高一个数量级），则「全球通例」这个框架需要让位给「中文特有」。注意方向是双向的：同一份对照若显示两侧接近甚至英文侧更低，则「中文更极端」这个说法应被明确否定——而本页目前两个方向都没有证据，因此按更正登记标为未知。

已观察到的成功访问，高度集中在华人研究者网络

第三轮把抽样框从「15 个公众号」换成「处于华人研究者网络内的 OpenAI 现任／前任人员 + 中文场合的现场问答 + 垂类技术媒体的专访栏目」之后，有效条目从 3 条变成已确认 16 条（严口径）／ 18 条（宽口径），且为下限——分布在智源社区、《中国企业家》、雷峰网、InfoQ、CSDN、DeepTech 等机构媒体，以及智源大会、腾讯云 AI 产业应用大会等中文场合的现场问答里。到这一步，「机构媒体贡献为 0」不只是被反例证伪，而是被实证确认为抽样框造成的假象。

★ 两个口径都要报，不能只报有利的那个。严口径 16 = 本报告自己的 A 类定义（受访者须为 OpenAI 现任或前任人员）；宽口径 18 = Phase 1 验收表当初的口径（与 OpenAI／Ilya／Sam 直接相关且有新增值）。原阈值 40 是按宽口径设的，因此与它直接可比的是 18。★ 而计数句不能替代验收句：原硬门槛 40 未达（同口径为 18/40），其后由项目所有者批准豁免并重定基线——这是豁免，不是原门槛达成。「已确认 16／18 且为下限」只回答「找到了多少」，不回答「验收过没过」，两句都要写，且未达在前。第三轮曾写「19 条／19 可得」，已按终审判定撤回，理由见下方计数更正登记。

严口径有效条目 **16**（下限）
宽口径 **18**（下限）
受访方含华人研究者 **12/16**（**75%**）
网络之外 **4**
待核不计 **2** · B 类 **5** · C 类 **5**

而把这些条目按受访者身份重新切一刀，露出了一条比「谁在生产」更清楚的分布：严口径 16 条里有 12 条（75%）、宽口径 18 条里有 14 条（78%）的受访方包含华人研究者或工程师；最突出的一条是一档由 OpenAI 在职员工主理、访谈另一位 OpenAI 在职员工的中文播客（WhynotTV × 翁家翌）——主持人根本不需要「约」，他本人就在网络内部。⟹ 在已观察到的成功访问中，分布高度集中于华人研究者网络。

⚑ 这是描述，不是因果——本节此前写成了因果句，已降级

第三轮原文写的是：「决定能不能拿到采访的，就是受访者在不在华人研究者网络里。」这句话已撤回。

撤回理由：样本里只有成功案例，没有分母。有多少中文媒体发出过约访请求、有多少被拒、拒绝的理由是什么——本报告一概无从得知，因为失败的约访不会留下公开痕迹。没有失败案例，就无法证明「不在这个网络里就拿不到」；能证明的只是「拿到了的那些，大多在网络里」。

**下面那张表也只能读作「共现」，不能读作「唯一路径」。**它无法排除两种情形：也有媒体靠常规约访成功过而本报告没检索到；或有媒体靠常规约访失败过而失败无痕。**后者是本节最根本的数据缺口。**唯一能把这条描述升级为因果假说的路径，是取得约访尝试的分母（例如某会议主办方公开其邀约与回绝记录）。

那 4 条网络之外的例外，其获得路径值得单列。两条与智源的办会身份共现（2023 与 2024 智源大会分别邀约到 Altman 与 Sora 负责人，且后者的对谈人是学界同行而不是记者），一条与记者跟 Altman 2014 年就在斯坦福结识的私人关系存量共现，一条与学术社群共现（智源约到 Jason Wei）。*办会能力、旧交情、学术共同体——三者都不是通常所说的「媒体约访能力」。*这是对已观察路径的描述，不是对能力的评判：它不排除常规约访也能成功，只是本报告没有检索到那样的案例。

▲ 这个 75% 的口径，以及两处已经改小的算错

**本节用的变量是「是否处在华人研究者网络内」，不是「是否会说中文」。**两者高度相关但不等同；混用会把一条关于人际网络的结论写成一条关于语言的结论。本页与交付摘要一律沿用前者。

第一处改小：Jason Wei。他是智源通过学术社群网络约到的，而本报告未核实其语言与网络背景，因此把他从华人侧移出、计入「网络之外」。

**第二处改小（第四轮）：分母本身从 19 降到 16。**此前的 15/19（79%） 里含三条不该计入的记录，现为 12/16（75%）；宽口径下为 14/18（78%）。两个口径的集中度都落在 75–78%，结论方向不因口径而变——这是本节仍然站得住的部分。

两次修正的方向都是对自己不利的那一侧，这是本节愿意公开算错的原因。详见下方计数更正登记。

换版的理由不是新版更好听，而是它同时解释了三件此前解释不了的事——前两版各自只能解释其中一件。

三版解释对同一组反常现象的解释力对照
需要被解释的现象「机构媒体不做原创采访」版「产能结构」版★「成功访问集中于该网络」版（描述性）| 需要被解释的现象 | 「机构媒体不做原创采访」版 | 「产能结构」版 | ★「成功访问集中于该网络」版（描述性） |


  
    **① 媒体等级与命中率无关**——中央级的《中国企业家》命中 1 条，垂类的雷峰网 / InfoQ / CSDN 各命中 1 条，而产能最高的腾讯科技（313 篇）命中 **0**
    ✗ 已被红队证伪：机构确实做了
    ⚠ 部分成立，但解释不了**为什么小机构反而能命中**
    ✓ **与观察一致**：命中与刊号、编制规模不共变，而与「是否够得着那个人」共变——雷峰网约到苏炜杰、DeepTech 约到姜旭
  | ① 媒体等级与命中率无关——中央级的《中国企业家》命中 1 条，垂类的雷峰网 / InfoQ / CSDN 各命中 1 条，而产能最高的腾讯科技（313 篇）命中 0 | ✗ 已被红队证伪：机构确实做了 | ⚠ 部分成立，但解释不了为什么小机构反而能命中 | ✓ 与观察一致：命中与刊号、编制规模不共变，而与「是否够得着那个人」共变——雷峰网约到苏炜杰、DeepTech 约到姜旭 |

  
    **② 个人号能拿到独家**——样本内最早那 3 条 T3 集中在同一位主播身上，而最极端的一条是 OpenAI 员工访谈 OpenAI 员工
    ✗ 无法解释
    ⚠ 只能解释「个人号更愿意投入长访谈」
    ✓ **与观察一致**：个人在网络中的位置可与机构身份脱钩。那位主播长期深耕华人 AI 研究者圈层；WhynotTV 的主持人本人就是 OpenAI 员工
  | ② 个人号能拿到独家——样本内最早那 3 条 T3 集中在同一位主播身上，而最极端的一条是 OpenAI 员工访谈 OpenAI 员工 | ✗ 无法解释 | ⚠ 只能解释「个人号更愿意投入长访谈」 | ✓ 与观察一致：个人在网络中的位置可与机构身份脱钩。那位主播长期深耕华人 AI 研究者圈层；WhynotTV 的主持人本人就是 OpenAI 员工 |

  
    **③ 2025 年后窗口关闭**——智源大会 2023 / 2024 有 OpenAI 在职者，2025 / 2026 归零；WAIC 三年在职 0（只有前 OpenAI 人员）
    ✗ 无法解释（媒体产能并未下降）
    ✗ 无法解释
    ⚠ **与观察一致，但不是唯一解释**：同期确有网络迁移（翁荔 2024-11 离职、姚顺雨 2025 年离职、余家辉等 2026 年被挖走、姜旭 2023 年已离开）；**但对华公关政策这一竞争解释同样与该观察一致，本轮无法在二者间判定**
  | ③ 2025 年后窗口关闭——智源大会 2023 / 2024 有 OpenAI 在职者，2025 / 2026 归零；WAIC 三年在职 0（只有前 OpenAI 人员） | ✗ 无法解释（媒体产能并未下降） | ✗ 无法解释 | ⚠ 与观察一致，但不是唯一解释：同期确有网络迁移（翁荔 2024-11 离职、姚顺雨 2025 年离职、余家辉等 2026 年被挖走、姜旭 2023 年已离开）；但对华公关政策这一竞争解释同样与该观察一致，本轮无法在二者间判定 |

★ **③ 是三条里最需要谨慎的一条，而第三轮把它当成了「最强证据」。**当时的论证是：如果原因是「中文媒体不行」，那么 2025 年后的归零就需要解释「为什么媒体突然更不行了」，而这一年恰是中文 AI 媒体产能与专业度都在上升的一年。这个论证只排除了「媒体能力下降」这一个竞争解释，没有排除下方那一个——对华公关政策同样不需要任何附加假设就能拟合全部三条观察。因此 ③ 只能算「与描述一致」，不能算「支持因果」。

● 公允性：这一节不是在说「中文媒体不行」——这一段必须留在正文里，否则整节会被读反

**它指认的是一个媒体无法控制的变量。**一家中文媒体可以提升选题、提问质量、翻译准确度、事实核查强度；但它无法决定 OpenAI 里有几个华人、这些人愿不愿意讲、以及他们明年还在不在职。把「自主采访到某家美国公司的在职人员」当作媒体能力的度量，等于用一个外生变量去打分。

**而在能控制的那些变量上，中文媒体的表现并不差。**本轮找到的条目里有多条在提问质量上是过硬的：雷峰网对苏炜杰直接追问「Scaling Law 是否有绝对上限」与「对齐税」；InfoQ 对吴翼追问出 multi-agent 团队解散、数年后由 Noam Brown 重启的完整因果链；DeepTech 让 InstructGPT 的主要作者之一第一次讲出这项工作在 2021 年初完成时内部并不被看好。这三条是靠提问拿到的，不是靠关系拿到的。

而且同一个结构在英文世界同样成立：Ilya 最深度的一次公开对话给了个人播客而非任何新闻机构，Mark Chen 的长访给了个人记者。「一手叙事从机构迁移到个人」是全球现象，不是中文特有的缺陷——这与本页撤回「中文更极端」属同一条纪律。中文媒体也做出过全球被引用的原创采访：暗涌对梁文锋的两次专访是整个 DeepSeek 全球叙事里被引用最多的一手信源，英文世界是通过翻译读它的。⟹ 当受访者在网络内时，中文媒体的产出能力是世界级的。

本段为作者（AI）推断（T5 作者推断），依据为 research/08-weread-gzh-dossier.md §E7.3 与 research/11-counter-evidence-business.md §B6.5。因此正确的表述是：中文媒体对 OpenAI 的一手叙事供给，在已观察到的成功案例中高度集中于「谁够得着」这一维度，而不是「谁更能干」。这是一条关于已观察分布的事实，不是一份对中文新闻业的评价，也不是一条已证成的因果结论。

⚑ 必须与上面那条结论并列呈现的自陈弱点：一个没有被排除的竞争解释

**2025 年后中文场合的 OpenAI 在职者露出归零，本节把它归因于「人员流动」——但它同样可能来自 OpenAI 对华公关政策（或更广义的地缘政治约束）的收紧，而不是网络迁移。****第三轮没有做任何检索去排除这个解释。**若它成立，「网络迁移」就只是表象而不是机制，本节应改写为「政策约束」版。

**这就是本节置信度的上限来源，所以它写在结论旁边、而不是塞进脚注。**按本站纪律，一条结论如果有一个已知且未被检验的竞争解释，把它藏进附注等于把置信度虚报一档。**当前置信度：数据侧中偏强 / 机制侧低。**数据侧（16／18 条的身份切分）可以逐条核对；机制侧（网络迁移 vs 政策收紧）尚未做任何区分性检索，且样本缺少约访尝试的分母。第三轮曾把整体置信度报为「中偏强」，那是把数据侧的强度错记成了整节的强度——已改。

三条改判条件（写出来才算数）：

• 若出现中文媒体自主约访到非华人 OpenAI 在职人员（非会议邀约、非旧交情）的案例 ≥2 例，本节结论应削弱为「网络是主要但非唯一路径」；

• 若 2027 年之后中文场合的 OpenAI 在职者露出回升，而同期 OpenAI 内华人研究者比例未回升，则「网络」这一维度的解释力被削弱，应转向本框的政策解释；

• ★ 若能证明这次归零主要由地缘政治或公司对华公关政策造成，本节应改写为「政策约束」版——这是三条里目前最有可能成立的一条。

• ★ 若能取得约访尝试的分母（例如某会议主办方公开其邀约与回绝记录），本节可从描述性升级为可检验的因果假说——这是唯一能让它变成因果句的路径。

需要的证据类型至少包括：OpenAI 是否有成文的对外发言审批政策及其变更时点；被邀约方手里的拒绝理由（会议主办方可能有）；以及同期 OpenAI 员工在其他非英语国家场合的露出是否同步下降——若也下降则支持政策解释，若只有中国下降则支持中国特有壁垒。另有一条已知观察更偏向政策／地缘解释：Altman 自陈「上一次来中国是 2016 年」，且 2023 年三个月跑了 16 个国家、中国大陆不在其中。

两个解释的实践含义不同，所以这不是学术洁癖：若「网络迁移」为主，缺口会随 OpenAI 内华人比例波动、未来可能自行恢复；若「政策约束」为主，缺口是结构性且单向的，且与中文媒体能力完全无关，⑫ 页的叙述重点应从「媒体生态」移到「跨境传播的制度约束」。

⚑ 换版登记：本节的解释从「产能结构」版换成「成功访问集中于该网络」版（2026-07-26）· 旧版原句保留

被换掉的原句（原样保留，且仍留在它原来的位置上）：「二手率依然如此之高，说明它由产能经济学决定：自主约访的单位成本远高于转述，而分发收益并不成比例。」——以及它在红队文件里对应的那一版建议：把主因归给「渠道的编译密度」与「访问壁垒」各占一半。

它为什么不够。它解释不了第三轮观察到的三件事：(a) 产能最高的腾讯科技（313 篇）命中 0，而垂类的雷峰网、InfoQ、DeepTech 各命中 1；(b) 个人号能拿到独家；(c) 2025 年后中文场合的 OpenAI 在职者露出归零，而媒体产能并未下降。一个解释只覆盖三个现象里的一个，就不该继续充当这一节的主解释。

**但这是一次换主语，不是一次否定。**产能经济学在「为什么任何语言里的二手率都高」这个主语上仍然成立——它由 Cardiff / Pew / Duke 那组跨语种对照支持，本页保留；它只是不回答「访问权怎么分布」。上一版的毛病是拿一个关于成本的解释，去回答一个关于可及性的问题。

红队对照同步。research/11-counter-evidence-business.md 的改写建议已从 **§B6.4（「产能结构」版，已标记存档停用）**换成 §B6.5（「访问权分布结构」版）。§B6.5.2 逐条给出了它与各条反方的关系：B6-N1（机构媒体贡献 0 被证伪）由 3 例扩到 8 家机构、11 条；B6-N3（个人 vs 机构二分自相矛盾）被吸收并超越——这个二分法本身就不是正确的切分维度，正确的维度是「在不在网络里」，于是「腾讯新闻科技主笔同时被算作个人」这个矛盾自动消失；B6-N4（抽样框错配）被实证确认，红队的判断完全正确，而且低估了缺口的规模；B6-N7（可及性沿族裔与人际网络分布）由「一个不对称的切面」升级为主描述，并拿到 16／18 条的量化支撑。而英文对照那一组（B6-F1 / B6-N5：Cardiff 12%、Pew 17%、Duke 43%）降为脚注——它们回答的是「原创率高不高」，新假说回答的是「access 怎么分布」，后者才是本节真正测到的东西。

本框为公开留痕，按本站纪律不做静默修改。取证与逐条判级见 research/08-weread-gzh-dossier.md §E2 / §E7 与 research/11-counter-evidence-business.md §B6.5。这次换版与本页其它更正有一处性质差别，值得注明：其它几条是结论被推翻，这一条是解释被换掉而观测不变——16／18 条、75%／78%、三个反常现象都是新增的观测，旧观测（0.6%、99.4%）一条没有被改。

⚑ 计数更正登记：本报告自己的验收口径被判为「变相降标」后作出的更正（2026-07-26）

被撤回的写法：「A 类有效条目 19 条」「19/19 可得，原阈值 40 经检索证伪为设定错误」。

终审 Phase 4 的判定（两条，都成立）：

• 19 这个数没数稳。本报告自己把 A 类定义为「中文自主问答 × 受访者为 OpenAI 现任或前任人员」，但表里混进了三条不满足它的记录：X-01 王怀南是前 Google 亚洲区 CMO；X-14 Freda Duan 是 OpenAI 的投资方；X-07 只有会议日程与嘉宾名单、没有圆桌逐字实录，因而不能证明产生了可计数的新问答。按自己的定义，可确认的是 16，不是 19。

• ★ 「19/19 可得」是变相降标。它把分母从预先写下的硬验收线 40 偷换成执行者自己找到的 19，于是一个未达成项被写成了 100% 达成项。重定基线不等于通过。

更正后的写法（三句话按此顺序写全；顺序本身是判定的一部分，把计数句提到验收句之前即为粉饰）：

① 原硬门槛 40 未达——与其同口径的宽口径结果为 18/40。

**②** 三轮检索表明**原先的供给假设缺乏支持**，项目所有者据此**批准豁免并重定基线**；★ **这是豁免，不是原门槛达成。**

**③** 当前**已确认严口径 16 条、宽口径 18 条，均为下限**，未搜尽空间已公开列出。

**★ 第五轮再改一次措辞，改掉的是两处逻辑毛病，不是两处用词。**此处原写「原阈值 40 经检索证伪为设定错误」，并把「设定错误」与「未达标」对立起来，说后者「暗示检索得不够勤」。两处都不成立：

• 把「未达标」读成对勤奋度的指责，是范畴错误。****「未达标」只描述结果，不做归因。原门槛 40 与宽口径 18 直接可比，18/40 未达就是一个客观比值，它本身不包含任何关于执行是否尽力的信息；为什么未达、该不该豁免，是另一句话要回答的事。

• 「经检索证伪为设定错误」写过满。本报告自己承认仍有未搜尽的空间，因此当前证据能支持的是「原供给假设缺乏支持、继续投入的边际收益已很低」，不能在逻辑上证明「可得总量必小于 40」。正确的表述是：项目所有者基于研究结果认定原设定不合理并批准豁免——这是一个治理判断，不应伪装成检索直接证明的事实。

**为什么改成「下限」而不是「上限」。**第三轮曾写「这一格的真实上限大约在 20 条量级」——那仍是一个未经证明的精确化。本报告自己列出了尚未搜尽的空间（《奥尔特曼传》的成书采访、张小珺节目 #1–#74、X-07 与 Jan Leike 闭门会的问答文本）。证据支持的是「目前找到 16–18 条、继续投入的边际收益已很低」，不支持一个精确上限。

另一条被撤回的论证。第三轮曾写「最看好的那条线索（《智源专访》35 期栏目）清点完后 A 类新增为 0，所以整个检索空间的边际产出为 0」。这个推论不成立——它只能证明那一条线索枯竭。现在支持「边际收益低」的依据换成了 §E6 全部渠道的命中密度。

本框为公开留痕，按本站纪律不做静默改数。这一类更正是最该展示的一类——它更正的不是外部事实，而是本报告为自己设定的验收口径。取证与逐条判级见 research/08-weread-gzh-dossier.md §E2.0b／§E8、research/MASTER-PLAN.md §四、research/gate-manual-sections.md（id cn-private-threshold），判定原文见 research/REVIEW-notes-phase4-final-gpt.md §P0-5、§P0-C。

样本内这 3 条自主约访，价值也并不相等

如实说清楚：样本内三条 T3 里只有一条是真正意义上的独家新问答，另外两条更接近线索价值。把「3」当成一个整齐的成绩去引用，会重复本页一直在批评的那种夸大。（这三条是本样本内的自主约访；样本外另有若干条，见上方证伪说明。）

  T3 可靠媒体一手采访
  事实
  访谈发生 2025-05
  姚顺雨发言时身份：OpenAI 现任研究员

唯一一条真正的独家新问答：中文媒体自主约访 OpenAI 现任研究员

双主持人自主约访，全文约 4.4 万字，问答逐条可核。说话日期与发表日期必须分列：访谈发生在 2025 年 5 月（原文明确标注），文字版发表于 2025-09-11，两者相差约四个月——而受访者在 2025-09 离开了 OpenAI，所以「发表时他还在不在 OpenAI」与「说这些话时他在不在」是两个不同的问题，本页按说话日期标注身份。内容上承接他 2025-04 的英文博文，另有多点他自述为此前从未分享过。在本次采集的 15 个账号内，这是唯一一条中文媒体直接采访 OpenAI 在职研究员的材料——但不是中文世界唯一的一条：抽样框之外至少还有《中国企业家》对 Altman（2023-11）、智源社区对 Jason Wei（2023-09）与对同一位受访者（2024-09）、以及 2026-01 一档中文播客对在职工程师翁家翌的长对谈（见证伪说明）。★ 第三轮全渠道扩展检索后，抽样框之外的有效条目为已确认 16 条（严口径）／ 18 条（宽口径），且均为下限（此处原写「A 类有效条目共 19 条」，已撤回，见 §计数更正登记），见 §已观察到的成功访问集中在哪里。 EV-2025-09-11-YAO-INTERVIEW原始出处 ^[94]台账 source_id：WR-001最后核验：2026-07-25

  T3 可靠媒体一手采访
  事实
  录制 2023-03
  王怀南发言时身份：从未任职 OpenAI · 前 Google 亚洲区高管

价值较弱之一：商业口述史，属记忆重构，须逐点回源

录制于 2023 年 3 月，文字版发表于 2023-05-14。它是本次采集到的唯一一条 2023 年材料（其余全部 ≥2025），商业史与人事叙事有价值，但涉及具体公司事实的判断不可引用——本报告已在同一篇里发现两处硬伤（把 Waymo 说成 Google 的「收购」，实为内部分拆；以及一句 2023 年的判断在 2026 年已被证伪）。口述史属记忆重构，是线索不是证据。 EV-2023-05-14-ORALHIST原始出处 ^[95]台账 source_id：WR-002最后核验：2026-07-25

  T3 可靠媒体一手采访
  事实
  2025-12-25
  Freda Duan发言时身份：从未任职 OpenAI · OpenAI 投资方合伙人

价值较弱之二：受访者是投资方而非 OpenAI 本人，主要价值是「指出了英文一手源在哪」

本报告把它定在 T3 与 T4 之间：确为中文原创访谈，但受访者是持仓股东，有明确立场，文中的估值、承诺规模与收入预测均为对公开报道的转述而非披露，财务数字一律不得直接引用。它真正可用的增量只有一条——定位到了 Sam Altman 2025 年 11 月在某档播客上的一句英文原话及其场合，使英文侧的检索成本下降。这是线索价值，不是内容价值。 EV-2025-12-25-VCSTUDY原始出处 ^[96]台账 source_id：WR-003最后核验：2026-07-25

▲ 剩下这三条限制，在证伪之后依然有效

0 · 先记一笔：上一版这里写的是「『机构媒体为 0』这条结论的四个口径限制」，其中第 1 条已经预告了它自己会被推翻。原文写的是：《晚点 LatePost》未能加源成功，改收其记者的个人访谈号不是等价替换，晚点本体「恰恰是最可能推翻『机构媒体为 0』的那一家」，「如果把晚点本体补进来，这条结论的强度会下降，甚至可能改判」。实际推翻它的不是晚点，是《中国企业家》与智源社区（见上方证伪说明）——*预警的方向对了，预警的力度不够：当一条结论自己列出了「补上 X 就会改判」，正确的处置是先去找 X，而不是带着这条限制发布。*这一条作为方法教训保留在页面上。

**2 · 「479」是文章数，不是独立事件数。**同一场英文访谈的多篇中文编译在这个口径下被重复计数，因此它不能当作「独立来源事件」写进任何验收表；按事件口径去重后，本次采集对「中文私域」这一列的真实贡献是 3。

2b · ★ 计数已同步（2026-07-26，并于同日按终审判定二次更正）。上面那句原句保留，但它的主语要读准：那个 3 说的是微信读书这一条通道的贡献。第三轮全渠道扩展检索之后，「中文私域」这一列按已确认 16 条（新 A 严口径）／ 18 条（Phase 1 宽口径），且为下限计分（待核不计 2 条、B 类 5 条、C 类 5 条单列，均不进门槛），逐条见 §已观察到的成功访问集中在哪里。

★ 此处此前写「A 类 19 条」并引用「19/19 可得」，两处都已撤回，理由见 §计数更正登记：19 里含三条不合本报告自身 A 类定义的记录，而「19/19」把分母从预先写下的硬验收线 40 偷换成了执行者自己找到的数。门槛的正确表述需要三句话，按此顺序，缺一或调换前两句即为粉饰——① 原硬门槛 40 未达，与其同口径的宽口径结果为 18/40；② 三轮检索表明原先的供给假设缺乏支持（当初定 40 时假设了「中文私域存在足量的 OpenAI 原创采访」，而三年多里 OpenAI 在职人员接受中文媒体自主约访只发生了个位数次，命中集中在八个人身上，其中文露出已被基本清空），项目所有者据此批准豁免并重定基线，★ 这是豁免，不是原门槛达成；③ 当前已确认严口径 16 条、宽口径 18 条，均为下限，未搜尽空间已公开列出。★ 此处原把「未达标」与「设定错误」对立，写作「原阈值 40 经检索证伪为设定错误而非未达标，后者暗示检索得不够勤」，已撤回：那是范畴错误——「未达标」只描述结果，不做归因；且「经检索证伪」写过满，未搜尽空间的存在意味着证据不能逻辑上证明「可得总量必小于 40」，只能支持「原供给假设缺乏支持」。⟹ 这是一条应当写进正文的负向结论，不是一个应当靠凑数或「100% 达成」话术掩盖的缺口。

另有一句已撤回：此处原写「这一格的真实供给上限大约就在 20 条量级」——那仍是一个未经证明的精确化。本报告自己列出了尚未搜尽的空间，因此能写的只有下限：「已确认 16–18 条；三轮检索后边际收益已很低；未搜尽空间已公开列出。」判定原文见 research/gate-manual-sections.md（id cn-private-threshold）与 research/MASTER-PLAN.md §四。

3 · 三条 T3 的价值并不相等（见上面三张卡）：只有姚顺雨那一场是真正的独家新问答，另两条一条是口述史、一条只提供了英文一手源的位置。严格说，本样本内「自主采访到 OpenAI 在职人员」的只有 1 条，不是 3 条。但要立刻补一句：样本外不止 1 条——《中国企业家》对 Altman、智源社区对 Jason Wei 与姚顺雨、以及 2026-01 一档中文播客对在职工程师翁家翌的长对谈，受访者都是在职人员。「样本量 1」是抽样框的属性，不是中文媒体的属性。

**4 · 时间与渠道的覆盖都是残缺的。**本次采集的平台只对每个账号暴露最近数周到十几个月的历史（多数号只有 7 周至 17 个月），因此样本严重偏向 2025–2026；另有约 600 篇尚未做正文级扫描。所以任何基于本样本的占比，都只能表述为「在本次样本中如何」，不能上升为关于中文媒体全体的判断——后者需要一个本报告没有做、也做不到的全量普查来支撑。这正是本节被推翻的那条结论所犯的错：它把一句样本内的观测，写成了一句关于中文媒体全体的结论。

本节的采集口径、账号清单与逐条判级见 research/08-weread-gzh-dossier.md（微信读书通道见该文件前半，第三轮全渠道扩展检索见 §E）；最初三条 T3 的台账编号为 WR-001–WR-003，姚顺雨那一场另有逐段精读单独出档（research/08a-yao-shunyu-T3-extract.md），第三轮条目的台账编号为 X-01–X-19（A 类候选，其中 16 条计入严口径、2 条移出严口径但宽口径可计、1 条待核不计）、XB-01–XB-05（B 类）、XC-01–XC-05（C 类）。本节结论可被 Hub 与 ⑬ 我的评价 引用，但请连同证伪说明与换版登记一起引用，锚点为 #cn-origin。可引用的是：本样本内自主约访占 0.6% 且样本翻倍后不变、99.4% 为转述编译、高二手率是全球新闻业通例、全渠道口径下已确认有效条目为 16 条（严口径）／ 18 条（宽口径）且均为下限，其中受访方含华人研究者的为 12/16（75%）／ 14/18（78%）；引用计数时必须同时引用验收句——原硬门槛 40 未达（同口径为 18/40），其后由项目所有者批准豁免并重定基线，这是豁免不是达成。不可引用的是：任何形如「机构媒体为 0」「中文媒体不做原创采访」「样本量只有 1」的表述——这些已于 2026-07-25 撤回；旧计数「19 条」「15 条」「15/19（79%）」——这三个数已于 2026-07-26 撤回，只允许出现在本页明确划除的修订史里；以及任何把那个 75%／78% 读成「中文媒体能力不足」的版本——引用它必须连带公允性与那条未排除的竞争解释，两者缺一即为误引。反例与英文对照的取证见 research/11-counter-evidence-business.md B6-N1 至 B6-N8，改写建议以 §B6.5 为准（旧 §B6.4 已存档停用）。

Genealogy of Mistranslation

本节是这份报告最具差异化的一块，也是唯一一节把「错误」本身当作研究对象的内容。立场先讲清楚：批评只针对可核实的文本操作——加引号、误译、错标、错位对撞——不涉及任何人身或动机推断，也不做媒体质量排名。事实上下面被点到最多的两家（机器之心、腾讯新闻），恰恰分别提供了中文圈质量最高的演讲全文翻译与最准确的重组财务报道；同一家机构可以在正文里做对，在标题里做错，这正是需要分层考察的原因。

为什么中文圈的 OpenAI 认知会系统性偏移

结构性原因可以用一组统计说清楚。本报告挖掘了一位中文 AI 领域资深从业者的本地认知库：2,246 条书签中，命中 OpenAI／Ilya／Altman／GPT／scaling／RLHF／AGI 等主题的有 329 条。按域名分布，中文站点 294 条（89.4%），其中微信公众号 216 条（65.7%）、知乎专栏 67 条；而 openai.com 与 blog.openai.com 合计只有 5 条（1.5%）。

主题命中 **329** 条
中文站点 **89.4%**
微信公众号 **65.7%**
官方一手源 **1.5%**

这个分布本身就是结论：一位专业从业者关于 OpenAI 的知识摄入，89% 来自中文二次源，官方一手源只占 1.5%。它解释了为什么误读能长期存活——不是因为读者轻信，而是因为纠错所需的原始材料从来没有进入他们的信息流。在这个前提上，三个机制把偏移放大：

机制一：标题党的经济激励，而限定语总是第一个被砍掉的。同一场 NeurIPS 2024 时间检验奖演说——约 14 分钟主讲加四个平淡的 Q&A——中文标题给的是「宣判」与「现场沸腾」。「宣判」暗示终局裁决，「沸腾」暗示学界共识，两者都是编辑加的戏。这不是措辞偏好问题：标题的字符预算有限，而限定语（as we know it、我认为、也许）恰好是信息密度最低、删除后读起来最顺的成分。同构的案例是 Karpathy——中文二传广泛引用「Karpathy 说 RL 很糟糕」作为反强化学习论据，但按全文中译，他的完整立场是「RL 很糟糕，只是目前尚无更好的替代方案」，后半个限定在转手中丢失（此处依据中文全文译本转述，非英文逐字）；同一篇的标题里那句「AGI 十年也出不来」，与他的原意（十年内能解决这些问题）方向相反。

**机制二：同源转载被当成多源交叉验证。**一场 95 分钟的英文播客，可以在中文圈产出两个独立的全文译本加上数十篇二传。读者在信息流里读到十遍，形成的是「多家媒体都这么说」的置信错觉。按本站引用纪律第三条，这仍然只是一个 event：同一场访谈的十篇中文编译不构成十个信源，不得用来虚增置信度。本站的做法是给每条事实一个 data-event，同一 event 下的所有中文来源合并计一次。

机制三：中文技术媒体特有的「元报道」层会二次加框。中文全文译本常在正文之前加一段传播学注脚——例如「这场由 Dwarkesh Patel 主持、长达 95 分钟的深度对话，上线短短数小时便在 X 平台上突破了百万浏览量」——把访谈本身当成一次事件来报道。这一层在英文媒体里罕见。它的效果不是提供信息，而是在读者接触原话之前先给出「这很重要」的框架，从而降低读者对后续概括的审查强度。与之配套的是「结构化改写」：把演讲者的口语犹疑整理成「1、2、3、4」小标题，原文里大量的 I think 与 maybe 在这个过程中消失，读者会误以为对方在做确定性预言。

七个案例：原文 / 中译 / 讹变 / 传播链 / 纠正

下表是前五个案例的总览，之后另有两个案例单独展开。**七个案例的共同点是：讹变都发生在「正文 → 标题」或「原文 → 转述」这一层，而不是发生在翻译本身。**换句话说，中文译者的水平不是主要变量。第六个案例尤其值得注意——它是英文世界自己产生的伪引语，说明这套机制与语言无关，是「传播需要一句无限定的强命题」这个结构性压力造成的。

案例英文原文通行中译讹变形态纠正| 案例 | 英文原文 | 通行中译 | 讹变形态 | 纠正 |


  
    **① Scaling 时代终结**
    “pre-training as we know it will end”（NeurIPS，2024-12-13）。2025-11-25 Dwarkesh 访谈的时代分期表述**英文逐字未取得**，此处依据两个中文全文译本
    「我们所熟悉的预训练无疑会结束」；「2012—2020 是研究时代，2020—2025 是规模化时代」
    标题与首段把编辑部概括「Scaling 时代已经终结。」**加直角引号伪装成原话**；再用「刚刚宣布」把播客里的被动回答写成主动宣告
    通读全文转录，该句不存在。**同场他仍称 scaling law 是过去十年一切进步的根源**；他否定的是「再放大 100 倍会带来质变」，不是 scaling 本身
  | ① Scaling 时代终结 | “pre-training as we know it will end”（NeurIPS，2024-12-13）。2025-11-25 Dwarkesh 访谈的时代分期表述英文逐字未取得，此处依据两个中文全文译本 | 「我们所熟悉的预训练无疑会结束」；「2012—2020 是研究时代，2020—2025 是规模化时代」 | 标题与首段把编辑部概括「Scaling 时代已经终结。」加直角引号伪装成原话；再用「刚刚宣布」把播客里的被动回答写成主动宣告 | 通读全文转录，该句不存在。同场他仍称 scaling law 是过去十年一切进步的根源；他否定的是「再放大 100 倍会带来质变」，不是 scaling 本身 |

  
    **② internet → 内联网**
    “we have but one internet”（同场演讲）
    机器之心版：「因为我们只有一个互联网」（正确）
    某搬运型实录版译作「我们只有一个『**内联网**』（Intranet）」
    **语义完全反转**：原意是全球公开数据总量封顶（「数据是 AI 的化石燃料」），不是企业内网
  | ② internet → 内联网 | “we have but one internet”（同场演讲） | 机器之心版：「因为我们只有一个互联网」（正确） | 某搬运型实录版译作「我们只有一个『内联网』（Intranet）」 | 语义完全反转：原意是全球公开数据总量封顶（「数据是 AI 的化石燃料」），不是企业内网 |

  
    **③ 微软占股 49%**
    —（**中文侧原生错误**，无对应英文原文）
    —
    把 OpenAI Global LLC 约 49% 的**利润分成权**读成 49% **股权**；流传三年
    利润分成权非股权，且对非营利母体无控制权。2025-10-28 重组后微软持 OpenAI Group PBC 约 **27%**（剔除近期融资轮的已转换口径为 32.5%）；基金会持约 26% 但独占董事任免权
  | ③ 微软占股 49% | —（中文侧原生错误，无对应英文原文） | — | 把 OpenAI Global LLC 约 49% 的利润分成权读成 49% 股权；流传三年 | 利润分成权非股权，且对非营利母体无控制权。2025-10-28 重组后微软持 OpenAI Group PBC 约 27%（剔除近期融资轮的已转换口径为 32.5%）；基金会持约 26% 但独占董事任免权 |

  
    **④ Ilya 认错了**
    限定语 “as we know it”
    「我们所熟悉的」（机器之心译法保住了限定）
    「Ilya 认错了，Scaling Law 崩了」。变体：把 Ilya 拼成「**Illya**」，并把「预训练」偷换成「Scaling Law」
    (a) Ilya 未认错；(b) 限定的是**预训练这一特定配方**；(c) SSI 至今未披露技术路线，「自曝秘密路线」无对应文本
  | ④ Ilya 认错了 | 限定语 “as we know it” | 「我们所熟悉的」（机器之心译法保住了限定） | 「Ilya 认错了，Scaling Law 崩了」。变体：把 Ilya 拼成「Illya」，并把「预训练」偷换成「Scaling Law」 | (a) Ilya 未认错；(b) 限定的是预训练这一特定配方；(c) SSI 至今未披露技术路线，「自曝秘密路线」无对应文本 |

  
    **⑤ GPT-5 不到 10%**
    CHC 十域各占 10% 加权：GPT-4 = **27%**，GPT-5 = **57–58%**（arXiv:2510.18212）
    —
    把**单项分**（长时记忆存储 MS 域接近 0）误当成总分，得出「才实现不到 10%」
    总分 57–58%；MS ≈ 0 是十个域之一。引用时必须同时给出总分与域分，并说明是两个口径
  | ⑤ GPT-5 不到 10% | CHC 十域各占 10% 加权：GPT-4 = 27%，GPT-5 = 57–58%（arXiv:2510.18212） | — | 把单项分（长时记忆存储 MS 域接近 0）误当成总分，得出「才实现不到 10%」 | 总分 57–58%；MS ≈ 0 是十个域之一。引用时必须同时给出总分与域分，并说明是两个口径 |

案例一 · 把编辑部概括加引号伪装成原话

2024-12-13，温哥华，Ilya 在 NeurIPS 2024 时间检验奖（Seq2Seq 论文获奖演说）上说出 “pre-training as we know it will end”。中文侧的翻译层其实做得很好：机器之心保住了限定语「我们所熟悉的预训练」；在本报告检索到的中文源里，InfoQ 中国是唯一把演讲原标题《Sequence to sequence learning with neural networks: what a decade》写对的一家——这个标题本身就说明它是十年回顾，不是路线宣言。一年后，2025-11-25 Dwarkesh 与 Ilya 的访谈上线，机器之心发出该场访谈的另一版全文中译，正文质量同样很高（术语比同期另一版更准），但标题是《Scaling时代终结了，Ilya Sutskever刚刚宣布》，首段把「Scaling 时代已经终结。」加上直角引号呈现。通读全文转录，这句话不存在；最接近的原话是时代分期——2012 到 2020 是研究的时代，2020 到 2025 是扩展的时代。两处文本操作叠加：加引号让编辑部概括获得了引语的证据地位，「刚刚宣布」把一次播客里的被动回答改写成主动宣告。而同一场访谈里他说的是「肯定会有所不同。但真的相信只要将规模扩大 100 倍，一切都会发生质变吗？我不认为那是真的」（此句依据中文全文译本，英文逐字本报告未取得）——这是「再放大 100 倍不会带来质变」，与「Scaling 已死」相差一个量级。

英文播客原话（**带限定**）→
中文全文译本（正文**准确**）→
标题：概括**加引号**→
二传**只取标题**→
「Scaling Law 已死」成为**默认前提**

这条链的关键在第三环与第四环之间：**二传者读到的是一个已经带引号的句子，他没有任何理由怀疑它不是原话。**这也是为什么本站把「直角引号只给逐字原话」列为第一条纪律——加引号的边际成本为零，但它赋予一句话的证据地位是不可逆的。

案例二 · internet 译成「内联网」，语义完全反转

同一场演讲里，数据枯竭论的核心句是：算力在增长，数据没有，因为我们只有一个互联网。机器之心译作「因为我们只有一个互联网」，准确。而中文圈传播量最大的版本之一——某搬运型实录账号的机翻加轻校版本——把它译成「我们只有一个『内联网』（Intranet）」。这不是措辞粗糙，是语义反转：原句讲的是全球公开文本总量存在物理上限，所以数据是 AI 的化石燃料；译文讲的是企业内部网络，一个完全不相干的对象。同一篇里还有两处同源错误：Dario Amodei 被照搬语音转写结果写成 “Dario Moday”，Oriol Vinyals 与 Quoc V. Le 被写成 “Oriel Vinyals” 与 “Kwok Lee”。三处错误共享同一个成因——它是从自动语音转写直接机翻的，没有人回去核对拼写与语义。「Dario Moday」此后被多篇文章沿用，成了一个可以用来追踪转载谱系的标记物。

原句的读法（正确）

“we have but one internet” = 全世界只有一个互联网。这是一个关于数据总量上限的陈述：算力可以靠更多芯片、更好算法继续增长，公开文本却只有这一份，用完就没有了。

它是「预训练将终结」这一判断的唯一论据，也是后续所有「合成数据 / 推理时计算 / 智能体」出路讨论的前提。

讹变后的读法（反转）

「我们只有一个『内联网』（Intranet）」 = 企业内部网络。读者会推出一个完全不同的意思：数据不够是因为企业数据没打通，那么出路就是打通企业内网、做私有化部署。

论据一旦被换掉，结论的适用范围也跟着变了——从「全球性的数据墙」缩成「一个数据工程问题」。