编程模型

据 AI Daily Digest 10 月 18 日版汇总（https://dev.to/hiroki-ii-ai/ai-daily-digest-october-18-2026-reflection-opens-beam-501b-anthropic-replaces-git-tsmc-rides-4d7l ），Reflection 在预览发布十一天后，正式把 Beam 的完整权重开源到 Hugging Face，许可选择了最宽松的 Apache 2.0，对蒸馏、微调与商业部署都没有附加限制。Beam 是一个稀疏混合专家模型，总参数 5010 亿，每个 token 只激活 230 亿，上下文窗口做到 100 万 token，预训练消耗了 23.8 万亿 token。 强化学习阶段的账面数字相当吓人：10500 张 NVIDIA GB300 GPU 连跑四周，产出超过一亿条 rollout。这也是本轮开源浪潮里少有的、把 RL 阶段算力开销一并摊开给外界看的案例。 权重打包为什么比跑分更值得关注？ Reflection 自家基准页给出的 BF16 版本成绩是 SWE-bench Verified 81.6%、Terminal-Bench 2.1 为 80.1%、GPQA Diamond 90.6%、AIME 2026 拿到 97.7%，并声称以大约三分之一的推理 token 消耗，对齐头部开源模型。但同一天第三方 Artificial Analysis 智能指数只给它打了 30 分，排在 GLM-5.3 的 45、Kimi K3 的 44 与 Mistral Large 4 的 38 之后。诚实的读法是：这是一个编程能力扎实、推理排名尚未被独立验证的模型。 ...

据 10 月 15 日早间报道，阶跃星辰正式开源 Step 5 Preview 的完整模型权重。这是一款稀疏 MoE 架构模型：总参数 6000 亿，单个 token 只激活 270 亿参数，支持 100 万 token 上下文，图文输入兼顾。模型定位聚焦 AI 编程、金融和 Agent 任务，在综合智能指数榜单位列全球开源模型前三。此前九月发布时它只开放了 API，这次是权重首次完整放出。 6000 亿总参但只激活 270 亿，本地跑现实吗？ 不现实，别被「开源」两个字骗了。MoE 的总参数决定了显存占用：即使按 FP8 粗算，6000 亿权重也要 600GB 上下的显存，单卡到八卡消费级配置都吃不消，真正的门槛在数据中心级节点。对个人开发者，正确姿势不是本地跑，而是走两条路：一是等社区 GGUF 量化版流出后在大内存机器上低速跑通，二是直接用阶跃开放平台的 API。官方文档给出的接入方式是安装 StepCode CLI，macOS 和 Linux 一条 curl 命令即可完成，Windows 走 PowerShell 脚本。 编程栈里替换现有模型要注意什么？ Step 5 Preview 此前披露的对标数据是单任务成本约为 Claude Opus 5 的八分之一，这对高频调用的编程场景有直接吸引力。但替换前先做三件事：用你真实的代码库跑一轮基准，MoE 模型在不同语言上的表现方差不小；保留原模型作为 fallback，新模型对长上下文项目的理解方式不同，输出风格突变会让代码审查成本上升；金融场景特别注意，开源权重的模型输出没有官方合规背书，对外服务前要过一遍备案和内容审核链路。 权重开源和 API 便宜是两笔账。前者决定学术界和云厂商怎么二次分发，后者决定普通开发者今天用不用得起。放到国产开源阵营里看，Step 5 Preview 的差异化是「大激活比加百万上下文」这个组合，对需要长代码库整体理解的仓库级任务有实际意义；但和已经发版多代的开源编程模型相比，它的工具调用稳定性还需要社区用两个月时间填坑。建议观望到第一批开源评测出来，再决定要不要把生产流量切过去。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 ...

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。 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com