前沿模型

DeepSeek 更新日志给出的两个参考分放在一起读很有意思：GPQA Diamond 90.9，HLE 36.8。前者已经接近理科博士水平，后者却连四成都不到。这 54 分的落差，正是当前前沿模型能力边界最诚实的写照。 GPQA 与 HLE 这两个基准到底在考什么？ GPQA Diamond 是研究生级别的科学多选题，题目相对封闭、答案唯一，靠知识检索与逻辑推演就能拿下。HLE（Humanity’s Last Exam）则刻意收集那些即便专家也要查资料、有争议、信息高度不对称的难题，目的就是让模型「考不过」。90.9 与 36.8 的对比说明：在结构清晰的知识型任务上，模型已经很强；但在需要跨领域综合判断、容忍不确定性的开放难题上，它仍有巨大鸿沟。 90.9 与 36.8 的落差为什么重要？ 很多宣传只挑高分基准说事儿。只看 GPQA，会觉得 AGI 近在咫尺；加上 HLE，才发现模型在「不知道自己不知道」的地方依然脆弱。对企业采购，这意味着：把模型用在有标准答案的环节，可靠性可观；把它用在需要权衡的高风险决策上，仍需人类兜底。 面对榜单，正确的读法是什么？ 别只看单一最高分，把知识型基准与开放难题基准对照着看。前沿模型的真实水位，约等于两者之间的位置，而不是那个漂亮的 90.9。 这个落差怎么用在模型采购决策里？ 给企业做模型选型时，建议建立两张表：一张知识型基准（GPQA、MMLU 类），一张开放难题型基准（HLE 类）。把候选模型放上去对照，而不是只看厂商宣传的最高分。如果一个模型知识分很高、开放分很低，它适合做客服、摘要这类有标准答案的活；两张表都过得去，才敢让它碰需要权衡的决策。对普通用户，记住一个朴素原则：模型说得越自信，越要想想它是不是在一个「其实不确定」的问题上硬给了答案。36.8 这个分数，就是这份谦逊的量化依据。 说到底，榜单是用来照出边界的，不是用来制造幻觉的。把 90.9 与 36.8 并排贴在墙上，团队才不会在乐观与悲观之间反复横跳，而是老老实实知道自己站在哪、离下一道坎还有多远。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：HLE基准

Anthropic 的招股书给了我们一组难得的、关于前沿模型公司成本结构的真实数字：2025 年营收 45.9 亿美元，营业亏损 80.6 亿美元，其中算力与基础设施支出 73.3 亿美元。多数人看这些数字只觉得「好烧钱」，但真正值得算的是另一道题：一家像 Anthropic 这样的前沿实验室，营收要做到多大，才能不亏？把这道题解出来，你就看清了为什么前沿模型这件事，最后只剩巨头和少数宠儿在玩。 先把这笔账摆开，盈亏线到底在哪？ Anthropic 每赚 1 美元营收，背后是约 1.6 美元的营业亏损，而光算力一项就吃掉了 1.6 美元左右。也就是说，如果它的营收要打平营业亏损，按今天的成本结构，营收至少要翻一倍多——从 45.9 亿冲到 120 亿美元量级，才勉强盖住现在的运营盘子。 但这还没算增长成本。问题在于，要让营收翻倍，它得继续在算力上加倍投入去训练更强的模型、抢占市场。成本和营收是一起涨的，而且成本涨得更快。这就是前沿模型公司的死循环：想盈利就得停投入，停投入就落后，落后就丢客户。 为什么说盈亏平衡几乎是个伪命题？ 更深一层看，前沿实验室的商业模式里，「打平」可能根本不是一个稳定状态。它的成本不是固定的，而是军备竞赛决定的：竞争对手训练下一代模型，你不跟就出局。这意味着它的成本下限，是由同行的投入决定的，不是由自己的营收决定的。 所以前沿模型公司的目标从来不是「盈亏平衡」，而是「在资本市场失去耐心之前，把营收做到足以支撑下一轮融资」。Anthropic 2 万亿估值、上千亿募资，本质就是在买这个时间。它不是一家要盈利的公司，而是一家要持续融资到某天规模效应出现的公司。 这解释了为什么牌桌只剩这几家？ 为什么前沿模型的牌桌上只剩 OpenAI、Anthropic、谷歌、Meta 这几家？因为按 Anthropic 的成本结构，一个新玩家想从零开始打平，需要的营收量级已经不是创业公司能凑出来的。应用层公司可以靠便宜模型赚钱，但模型层的游戏，门槛已经被算力账单抬高到了十亿美金起步。 这对创业者是个冷静的信号：别去和 Anthropic 抢模型，抢它账单上那个最赚钱的应用场景就好。模型层的账，普通人算不起；应用层的账，才轮得到我们。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：盈亏平衡点