AI 突然可以＂许愿＂ 了,但我劝你先别急着夸

一、那天晚上，我愣了半天

我有个习惯，晚上收工前刷一遍各家 AI 的更新，像睡前刷朋友圈。

10 月 17 号那天，我在 DeepSeek 官网页面愣了半天。

上个月，这家公司的 V4.1-Flash 还被开发者骂 "像被降智了一样"—— 那是 V2EX 上一个开发者的原话，我写稿时还引用过，语气里的无奈我记得很清楚。

结果就隔了一个月，同一个模型，换了个后缀叫 1017，官网放出一段演示：你打一句话，它给你建一座能转着看的 3D 故宫，红墙黄瓦都在；你说要个赛车游戏，它当场给你做出来；它甚至把《传送门 2》这个游戏重新做了一遍。

一个后缀版本，架构一点没动。

我当时心里就一句话：这不合理。

二、一个数把我拦住了

干这行久了，我有个职业病：看到厂商的新消息，先默认是刷分。大模型圈子里，厂商自己测自己，想好看点太容易了。

官方给的答案也玄乎，叫 "自反馈强化学习"。翻译成人话：它写完代码，自己跑一遍，跑出毛病自己改，改完再跑，全程没人盯着。像你请了个特别自觉的厨子，菜出锅自己先尝一口，咸了，自己加勺水。

听着挺好，对吧？但这句话是厂商自己说的。

我打开官方那张基准表，想看看它拿什么证明自己。终端操作这项，31.2 涨到 42.3；写程序这项，20.3 涨到 29.1；修代码这项，74.2 涨到 77.0。

全是厂商自己报的数。

看到这，我差点关页面。

有一个数把我拦住了。不是分数，是钱。同一个评测任务，上一版平均花 3 块 3，这一版花 1 块 3，降了六成。

为什么？它把话写短了。大模型按字数收钱，废话少了，账自然小。

能力往上走，价钱往下掉。

你什么时候见过又强又便宜的东西？反正我干了十年，见得不多。

三、又强又便宜，真的有这种好事？

我转头去翻第三方实测。36 氪的编辑真去试了：拿一张剪纸的照片，跟 AI 说 "把它变成海边小镇"。结果它真做出来一个能滚动的 3D 网页，纸的厚度、折痕、投影，一样不少。拖时间滑块，天空、海面、窗户的灯，跟着一起变。

我盯着动图看了好几遍。

V2EX 上有人说得更直白：旧版 "像被降智了一样"，换到 1017"恢复正常了"，40 分钟让它把一套手机 UI 移植完了。还有个开发者说，以前跟它说话是鸡同鸭讲，现在 "有种自己智商都提高了的错觉"。

到这一步，我基本信了，这版确实不一样。

网上传得最响的说法是 "便宜了 35 倍"，听着比谁都香。我顺藤摸瓜去查，最早是个产品经理发的一条推，两小时内的快速测试，没有基准说明。这种证据我见多了，热闹归热闹，不能当数。

可后来，我找到了他完整的测试，叫 Bug Hunt Bench。105 个隐藏 bug，塞在两个真实的生产代码库里，一个近 3 万行，一个 6 万行。测试时彻底断网，连代码的修改记录都清空了 —— 模型没法从历史里偷看答案。最后独立评审拿保密答案盲打分，账单全部公开。

1017 在这个测试里修掉 42.7 个 bug，花了 1.84 美元。

Anthropic 的旗舰 Claude Opus 5.5，修掉 41.7 个，花了 58.53 美元。

一个只多修一个 bug，一个贵了 30 多倍。

看到这组数，我把 "刷分" 两个字从脑子里删了。

四、封神和翻车，可能都是真的

但冷静的那一棒，紧接着就来了。

匈牙利一个独立测试，让 1017 整理产品资料，结果能直接发布的比例只有 21.4%，上一版是 41.1%。它变快了，也更会编了 —— 每次跑，大约 95 条说法找不到出处，上一版是 30 条。

国内程序员那边也有反馈：它 "更聪明但更难驾驭"，重构代码的时候，它嫌代码啰嗦，自己把功能组件删了，删之前没问任何人。

那一刻我意识到，我差点又被带跑。

这能力是真的，但它分场景：让它搭房子、做游戏，它行；让它对着资料说实话，它反而退步了。

五、真正变的是什么

把这些摆在一起，我才想明白这次真正变的是什么。

能力确实涨了，涨得还不少。但 "涨多少"，得看你拿哪把尺子量。

以前考的是笔试，看你会不会答题；现在考的是干活，看你能不能把项目交付。而且活能不能干成，一半看模型，一半看套在外面的框架 —— 你可以把模型想成发动机，框架就是底盘和变速箱，光有发动机，变速箱不匹配，车也跑不快。

10 月有篇论文，跑了 6200 多条任务轨迹，结论就一句话：同一个模型，换个框架，排名都能反转。

网上为什么吵成一团？说封神的和说翻车的都对，因为他们测的根本不是同一个组合。

官方演示的故宫、传送门 2，是挑出来的样品；真实项目要跟它来回对话几百轮 ——671 轮、804 轮那种 —— 跑着跑着，它可能就自作主张了。

所以 "许愿式编程" 这五个字，一半是真的，一半得打折。

真的一半：门槛确实降了，你说清楚，它就能做出能跑的东西。

打折的一半：这能力挑场景，也挑人 —— 许愿的人得说清自己要什么，还得看得懂交回来的东西。这两件事，模型替不了你。

说到功劳，网上好多人把它记到梁文锋头上，"技术执念，必然优秀" 嘛。我一开始也这么想。

查完资料，我改主意了。V4 的技术报告，270 个人署名，梁文锋在名单里；中国企业家那篇报道写得很直白，他已经建成了 "不依赖单一个人的工程化体系"。

上一版被骂降智的，也是这家公司。

哪有什么必然优秀。产品好坏是多变量的事，训练数据、训练思路、评测口径，哪个环节都可能翻车。这家团队真正值钱的地方，不是 "必然优秀"，是不刷榜、死磕效率 —— 这次，他们赌对了 "后训练"（模型练完基本功，再针对干活加练一轮）和成本这两张牌。

六、说回你，先问三件事

说回你。下次再看到哪个 AI 说 "我能做项目"，别问它跑分多高，问三件事：

分数谁测的，厂商还是第三方？

涨的是会答题，还是真能交付？

便宜的时候，错了谁来兜底？

这三问，能帮你躲掉大半营销话术。

防归防，试也得敢试。门槛是真降了，试错成本也低。

手头要真有个 "想做个东西但不会编程" 的念头 —— 一个记账的小工具，一张给爸妈的电子相册 —— 现在可以开口了。

AI 的辅助能力，今天又多了一个新权重：以前它帮你查资料、写文案、剪视频，现在它还能把你脑子里的想法，变成屏幕上能跑的东西。你说不明白的，它会追着问你。

对普通人来说，这是我这两年见过最实在的一次进步。

别怕试，试的时候，留个心眼就行。

你上一次被哪个 "AI 神迹" 带跑过？评论区聊聊，我保证不笑你。