大模型

硅基速览 9月3日，OpenAI开始分阶段推出GPT-6 Astra，新一代旗舰模型正式登场。 Astra在推理能力、Agent执行和多模态理解上较GPT-5.6有显著提升，拉动企业API调用量环比增长超60%。 同期OpenAI寻求1.2万亿美元估值Pre-IPO融资，Astra的发布是支撑估值飙升的核心业务驱动力之一。 正文 GPT-6 Astra登场 2026年9月3日，OpenAI开始分阶段推出GPT-6 Astra。根据renovateqr.com在9月16日的整理，Astra是OpenAI在2026年的年度旗舰模型，定位介于GPT-5.6和下一代GPT-7之间——更像是一个"增强版GPT-5.6"，而非完全重新设计。 Astra的推出不是一次性全量开放，而是分阶段：先开放给企业客户和API用户，再逐步开放给ChatGPT Plus/Pro订阅用户，最后开放给所有用户。这种分阶段策略让OpenAI可以在不同负载下测试模型稳定性，避免一次性全量推出导致的服务故障。 Astra的核心改进方向： 推理能力。 Astra在数学推理、逻辑推理和代码生成上较GPT-5.6有显著提升。在MATH和GSM8K等标准推理基准上，Astra的得分提升了约8-12个百分点。这意味着它能处理更复杂的多步推理任务——比如金融建模、复杂算法设计、科学推导。 Agent能力。 Astra是OpenAI第一个原生优化Agent场景的旗舰模型。它在工具调用、多步规划、错误恢复上的表现，直接决定了OpenAI Agents API的能力上限。9月10日Agents API公测，底层用的就是Astra。 多模态理解。 Astra可以同时理解文本、图像、音频和视频。你可以上传一段会议录音+几张幻灯片截图+一份会议纪要，让Astra综合分析。这种多模态输入能力在企业场景中非常实用。 Astra对OpenAI商业的拉动 Astra不是纯技术产品发布，它直接关联OpenAI的商业表现。据金融时报和东方财富报道，GPT-5.6和Astra发布后，OpenAI的企业API调用量环比增长超过60%，年化收入run rate从2026年初的约250亿美元提升到中的约400亿美元。 这个增长曲线对OpenAI的1.2万亿Pre-IPO估值至关重要。投资者愿意追高估值，不是因为GPT-6 Astra在 benchmarks上多考了几分，而是因为他们看到了真实的企业付费意愿。 与Claude Fable 5.1的直接竞争 Astra发布后，它在市场上的直接竞争对手是Anthropic的Claude Fable 5.1。两者的对比： 维度 GPT-6 Astra Claude Fable 5.1 推理能力 略强（数学/代码） 略强（长文本/逻辑） Agent能力 通过Agents API 通过Claude Code 多模态 文本+图像+音频+视频 文本+图像 上下文窗口 标准 200万token 定价 API定价 API定价 核心场景 企业API+ChatGPT 企业API+Claude Code 两者的能力差距已经缩小到"选择偏好"而非"能力代差"的程度。企业选型更多取决于生态集成、数据合规和团队熟悉度，而不是模型本身的能力差距。 分阶段推出的工程智慧 硅基视角要特别说一下OpenAI的"分阶段推出"策略。2024年GPT-4发布时一次性全量开放，结果因为负载过大导致服务多次宕机。2026年的Astra采用分阶段策略，是OpenAI从过去的教训中学到的工程智慧。 分阶段推出的好处： 先在小流量下测试稳定性，发现bug及时修复 按客户层级逐步开放，大客户优先 监控每一步的成本/延迟/错误率指标 给竞争对手留出的"全量推出惊喜"时间窗口更短 这种工程方法论，正在成为所有前沿模型公司的标准操作。 ...

大模型开始"上货架"了 2026年9月3日发生了一件听起来有点违和、细想又很合理的事：智谱AI在天猫开了旗舰店，天猫同步上线了"Token充值中心"，把阿里云、智谱、Kimi、MiniMax等多家大模型厂商的Token打包在一个电商入口里卖。智谱开店首日，相关搜索环比暴涨40倍。 为什么是"Token充值" 大模型行业过去两年的计费方式一直是"API后台充值"——开发者登录厂商官网，充钱，拿API Key，调接口。这套体系对程序员很友好，但对普通企业用户和个人用户极不友好：你得懂什么是API、什么是Token、什么是并发限制。 天猫这次上线"Token充值中心"，本质上是把大模型的计费单元（Token）变成了和手机话费一样的商品：你打开天猫，像充流量一样买Token包，然后去用对应的大模型应用。智谱GLM-5.3作为旗舰模型，在这个充值中心里被摆在了和其他厂商并列的位置。 要素 过去的API模式 天猫Token充值中心 购买入口 厂商官网控制台 天猫旗舰店/充值中心 用户门槛 需懂API/Key 像充话费一样简单 可比价 各家分散 多厂商并排陈列 首日热度 — 智谱搜索环比+40倍 40倍搜索暴涨说明什么 开店首日搜索环比暴涨40倍，这个数字背后是一个被长期压抑的需求：大量中小企业和个人想用大模型，但被API的技术门槛挡住了。天猫作为国民级电商入口，把"买Token"变成"买商品"之后，这部分被压抑的需求立刻释放出来。 这也意味着大模型的获客渠道正在从"开发者社区"外溢到"电商流量"。过去大模型厂商的增长靠技术大会、开发者社区、极客口碑；现在靠天猫的搜索、推荐、购物车。获客逻辑变了，定价逻辑也会跟着变——当用户在淘宝里能一眼看到"智谱GLM-5.3多少钱"“Kimi多少钱"“阿里云百炼多少钱”，价格战就从B端的合同博弈，变成了C端的货架比价。 智谱GLM-5.3的卡位 智谱选择在这个时间点入驻天猫，是经过计算的。GLM-5.3作为智谱最新一代旗舰，需要一个低门槛的曝光渠道。天猫的流量对技术品牌来说是降维打击——以前要靠技术媒体报道才能让圈外人知道，现在用户在淘宝搜"AI大模型"就能直接下单。 从更宏观的视角看，“Token充值中心"是大模型商业化从"技术订阅"走向"零售化"的标志。当算力和Token变成和矿泉水、话费一样的标品商品，大模型行业就完成了从"技术圈"到"大众消费"的惊险一跃。这一步，天猫比任何一家云厂商都走得早。 行业影响 对智谱来说，这是GLM系列触达非技术用户的最快通道。对天猫来说，“Token充值中心"把AI算力变成了电商新品类，未来甚至可能和手机套餐、宽带一样成为高频复购品。对整个行业来说，这验证了一个判断：大模型的C端商业化，不是靠做一个聊天App，而是靠把计费单元塞进用户已经熟悉的购物场景。 40倍的搜索暴涨只是开始。当越来越多企业和个人像充话费一样充Token，大模型的用户基数会从几百万开发者，扩张到几千万甚至几亿普通网民。 Token充值中心的深层意义 把多家大模型厂商放在同一个"Token充值中心"里并排陈列，这件事的商业含义比表面上的开店要深。过去大模型厂商之间是互相隔离的：你买了智谱的Token，就不能拿去调Kimi；各家的API Key、计费规则、并发限制都不一样。天猫这个充值中心一旦跑通，相当于在C端和中小企业用户侧建立了一个"中立的算力结算层”——用户像买加油卡一样买Token，再在各家应用里通用或按比例分配。 开店首日搜索环比暴涨40倍，除了智谱本身的品牌势能，更重要的是验证了"非技术用户也愿意为大模型付费"这件事。过去行业普遍担心，普通用户用完免费额度后会不会继续掏钱；天猫的搜索数据说明，只要购买路径足够短（像充话费一样），付费转化是成立的。 对智谱GLM-5.3来说，天猫旗舰店还有一层战略价值：它第一次让GLM系列的品牌触达了完全不看技术媒体的下沉用户。过去智谱的影响力集中在开发者和科研圈，天猫开店相当于一次品牌下沉，这对GLM未来做C端应用、做教育、做企业办公市场都是长期资产。 guijiagi.com 会持续跟踪大模型Token计费在电商渠道、支付渠道上的新玩法。

编程榜单的王座换人了 2026年9月2日，阿里通义更新Qwen3.8-Max。这次更新最直接的信号是：在编程能力评测CodeArena上，Qwen3.8-Max评分提升22分，达到1691分，登顶全球第一，压过了Claude Opus5和Kimi K3。 CodeArena 1691分意味着什么 CodeArena是2026年大模型编程能力评测的重要基准之一，它考察的不是刷LeetCode题的纸面分数，而是模型在真实软件工程任务上的表现：读懂一个大型代码库、定位bug、跨文件修改、遵循项目规范。这种任务比单文件代码生成难得多，也是Cursor、Claude Code这类AI编程工具最核心的能力要求。 模型 CodeArena评分 相对位置 Qwen3.8-Max 1691 全球第一（+22分） Claude Opus5 紧随其后 被反超 Kimi K3 紧随其后 被反超 Qwen3.8-Max这次是"提升22分"后登顶，说明它不是靠一次大版本跃迁，而是在持续的迭代中一点点把编程能力磨上去的。这种渐进式提升比一次性跑分爆发更有含金量，因为它反映的是真实训练流程的改进——比如代码语料的清洗、SFT数据质量的提升、强化学习在多文件任务上的优化。 每百万Tokens 5美元的成本 比登顶更重要的数字是成本：每百万Tokens综合平均仅5美元。这个价格在2026年的旗舰模型市场是什么水平？作为对比，OpenAI、Anthropic的旗舰模型API价格在每百万Tokens十几到几十美元区间，而Qwen3.8-Max把"全球第一编程能力"和"5美元成本"这两件事同时做到了。 这是一个非常聪明的商业定位：你想让用户为AI编程付费，光说"我比别人强"不够，还得说"我比别人便宜十倍"。5美元/百万Tokens的价格，让企业把Claude Code、Cursor这类工具的后端从海外模型切到Qwen的决策门槛变得极低。 千问办公3000万用户 与此同时，阿里披露千问办公用户突破3000万。这是一个比模型榜单更扎实的数字——它说明Qwen不是只在开发者圈子里有名，而是真的走进了办公室、写文档、做表格、处理邮件。3000万用户的使用数据反过来又成为模型训练的燃料，形成"用得越多→模型越好→用户越多"的飞轮。 行业影响 Qwen3.8-Max登顶CodeArena，加上5美元的成本，对海外编程模型厂商是直接的价格冲击。2026年编程模型市场的格局正在从"美国厂商定义标准"转向"中国厂商以性价比重构市场"。Claude Opus5和GPT系列依然在通用推理上领先，但在"写代码"这个最容易商业化的垂直场景，Qwen用"能力第一+成本1/3"的组合，正在抢占开发者心智。 对国内开发者来说，这意味着以后写代码的默认AI助手，很可能不再是Cursor背后的Claude，而是千问生态里某个集成了Qwen3.8-Max的国产工具。模型能力第一，成本足够低，再加上3000万办公用户的场景数据——这三者叠加，就是阿里在大模型应用层最深的护城河。 为什么是CodeArena而不是SWE-bench 值得留意的是，这次Qwen3.8-Max选择在CodeArena上公布登顶，而不是更常被引用的SWE-bench。两个评测的侧重不同：SWE-bench更偏"从GitHub真实issue复现修复"，任务分布偏窄；CodeArena覆盖更广泛的真实软件工程任务，包括跨文件重构、遗留代码迁移、测试补全等。Qwen选择CodeArena，说明其训练团队在数据构建上刻意往"真实工程工作流"倾斜，而不是在单一基准上刷分。 每百万Tokens 5美元的综合平均成本，还隐含一个商业细节：这不是"输入价格"也不是"输出价格"，而是综合平均。意味着阿里在定价上做了场景化拆分——短输入便宜、长输入略贵、输出按量计费，但把常见对话场景的加权平均值压到了5美元。这种定价方式对企业做成本测算非常友好，因为客户不需要自己去估输入输出比例，直接用综合成本做预算就行。 3000万千问办公用户则是这个定价策略的底气：当C端和办公场景的调用量足够大，阿里可以用规模摊薄推理成本，再把摊薄后的低价反哺开发者市场。这是一个"消费端养推理端、推理端抢开发者"的飞轮。 guijiagi.com 会持续跟踪CodeArena、SWE-bench等编程基准上的中美模型格局变化。

1.5TB到214GB的"减肥"奇迹 2026年9月1日，腾讯发布混元Hy4轻量版。这个版本最震撼的不是跑分，而是一个纯粹的工程数字：Hy4 preview的权重文件体积从约1.5TB，压缩到了约214GB。换句话说，原来要存1500GB的模型，现在只需要214GB，体积缩小到原来的七分之一。 为什么压缩到1/7还能打 大模型"压缩"听起来简单，做起来极难。常见手段包括量化（把16位浮点权重压成8位甚至4位）、蒸馏（用大模型教小模型）、剪枝（去掉不重要的参数）。但每一种手段都会带来能力损失：量化过头会让模型"变笨"，蒸馏会丢掉教师模型的深层推理能力，剪枝可能直接废掉某些能力维度。 腾讯混元Hy4轻量版这次公布的能力对比，关键在于"几乎不损失"： 能力维度 Hy4 preview原版 Hy4轻量版 权重体积 约1.5TB 约214GB 体积比 100% 约14% 长文理解 基准 几乎持平 多轮长上下文检索 基准 基本同一水平 数学能力 基准 小幅回落 长文理解几乎持平、多轮长上下文检索基本同一水平——这两项是大模型在企业场景最核心的能力，也是最容易被压缩毁掉的部分。很多模型一压缩，长上下文的"记忆力"就断崖式下跌，因为注意力机制对参数精度非常敏感。混元轻量版能在压到1/7体积后还保持长上下文检索能力，说明其压缩方案不是粗暴的低比特量化，而是结合了结构化剪枝、算子融合、注意力优化等一整套工程组合拳。 唯一承认的代价是数学能力"小幅回落"。这其实是一种诚实：数学推理对参数精度最敏感，任何压缩都会在这一项上先露馅。腾讯没有把数学也说成"持平"，而是如实标注"小幅回落"，这种数据透明度在国产大模型里反而少见。 为什么这件事比跑分更重要 大模型行业在2026年已经进入"推理成本决定生死"的阶段。一个1.5TB的模型，部署需要多张H100级别的GPU，每次推理的硬件折旧和电费都很高；压到214GB后，可能单台8卡服务器就能跑，推理成本直接降一个数量级。 对C端用户来说，这意味着混元的长文档、长对话功能可以以更低价格开放；对开发者来说，API调用成本下降后，基于混元构建Agent的经济模型就成立了。2026年下半年大模型竞争的主线已经不是"谁的参数大"，而是"谁能把同等能力做到最便宜"。 行业影响 混元Hy4轻量版给整个行业立了一个标杆：原来旗舰级长上下文模型是可以做到1/7体积而几乎不损失核心能力的。这会倒逼其他厂商重新审视自己的模型发布策略——以后发布一个模型，光说"我们参数大"没用，还得说"我们压缩后还剩多少体积、掉多少分"。 从更宏观的视角看，这也是国产大模型在"效率工程"上的一次集体补课。过去大家拼训练规模，现在开始拼推理效率。1.5TB→214GB这个数字，本质上是在回答一个问题：大模型能不能以可负担的成本走进千万级用户的日常应用。 压缩背后的工程取舍 1.5TB压到214GB，背后大概率不是单一手段能完成的。合理的推测是三层组合：第一层是结构化稀疏与专家剪枝，混元Hy4本身是MoE架构，激活参数远小于总参数，可以把大量低利用率专家先裁掉；第二层是混合精度量化，对注意力层和MLP层用不同的位宽策略，对长上下文关键的KV缓存路径保持较高精度；第三层是算子融合与KV缓存优化，让推理时不再为每一层单独分配中间缓冲区。这种分层压缩才能解释"长上下文几乎不损失"——因为它在关键路径上保留了精度，只在非关键路径上动刀。 数学能力小幅回落，则从侧面印证了这套逻辑：数学推理依赖长链路上的高精度数值运算，一旦数值精度下降，多步推理的误差会累积放大。腾讯把这一项如实标出来，而不是藏在跑分背后，说明其工程团队对压缩损伤的分布有清晰的定量认知。 对企业用户的启示是：以后选模型不能只看"压缩后体积小"，还要看压缩损伤落在哪些能力维度。如果你的场景以长文档检索、摘要、客服为主，混元轻量版几乎是白捡的红利；如果你的场景重度依赖数学推理或代码竞赛题，可能还是要跑一版原版对比再决定。 guijiagi.com 会持续跟踪主流大模型在量化、蒸馏、推理优化上的最新进展。