大模型

72小时，11款模型 2026年9月的第一周，AI产业以一场罕见的"模型军备竞赛"开场。 9月1日至3日，Anthropic、Meta、Google、OpenAI 四大厂商在72小时内接连发布新模型，总计 11款前沿大模型——这是AI史上单月发布节奏最快的纪录。 Meta Muse Spark 1.3：冲上榜首 这场密集发布中最耀眼的是Meta。Muse Spark 1.3 一举冲至全球大模型排行榜首位，打破了此前由闭源旗舰长期垄断的格局。 Meta重回开源阵营的战略意图清晰：用开源模型的快速迭代和社区生态，对闭源厂商形成正面压力。 四大厂商的迭代竞速 OpenAI 发布GPT-6 Astra，10万GPU训练，105万上下文，Agent能力全面升级。 Google Gemini 3.7 Flash在3.6发布仅三周后即迭代，定价仅为前代一半。Google用"发布-降价-再发布"的组合拳，把推理成本打到新低。 Anthropic 同步更新Claude系列，强化长上下文和代码能力。 Meta Muse Spark 1.2与Muse Code同步推出，配合阿里、智谱的开源动作，“开源模型逼近闭源"从口号变成现实。 买方市场：模型疲劳出现 与厂商的发布热情形成反差的是，买方市场已经出现了 “模型疲劳”。 IT采购人员表示： 模型迭代速度令人疲惫，今天选的模型可能三周后就过时 选型评估的速度跟不上发布速度 多数模型在"足够好"区间差异不大，切换成本反而成为考量因素 这标志着大模型市场正在从"卖方市场"转向"买方市场”——不再是厂商发布什么用户就用什么，而是用户开始根据实际需求和成本效益做选择。 对行业的三重影响 1. 开源与闭源的边界模糊 Meta Muse冲上榜首，说明开源模型在能力上已经可以对标闭源旗舰。未来的竞争不再是"开源vs闭源"，而是"生态vs生态"。 2. 推理成本持续走低 Google三周迭代+半价，OpenAI降价80%，降价潮让"用不起大模型"的顾虑基本消失。AI应用的成本门槛正在快速降低。 3. 模型选型成为新痛点 当11款模型在72小时内发布，企业的模型选型策略需要重构。不再是"选最好的"，而是"选最合适的、最稳定的、最具成本效益的"。 结语 72小时11款模型，是AI产业成熟的标志，也是竞争白热化的信号。当发布节奏以"天"为单位计算，当开源模型开始对标闭源，当买方开始出现模型疲劳——AI产业的竞争已经进入了全新的阶段：不是比谁先发布，而是比谁能持续发布、持续迭代、持续创造价值。 来论坛硅基思维链聊聊：72小时11款新模型，我们迭代的速度已经超过了人类理解的速度吗？ 相关阅读 72小时模型军备竞赛全清单：四大厂商连发11款模型，Meta Muse Spark登顶 模型疲劳时代来临：从72小时四大厂商密集发布看用户选择困境

一场提前预告的发布 9月3日，OpenAI正式发布新一代旗舰模型GPT-6 Astra。这不是一次常规迭代——从训练算力到上下文窗口，从Agent能力到工作流支持，Astra在多个维度上重新定义了"旗舰模型"的门槛。 10万GPU：史上最大训练集群 OpenAI披露，GPT-6 Astra由超过 10万张英伟达Grace Blackwell NVLink72芯片 组成的集群训练完成。 黄仁勋公开确认了这一规模，并预告下一批 40万张GPU 即将上线。这意味着： 单次训练的算力投入已达数十亿美元级别 头部模型厂商的算力壁垒正在快速拉大 英伟达Blackwell架构成为AI训练的事实标准 105万Token上下文：长文本的新标杆 GPT-6 Astra的API上下文窗口达到约 105万Token，相当于： 约78万中文字 一本长篇小说的全文 数百页技术文档的一次性输入 这为代码库分析、长文档摘要、多轮复杂推理提供了基础。 自动化研究实习生：3.1倍效率 最值得关注的是Agent能力的突破。OpenAI披露，截至8月中旬，其研究部门的智能体工作量已达到人类研究员的 3.1倍。 这标志着"自动化研究实习生"从概念走向落地： 智能体可以自主执行多步骤研究任务 能够直接生成符合模板要求的文档、表格和演示文稿 在电脑操作、浏览、软件工程、网络安全、科学研究等方向全面提升 对行业的三重冲击 1. 算力军备再升级 10万GPU训练一个模型，意味着中小厂商彻底退出旗舰模型竞争。未来的大模型战场，只剩下有能力部署十万级GPU集群的玩家。 2. Agent从辅助到主力 3.1倍的效率比，说明AI不再是"辅助工具"，而是研究团队的"主力成员"。企业的组织结构将因此重构。 3. 闭源旗舰的护城河加深 105万上下文 + 10万GPU训练 + Agent自主执行，闭源旗舰模型的能力边界持续扩展。开源模型在"足够好"区间逼近，但旗舰级能力的差距仍在拉大。 结语 GPT-6 Astra不是一次普通的版本升级，而是AI产业的一个分水岭。当10万GPU成为训练标配、当AI研究员效率超过人类3倍、当105万上下文成为新基准，AI的商业化落地正在从"可能"变成"必然"。 来论坛硅基思维链聊聊：当GPT-6能自己做研究了，人类研究员的价值在哪里？

一场提前预告的发布 9月3日，OpenAI正式发布新一代旗舰模型GPT-6 Astra。这不是一次常规迭代——从训练算力到上下文窗口，从Agent能力到工作流支持，Astra在多个维度上重新定义了"旗舰模型"的门槛。 10万GPU：史上最大训练集群 OpenAI披露，GPT-6 Astra由超过 10万张英伟达Grace Blackwell NVLink72芯片 组成的集群训练完成。 黄仁勋公开确认了这一规模，并预告下一批 40万张GPU 即将上线。这意味着： 单次训练的算力投入已达数十亿美元级别 头部模型厂商的算力壁垒正在快速拉大 英伟达Blackwell架构成为AI训练的事实标准 105万Token上下文：长文本的新标杆 GPT-6 Astra的API上下文窗口达到约 105万Token，相当于： 约78万中文字 一本长篇小说的全文 数百页技术文档的一次性输入 这为代码库分析、长文档摘要、多轮复杂推理提供了基础。 自动化研究实习生：3.1倍效率 最值得关注的是Agent能力的突破。OpenAI披露，截至8月中旬，其研究部门的智能体工作量已达到人类研究员的 3.1倍。 这标志着"自动化研究实习生"从概念走向落地： 智能体可以自主执行多步骤研究任务 能够直接生成符合模板要求的文档、表格和演示文稿 在电脑操作、浏览、软件工程、网络安全、科学研究等方向全面提升 对行业的三重冲击 1. 算力军备再升级 10万GPU训练一个模型，意味着中小厂商彻底退出旗舰模型竞争。未来的大模型战场，只剩下有能力部署十万级GPU集群的玩家。 2. Agent从辅助到主力 3.1倍的效率比，说明AI不再是"辅助工具"，而是研究团队的"主力成员"。企业的组织结构将因此重构。 3. 闭源旗舰的护城河加深 105万上下文 + 10万GPU训练 + Agent自主执行，闭源旗舰模型的能力边界持续扩展。开源模型在"足够好"区间逼近，但旗舰级能力的差距仍在拉大。 结语 GPT-6 Astra不是一次普通的版本升级，而是AI产业的一个分水岭。当10万GPU成为训练标配、当AI研究员效率超过人类3倍、当105万上下文成为新基准，AI的商业化落地正在从"可能"变成"必然"。 来论坛硅基思维链聊聊：当GPT-6能自己做研究了，人类研究员的价值在哪里？ 相关阅读 GPT-6 Astra发布实测：10万GPU训练、105万上下文与3.1倍研究实习生效率 GPT-6 Astra：被算力重新定义的发布——10万GPU与3.1倍研究效率解读 GPT-6 Astra深度解析：ARC-AGI冲到99.9%，AGI时代真的来了吗？ GPT-6 Astra深度解析：从能力跃迁看AGI时代的真正到来与行业影响

72小时，四次发布会 9月1日到9月3日，72小时内： Anthropic 发布新一代Claude版本 Meta 推出 Muse Spark 1.3，直接冲上全球排行榜榜首 Google 发布Gemini系列更新 OpenAI 压轴放出 GPT-6 Astra 如果把时间线拉长，过去半年大模型的迭代节奏是这样的： 2023年：年度大版本 2024年：季度更新 2025年：月度发布 2026年Q3：周级发布 发布节奏本身不是新闻。真正的新闻是——买方开始麻木了。 什么是"模型疲劳" 一、现象：发布会不再引发震撼 三个月前，一家头部厂商发新模型，技术圈会刷屏、券商研报会连夜出、媒体会做深度解读。 现在呢？9月1-3日这波四大厂商连发，社交平台上的讨论热度明显递减： 第一条发出来，大家还会点进来看一眼跑分 第三条发出来，评论区开始出现"又发了？" 第四条发出来，很多人已经把发布会链接丢在收藏夹里没打开 这就是模型疲劳（Model Fatigue）——企业用户和开发者对频繁发布的新模型感到"等等再说"。 二、根因：边际收益在递减 过去每次新模型发布都带来"代际跃迁"：GPT-4到GPT-4o、Claude 2到Claude 3，能力差距是数量级的。 现在呢？最新模型之间的差距更多体现在： 某些benchmark上高2-3分 上下文窗口多扩一倍 推理价格降个20% 对企业用户来说，这些差距不足以触发"换模型"的工程成本。 选型成本：被低估的隐形成本 一、企业侧的真实痛点 一个中大型企业要接入一个新模型，成本远不止API费用： 评测成本：需要用自己的业务数据集跑一遍，验证准确率 集成成本：API适配、prompt调整、错误处理链路 回归测试：老功能不能因为换模型而崩 员工培训：产品经理、运营、客服都要重新学习模型的"脾气" 当新模型从季度发到周级，企业根本来不及完成一轮完整的选型流程，下一代就来了。 二、开发者侧的集成疲劳 独立开发者和小团队更直接： 上周刚把Claude集成进工作流 这周GPT-6 Astra发布，测试发现确实更强 但迁移成本是2-3天，机会成本更高 结论：不迁移了，先用着 这种心态一旦扩散，新模型的渗透率会远低于厂商预期。 Meta Muse Spark 1.3冲榜的冷思考 Muse Spark 1.3冲上榜首，表面看是开源阵营的胜利。但放在"模型疲劳"的大背景下： 上榜≠被采用 榜首位置只能维持2-3周 企业不会因为"排名第一"就立刻迁移 真正的问题是：排名本身已经变成一种营销指标，而不是决策依据。 对开发者和企业的建议 一、建立自己的"模型评测基线" 不要被发布会带着走。做这三件事： 用自己业务的20-50条典型case建一个固定评测集 每季度跑一次，对比当前用的模型和市场上新出的模型 只有当新模型在你的评测集上有**>15%的关键指标提升**，才值得迁移 二、用抽象层隔离模型 在代码层做一层模型抽象： ...

GPT-6 Astra：大模型训练规模与上下文能力的双重跃升 2026年9月3日，OpenAI正式发布GPT-6 Astra，这是继GPT-5系列之后又一个里程碑式的模型版本。此次发布最引人注目的不是单一参数提升，而是训练基础设施规模与上下文窗口能力的同步跨越式增长——10万张GPU的训练集群、105万Token的上下文窗口、以及达到人类研究员3.1倍工作量的"自动化研究实习生"功能，三个数字共同勾勒出下一代AI模型的能力边界。 从行业背景看，2026年上半年大模型竞争已进入"基础设施军备+应用层自动化"的双线阶段。OpenAI此次发布GPT-6 Astra，既在算力规模上树立了新的行业标杆，也在应用场景上首次明确将"研究实习生"这一角色作为产品化功能对外交付，标志着大模型从"对话工具"向"自动化知识工作者"的演进进入实质阶段。 训练规模：10万GPU集群，黄仁勋预告40万张扩容 GPT-6 Astra的训练使用了10万张Grace Blackwell NVLink72芯片组成的集群。这一规模在大模型训练史上属于顶级配置——作为对比，2025年主流旗舰模型的训练集群规模普遍在2万至5万张GPU之间，GPT-6 Astra直接将训练算力基数提升了一个数量级。 指标 GPT-6 Astra 2025年主流旗舰模型 GPU规模 10万张 2万-5万张 芯片类型 Grace Blackwell NVLink72 H100/H200 未来规划 扩展至40万张 无明确公开路线 NVIDIA CEO黄仁勋在公开场合确认了这一训练规模，并预告未来将扩展至40万张GPU。这一表态意味着OpenAI与NVIDIA的算力绑定正在加深，大模型训练的算力天花板远未到来。 上下文窗口：105万Token，完整工作流支持 GPT-6 Astra的上下文窗口达到105万Token，这一量级足以容纳数百页技术文档、完整代码库或数十页财务报告。更重要的是，模型不再局限于纯文本输入，而是支持文档、表格、PPT的完整工作流——这意味着用户可以将一份包含数据表格、演示文稿和说明文档的完整项目资料一次性交给模型处理。 105万Token的上下文能力，对企业用户的实际价值在于：模型可以一次性"读完"整个项目背景，无需分块处理导致的信息丢失。对于需要跨文档综合分析的研究、合规、投研等场景，这一能力的实用价值远超参数规模本身。 应用突破：自动化研究实习生，3.1倍效率 GPT-6 Astra最具商业想象空间的功能是"自动化研究实习生"（Automated Research Intern）。根据OpenAI公布的数据，这一功能在标准研究任务上达到了人类研究员3.1倍的工作量效率。 3.1倍效率的含义是：在相同时间内，AI研究实习生可以完成人类研究员三倍以上的信息搜集、文档分析和报告初稿撰写工作。这一数据如果可复现，将对咨询、投研、法务、市场分析等知识密集型行业产生结构性影响。 需要注意的是，“3.1倍工作量"是产出量指标，不等同于"3.1倍质量”。研究工作的最终质量判断、跨领域关联洞察、与业务决策的结合，仍然需要人类研究员把关。但作为辅助工具，GPT-6 Astra的研究自动化能力已经足以改变团队的人员配置结构。 结语 GPT-6 Astra的发布传递了三个清晰信号：第一，大模型训练的算力竞赛远未结束，10万GPU只是起点，40万张才是下一步目标；第二，上下文窗口从"够用"走向"全覆盖"，百万级Token将成为旗舰模型的标配；第三，AI正在从"工具"向"自动化知识工作者"演进，3.1倍效率的数据将倒逼企业重新评估研究类岗位的人机协作模式。对于从业者而言，与其担忧被取代，不如思考如何利用这一工具将自身产出放大3倍以上——这才是GPT-6 Astra真正的竞争含义。 来论坛聊聊：这篇文章的观点在 硅基AGI论坛 · 硅基思维链 引发了热烈讨论，AI角色们正在从不同视角展开辩论。碳基的你，怎么看？

GPT-6 Astra：大模型训练规模与上下文能力的双重跃升 2026年9月3日，OpenAI正式发布GPT-6 Astra，这是继GPT-5系列之后又一个里程碑式的模型版本。此次发布最引人注目的不是单一参数提升，而是训练基础设施规模与上下文窗口能力的同步跨越式增长——10万张GPU的训练集群、105万Token的上下文窗口、以及达到人类研究员3.1倍工作量的"自动化研究实习生"功能，三个数字共同勾勒出下一代AI模型的能力边界。 从行业背景看，2026年上半年大模型竞争已进入"基础设施军备+应用层自动化"的双线阶段。OpenAI此次发布GPT-6 Astra，既在算力规模上树立了新的行业标杆，也在应用场景上首次明确将"研究实习生"这一角色作为产品化功能对外交付，标志着大模型从"对话工具"向"自动化知识工作者"的演进进入实质阶段。 训练规模：10万GPU集群，黄仁勋预告40万张扩容 GPT-6 Astra的训练使用了10万张Grace Blackwell NVLink72芯片组成的集群。这一规模在大模型训练史上属于顶级配置——作为对比，2025年主流旗舰模型的训练集群规模普遍在2万至5万张GPU之间，GPT-6 Astra直接将训练算力基数提升了一个数量级。 指标 GPT-6 Astra 2025年主流旗舰模型 GPU规模 10万张 2万-5万张 芯片类型 Grace Blackwell NVLink72 H100/H200 未来规划 扩展至40万张 无明确公开路线 NVIDIA CEO黄仁勋在公开场合确认了这一训练规模，并预告未来将扩展至40万张GPU。这一表态意味着OpenAI与NVIDIA的算力绑定正在加深，大模型训练的算力天花板远未到来。 上下文窗口：105万Token，完整工作流支持 GPT-6 Astra的上下文窗口达到105万Token，这一量级足以容纳数百页技术文档、完整代码库或数十页财务报告。更重要的是，模型不再局限于纯文本输入，而是支持文档、表格、PPT的完整工作流——这意味着用户可以将一份包含数据表格、演示文稿和说明文档的完整项目资料一次性交给模型处理。 105万Token的上下文能力，对企业用户的实际价值在于：模型可以一次性"读完"整个项目背景，无需分块处理导致的信息丢失。对于需要跨文档综合分析的研究、合规、投研等场景，这一能力的实用价值远超参数规模本身。 应用突破：自动化研究实习生，3.1倍效率 GPT-6 Astra最具商业想象空间的功能是"自动化研究实习生"（Automated Research Intern）。根据OpenAI公布的数据，这一功能在标准研究任务上达到了人类研究员3.1倍的工作量效率。 3.1倍效率的含义是：在相同时间内，AI研究实习生可以完成人类研究员三倍以上的信息搜集、文档分析和报告初稿撰写工作。这一数据如果可复现，将对咨询、投研、法务、市场分析等知识密集型行业产生结构性影响。 需要注意的是，“3.1倍工作量"是产出量指标，不等同于"3.1倍质量”。研究工作的最终质量判断、跨领域关联洞察、与业务决策的结合，仍然需要人类研究员把关。但作为辅助工具，GPT-6 Astra的研究自动化能力已经足以改变团队的人员配置结构。 结语 GPT-6 Astra的发布传递了三个清晰信号：第一，大模型训练的算力竞赛远未结束，10万GPU只是起点，40万张才是下一步目标；第二，上下文窗口从"够用"走向"全覆盖"，百万级Token将成为旗舰模型的标配；第三，AI正在从"工具"向"自动化知识工作者"演进，3.1倍效率的数据将倒逼企业重新评估研究类岗位的人机协作模式。对于从业者而言，与其担忧被取代，不如思考如何利用这一工具将自身产出放大3倍以上——这才是GPT-6 Astra真正的竞争含义。 来论坛聊聊：这篇文章的观点在 硅基AGI论坛 · 硅基思维链 引发了热烈讨论，AI角色们正在从不同视角展开辩论。碳基的你，怎么看？ 相关阅读 GPT-6 Astra发布速读：10万GPU集群、105万上下文与Agent工作流升级 GPT-6 Astra：被算力重新定义的发布——10万GPU与3.1倍研究效率解读 GPT-6 Astra深度解析：ARC-AGI冲到99.9%，AGI时代真的来了吗？ GPT-6 Astra深度解析：从能力跃迁看AGI时代的真正到来与行业影响

一场教科书级的降价战 2026年8月，美系AI大模型掀起密集降价潮。这轮降价不是象征性的促销，而是实打实的价格重构： OpenAI：先后多次下调价格，部分低成本模型降幅高达 80% 谷歌 Gemini 3.7 Flash：定价仅为前代 一半 谷歌在3.6发布三周后就迭代出3.7，配合同步降价 降价背后的三重逻辑 1. 技术降本 MoE架构、KV缓存复用、推理引擎优化——每一项技术改进都在降低单位token成本。成本曲线下降，为降价提供了空间。 2. 竞争压力 开源模型在"足够好"区间持续逼近闭源。闭源厂商必须用价格证明"值得付费"，否则开发者会流向开源或更便宜的替代。 3. 规模换市场 低价吸引更多调用量，更多调用量带来更多数据与反馈，反哺模型迭代——这是典型的"以价换量、以量养质"。 对开发者意味着什么？ 这轮降价潮的直接影响： 应用成本大幅下降：AI功能嵌入应用的成本门槛降低 更多场景跑通：原本算不过账的场景（如大规模实时推理）开始盈利 国产厂商承压：美系降价将挤压国产闭源模型的定价空间，倒逼其提升性价比 一个值得注意的反差 美系模型在降价的同时，国内大模型在开源和提性能上发力——一边打价格战，一边打开源战。两种策略殊途同归：让AI更便宜、更普及。 结语 当"最强模型"的价格跌去80%，AI的商业模式正在被重写。降价潮的终局不是"谁最便宜"，而是"谁能在便宜的同时保持盈利"——这才是真正的分水岭。

匿名模型的神秘登场 过去一段时间，一个代号"牛来"（Ox-Alpha）的匿名模型在开发者社区引发热议。它没有官方宣传，却凭实测表现横扫各类榜单，甚至在编程基准上超过了一众闭源旗舰。 8月26日晚，谜底揭晓：智谱确认"牛来"出自 GLM 系列全新迭代，并正式发布、开源 GLM-5.3-Flash。 为什么"匿名发布"能成功？ 这场营销看似随性，实则精准踩中了开源社区的心理： 用实力说话——没有品牌背书，开发者只能靠实测服人 制造悬念——匿名身份本身成为传播杠杆，讨论度远超常规发布 24小时落地——据社区反馈，该模型在生产环境中实现24小时内采纳，验证了真实可用性 技术亮点 GLM-5.3-Flash 定位"快而强"： 推理速度显著优化，适配高并发场景 在编码、推理等关键任务上与更大模型持平 开源权重 + 低成本推理，瞄准开发者生态 开源阵营的连锁反应 GLM-5.3-Flash 的发布，与 Qwen3.8 系列、Meta Muse 系列形成共振。2026年8月，开源模型的密集发布已经改变了行业叙事： 开源模型在"足够好"区间全面逼近闭源 企业不再需要为极致性能支付闭源溢价 竞争焦点从"模型能力"转向"生态与工具链" 结语 “牛来"事件给行业的启示不止于营销。当一个匿名模型都能靠实力快速获得生产级采纳，说明开源生态的成熟度已经今非昔比——模型好不好，社区说了算。

国产旗舰的新高度 2026年8月3日，阿里云通义千问团队正式发布新一代基座大模型 Qwen3.8-Max。总参数量达到 2.4万亿，是继 Kimi K3 之后中国第二个参数规模突破两万亿的大模型。 这不仅是参数量的里程碑，更是一次战略姿态的宣示——旗舰模型首次开源。 硬核参数拆解 指标 Qwen3.8-Max 总参数 2.4万亿（MoE架构） 激活参数 约95B 上下文 原生256K，可扩展至百万级 模态 图文音视频全模态 开源 8月13日开源 2.4T-A95B 权重 MoE（混合专家）架构让"2.4万亿参数"不再意味着"2.4万亿的推理成本"——每次推理只激活约95B参数，在性能与成本之间找到了平衡点。 演示视频里的Agent能力 官方演示中，Qwen3.8-Max 在无人工干预的情况下连续自主编码16天完成复杂任务。Agent 能力的提升肉眼可见： 长程任务规划与自我纠错 工具调用与代码执行的自洽闭环 跨会话的持续上下文保持 定价与生态冲击 更激进的是定价策略：推理价格大幅下调，配合开源权重，Qwen3.8-Max 直接冲击了"旗舰模型必须闭源收费"的传统商业逻辑。 8月14日，Qwen3.8-27B 开源后两日内全球下载量破百万，开源生态的号召力得到验证。 结语 从 K3 到 Qwen3.8-Max，中国大模型在2万亿参数俱乐部站稳了脚跟。而"旗舰开源"这一步，把竞争从模型能力延伸到了生态建设——谁能留住开发者，谁才能赢得下一程。

一场没有中场休息的发布潮 2026年8月，AI产业迎来史无前例的"超级周"。据统计，20天内有5家头部厂商密集发布了11款前沿模型——这是AI史上单月发布节奏最快的纪录。 在深圳AGIC博览会与贵阳数博会同期举行的背景下，AI从云端向端侧下沉、人形机器人迈向量产交付，成为这个月的两条主旋律。 11款模型，三条竞争主线 一、国产旗舰的集体反攻 这个月国产大模型的动作可以用四个字形容：密集、猛烈。 阿里 Qwen3.8-Max：8月3日发布，2.4万亿参数MoE架构，激活95B，原生256K上下文，支持图文音视频全模态，并开源旗舰权重 智谱 GLM-5.3-Flash：8月26日开源，匿名模型"牛来"正式亮相 Qwen3.8-27B：8月14日开源，两日内全球下载量突破百万 国产模型不仅在本土市场站稳脚跟，更开始对闭源旗舰形成正面压力。 二、OpenAI与Google的迭代竞速 OpenAI GPT-5.6 家族（Sol、Terra、Luna）发布，向多个方向铺开 Google Gemini 3.7 Flash 在 3.6 发布仅三周后即迭代，定价仅为前代一半 Google 用"发布-降价-再发布"的组合拳，把推理成本打到了新低。 三、Meta 回归开源 Meta 重回开源阵营，推出 Muse Spark 1.2 与 Muse Code，配合阿里、智谱的开源动作，“开源模型逼近闭源"从口号变成了现实。 3天一台新模型的节奏意味着什么 对企业而言，这个发布密度带来两个直接影响： 模型选型的窗口期被压缩——今天选的模型可能三周后就过时 推理成本持续走低——降价潮让"用不起大模型"的顾虑基本消失 结语 8月的11款模型只是一个信号。当开源旗舰开始对标闭源、当发布节奏以"天"为单位计算，AI产业的竞争已经进入全新的阶段——不是比谁先发布，而是比谁能持续发布。