AI越能干,人怎么越忙?Anthropic冲击2万亿美元IPO,5%-7%营收涉及封号争议;OpenAl一边降价一边合并额度,谷歌世界模型开口说话

我们曾以为，AI时代的生活会像钢铁侠拥有贾维斯：躺着喝咖啡，动动嘴就有人把工作做完。可现实似乎走向了另一个方向——AI越来越能干，人类却越来越忙。

科幻电影早就替我们描绘过AI时代的理想生活。

每个人都拥有自己的贾维斯。写报告、做PPT、整理资料、处理邮件，甚至那些拖延了几个月、不想碰的琐事，都可以交给AI。我们终于能从重复劳动中解放出来，把时间花在生活、兴趣，以及过去没空做的事情上。

然而，最先深度使用AI的那群人，似乎正在经历完全相反的事情。

最近，Sam Altman在访谈中透露，自己已经约一年没看过一行代码，私人AI助手Dot每天能替他节省约一小时。但他也坦言，最频繁使用AI的人，比以往任何时候都更忙了。好消息是，他们完成的事情也比以前多得多。

Manus联合创始人张涛分享的内部实践，则把这种变化展示得更加具体。

如今，一名Manus工程师同时推进十几、二十个需求已是常态；7个人的移动端团队负责2个产品、4个App；所有产品经理都提交过代码，约一半甚至能够独立把功能做到上线。9月，Manus的人均AI开销已经超过1万美元。

AI显著提高了个人产能，也悄悄改变了组织对“一个人能做多少事”的预期。

当完成一件事变得越来越容易，我们往往不会因此少做几件事，而是开始尝试完成更多事情。

这也许和我们想象的不一样，但继续下去，或许我们会打开另一种不同的美好。

• RAX｜机器人开始通过自主探索学习，而不再依赖人工示教

  RAX 将通用 Coding Agent 引入真实机器人控制，让 Agent 自主编写控制程序、在线试错，并将成功经验编译成可复用技能。框架覆盖单臂、双臂、灵巧手、移动机器人和人形机器人，在五类仿真基准上相比最强基线平均提升37.4个百分点，并在真实机器人上完成长程操作任务。它释放出的信号是：机器人学习正在从规模化人工示教，走向规模化自主探索，Agent 未来可能同时成为机器人控制器和训练数据生产者。

• Evolving Agent Teams｜Agent开始自己调整团队结构，复杂工程任务迎来新的优化方式

  Evolving Agent Teams 引入中心 Supervisor，根据任务进展、失败原因和性能瓶颈动态创建专业角色、调整分工，并通过持久化文件系统继承历史经验。在 GPU Kernel 优化中，系统生成的 CUDA Kernel 平均性能达到生产级 FlashInfer 基线的1.2倍，在47个生产工作负载中赢下36个；在 RoboDojo 双臂操作任务中也超过当时排行榜最佳成绩。它释放出的信号是：Agent 的竞争正在从单体模型能力延伸到团队组织能力，未来团队分工、协作策略和经验管理本身都可能成为持续优化的对象。

• StreamVibe｜视频Agent开始主动理解用户意图，而不只是等待提问

  StreamVibe 将视频理解从被动问答推进到主动交互，通过持续观察视频流，识别用户没有明确表达的需求，并利用层级记忆追踪任务进度和意图变化。其评测覆盖4,100条样本和20,546个帮助时机，引入 Harness 后持续主动交互表现提升12.3%。它释放出的信号是：下一代个人Agent可能不再只是等待指令的聊天窗口，而是能够持续观察工作环境、理解上下文，并在合适时机主动提供帮助的助手。

• Nanbeige4.3-33B｜开源33B模型开始向复杂Agent任务发起冲击

  Nanbeige 发布旗舰教师模型 Nanbeige4.3-33B，重点强化复杂编程、工具调用和专业办公协作，在 Terminal-Bench 2.1、DeepSWE 和 Toolathlon-Verified 等基准取得突出表现，并计划将能力蒸馏到3B级小模型。模型采用 Apache-2.0 许可证，支持 Transformers、vLLM 和 SGLang。它释放出的信号是：开源模型的竞争正在从单纯追求参数规模，转向复杂任务执行能力，并通过 Teacher-Student 蒸馏将高级Agent能力下沉到更轻量的模型。

• Impeccable｜让Coding Agent从写前端代码走向专业设计交付

  Impeccable 为 Claude Code、Codex、Cursor 等 Coding Agent 提供24个设计命令，覆盖视觉优化、交互设计、UX审查、无障碍和响应式适配，并结合 DESIGN.md、62条确定性检查规则和浏览器实时预览形成设计迭代闭环。它释放出的信号是：Coding Agent 的能力边界正在从代码生成扩展到完整产品交付，设计规范、质量审查和自动化验收也将成为Agent工具链的重要组成部分。

• MiniCPM-OCR 1.0｜1.3B小模型开始承担复杂文档解析任务

  OpenBMB 发布1.3B参数OCR模型，支持文字、表格、公式、图表和结构化信息提取，在 Real5-OmniDocBench 上取得93.68分，并通过 DSpark 将端到端处理效率提升55%。项目支持 vLLM、SGLang、llama.cpp 和 Ollama。它释放出的信号是：专业AI能力不一定需要超大模型，针对特定任务优化的小模型，正在以更低部署成本进入企业文档处理和自动化Agent工作流。

• Anthropic冲击2万亿美元IPO｜AI实验室开始接受资本市场全面审视

  Anthropic正式向SEC递交IPO申请，潜在估值达到1.5万亿至2万亿美元。2026年上半年营收162.86亿美元，但账面净亏损达到807.48亿美元，其中大部分来自融资工具公允价值变动等非现金会计损失；招股书还披露，前九个月约5%—7%的营收来自后来被认定违规的客户。它释放出的信号是：AI巨头的竞争已经不只是模型能力和收入增长，算力采购承诺、收入质量、安全治理和长期盈利能力也将成为资本市场的重要考题。

• GPT-6.1 Terra｜旗舰级Agent能力开始以更低成本规模化交付

  OpenAI发布GPT-6.1 Terra，在部分电脑操作任务上达到接近GPT-6 Astra的表现，API价格却只有后者的约十分之一。同时，OpenAI宣布12月起逐步合并ChatGPT与Codex的使用额度，统一按照Token消耗计量。它释放出的信号是：Agent时代的竞争正在从模型单次调用价格，转向完整任务的执行成本，模型效率提升也会进一步释放Agent使用需求，推动平台重新设计算力资源分配方式。

• Gemini 4 Carbon与Genie 4｜AI一边学习执行任务，一边开始模拟任务发生的世界

  Google推出Gemini 4 Carbon，以59分登顶Artificial Analysis Intelligence Index 5.0，重点强化长程Agent、Coding和网络安全能力；与此同时，Genie 4让用户能够实时探索AI生成的世界，通过自然语言改变天气、添加物体和角色，并原生生成环境音与交互式对话。它释放出的信号是：AI正在沿着两条路线同步演进，一条让Agent更擅长规划和执行，另一条让世界模型能够模拟行动及其后果，两者结合有望推动AI从数字任务执行走向Physical AI。

遇到复杂问题时，不要让 AI 直接给出修改方案。先让它列出可能的原因和关键假设，再针对不同假设设计简单的验证实验。每次尽量只验证一个变量，根据实际结果排除错误判断，再决定下一步。这样可以避免反复尝试，却始终找不到真正的问题。

《RoboAuto: Autonomous Robot Program Search through Multi-Level Physical Understanding》提出了一套自主机器人程序搜索框架。它不仅根据执行结果修改代码，还会分析物体属性、场景几何和物理交互，并通过自主设计实验验证不同假设，判断失败究竟来自哪里。论文在 LIBERO-PRO 短时任务中达到 89.1% 的成功率，长程任务平均成功率超过 ASPIRE 两倍。

这对日常使用 AI 也有启发：解决问题不能只依赖不断试错，更重要的是找到失败背后的原因。让 AI 学会提出假设、设计实验和验证结果，往往比让它一次性生成更多方案更有效。

遇到问题时，请先不要直接修改方案。列出可能的原因和关键假设，区分已知事实与未知信息。针对每个不确定因素，设计一个成本较低、能够区分不同原因的验证实验。根据实验结果逐步排除错误假设，再制定最终解决方案。不要同时修改多个变量，也不要把未经验证的推测当成事实。

链接：https://arxiv.org/abs/2610.22496

推荐指数：🌟🌟🌟🌟🌟

一句话导读：

RAX 让通用 Coding Agent 直接通过机器人接口在线探索、试错，并将成功经验编译成可复用程序，在多个机器人平台上实现不依赖人工遥操作示教的自主学习。

• 示教数据依赖： 传统 VLA 和机器人模仿学习通常需要针对不同机器人本体和任务采集专门的遥操作数据，模型能力容易受到训练示范分布的限制。

• 静态策略局限： 面对陌生环境、物体布局变化和复杂长程任务，传统策略难以自主发现新的操作方法，也很难通过执行反馈持续积累经验。

• 在线学习机会： Coding Agent 已经能够通过执行代码、观察结果和反复调试解决软件问题，RAX 探索将同样的机制应用于真实机器人。

• 在线自主探索：RAX 使用冻结参数的通用 Coding Agent，通过机器人感知和控制接口执行任务，不需要动作示教数据、人工设计动作原语或价值函数指导。Agent 可以通过在线试错寻找有效的决策序列，并逐步掌握任务。

• 程序化技能库： 系统将成功的决策过程编译成包含感知、规划和控制逻辑的模块化程序，并通过持久化记忆保存经过验证的技能。后续任务可以直接调用和组合已有程序。官方仓库展示，编译后的空气炸锅操作程序比 Agent 自身执行快 241 倍。

• 跨本体验证： 在 RoboDojo、BEHAVIOR-1K、DexJoCo、LIBERO-Pro 和 HumanoidArena 五类仿真基准上，RAX 相比最强基线平均提升 37.4 个百分点。在真实 Franka FR3 和 Rainbow RB-Y1 机器人上，还完成了高精度插接、关节物体操作、柔性物体处理及长程移动整理任务。

RAX 的重要价值在于探索机器人学习从规模化示教向规模化自主探索转变的可能性。研究不仅在多个仿真基准上取得明显提升，还在真实机器人上展示了从单次操作到长程任务的自主学习能力。尤其值得关注的是，Agent 能够将失败经验转化为新的决策逻辑，并把验证过的程序留给后续任务使用，这为机器人持续学习提供了更直接的工程路径。它也让机器人数据生产的思路发生变化：未来的数据可能越来越多地来自 Agent 自主探索，而不只是人工遥操作。后续值得关注的是在线探索成本、技能跨本体迁移，以及如何进一步扩大真实环境中的任务覆盖范围。

链接：https://arxiv.org/abs/2610.36848v1

推荐指数：🌟🌟🌟🌟🌟

一句话导读：

Evolving Agent Teams 引入中心 Supervisor，根据任务进展和失败原因动态重组 Agent 团队，并通过持久化记忆继承历史经验，让多智能体系统能够持续突破复杂任务中的局部最优。

• 局部最优问题： Coding Agent 在复杂工程任务中往往能够快速取得初始进展，但随着任务难度增加，容易沿着简单但性能受限的技术路线持续优化。

• 固定分工局限： 不同任务阶段需要不同的专业能力和协作模式，例如代码调试、性能分析、架构设计和结果验证，固定角色分工容易出现效率瓶颈。

• 长期记忆缺口： 多 Agent 团队如果无法保留历史实验、失败原因和成功方案，每次重新组织团队都可能重复之前的工作。

• Supervisor 动态重组：系统由一个中心 Supervisor 和多个 Coding Agent 构成。Supervisor 不直接编写最终解决方案，而是监控执行过程、分析团队停滞原因，并动态创建专业角色、调整任务分工和协作方式，例如增加性能分析专家、底层算子研究员或独立验证 Agent。

• 持久化团队记忆：系统建立跨团队共享文件系统，保存经验总结文档、团队进化历史以及各个 Agent 的代码和实验产物。新团队能够继承此前的成功经验与失败记录，避免重复探索，并根据历史表现调整下一轮团队配置。

• 跨领域性能突破：在 FlashInfer MLA Paged Decode Kernel 优化中，系统从零生成的 CUDA Kernel 达到生产版本平均性能的 1.2 倍，并在 47 个生产工作负载中赢得 36 个；在 AMD MI350X 上，KDA Prefill 达到 vLLM 的 3.01 倍；在 RoboDojo 的 42 项双臂操作任务中，取得 62.1 分，超过当时排行榜最佳成绩 55.3 分。

Evolving Agent Teams 的突出贡献，是让多智能体协作具备了根据任务反馈调整自身组织结构的能力。实验中，动态进化团队在相同 Token 预算下优于固定角色团队，进一步说明团队组织方式本身可以成为优化对象。更有价值的是，这种机制不仅适用于 GPU Kernel 优化，还能迁移到机器人策略和模型推理基础设施等不同任务。RoboDojo 的结果尤其值得关注，说明 Coding Agent 团队通过持续改进程序，也能够间接提升机器人操作能力。这为长期运行的研发 Agent、自动化工程团队和自主实验系统提供了新的设计思路。

链接：https://arxiv.org/abs/2610.34662

推荐指数：🌟🌟🌟🌟🌟

一句话导读：

StreamVibe 让视频 Agent 不再等待用户明确提问，而是持续观察视频流、理解隐含意图、追踪任务进度，并在合适的时间主动提供帮助，即使用户需求不断变化，也能及时调整。

• 被动响应模式： 现有 Video-Language Model 通常需要用户明确提出问题，无法充分理解用户在持续操作过程中的隐含需求。

• 动态意图变化： 用户可能在任务执行中修改目标、增加约束或临时插入新任务，传统视频模型难以持续维护最新的任务状态。

• 长期状态管理： Agent 不仅需要理解当前视频画面，还需要记录用户此前的需求、任务进度和已经提供的帮助，避免重复、过时或错误的响应。

• 主动交互基准： 研究构建 StreamVibe-Bench，包含 4,100 条评测样本、85,000 条任务导向训练样本，以及 20,546 个帮助时机和 183.4 小时视频。评测覆盖显式意图、隐式意图和动态意图，同时包含真实物理环境与数字环境，例如第一视角日常操作、GUI 导航和计算机使用任务。

• 流式主动策略：StreamVibe-VL 通过持续观察视频流，结合视觉证据判断用户当前的需求，并决定何时以及如何提供帮助。训练采用流式监督微调和局部轨迹强化学习，同时优化响应时机和回答内容；实验中，响应时机与回答质量相比基线提升 10.7%。

• 层级记忆管理： StreamVibe-Harness 通过层级记忆维护当前有效意图、任务进度、环境状态和历史响应，支持多个意图并行存在及独立生命周期管理。用户可以修改原有需求、增加新约束或临时中断任务，系统再根据最新状态调整响应。引入 Harness 后，持续主动交互表现进一步提升 12.3%。

StreamVibe 的研究价值在于将视频理解从被动问答推进到主动交互，让 Agent 能够持续观察环境、判断用户意图，并选择合适的时机提供帮助。其评测基准同时覆盖显式、隐式和动态意图，将任务状态和响应时机纳入评价体系。StreamVibe-VL 与 StreamVibe-Harness 的组合也体现出一个重要趋势：主动式 Agent 不仅需要更强的多模态理解能力，还需要长期记忆和任务状态管理。对于实时视频助手、Computer Use 和个人 Agent，这种架构具有较强参考价值。未来值得关注的是如何进一步提升复杂场景中的意图判断能力，以及在更长时间的交互中保持响应的准确性和连贯性。

链接：https://huggingface.co/Nanbeige/Nanbeige4.3-33B

Nanbeige4.3-33B 的价值在于明确采用 Teacher-Student 路线：先打造具有较强复杂任务执行能力的 33B 教师模型，再将规划、工具调用和专业工作能力迁移到小模型。官方对比显示，它在约 30B 参数的开源模型中，多项 Agentic Coding 和 Agentic Cowork 基准领先，体现出开源模型在复杂任务执行方面的竞争力。模型采用 Apache-2.0 许可证，并支持 Transformers、vLLM 和 SGLang，具备较好的部署与二次开发基础。后续尤其值得关注 Nanbeige4.3-3B 的蒸馏结果，以及小模型能否保留教师模型的长程 Agent 能力。

链接：https://github.com/pbakaus/impeccable

Impeccable 的优势是把设计规范和质量检查真正接入 Coding Agent 的开发流程，而不只是提供一组设计 Prompt。项目通过 PRODUCT.md 和 DESIGN.md 保存产品定位与设计系统，配合 24 个命令、62 条确定性检测规则，以及浏览器 Live 模式，实现设计生成、检查和迭代的闭环。尤其值得关注的是，它可以通过 Hook 在 Agent 修改界面后自动执行设计检查，也可以接入终端和 CI 工作流。对于 AI 生成前端页面的场景，这种方式能够显著提高设计一致性和交付质量。项目采用 Apache-2.0 许可证，适合作为 Coding Agent 的通用设计能力扩展。

链接：https://huggingface.co/openbmb/MiniCPM-OCR-1.0

MiniCPM-OCR 1.0 的突出价值，是用相对轻量的 1.3B 参数规模实现了较强的复杂文档解析能力，同时兼顾推理速度和部署便利性。它不仅处理普通文字，还覆盖表格、数学公式、图表、印章和关键信息提取，能够将非结构化文档转化为 Markdown 或结构化结果。项目提供 SDK、API、量化权重和 Agent 工作流，并支持多个主流推理框架，便于直接集成到企业文档处理和自动化系统中。Apache-2.0 许可证也降低了二次开发门槛。整体来看，这是一个兼顾识别质量、部署成本和实际应用价值的 OCR 项目。

Anthropic正式向SEC递交招股书，拟以ANT为股票代码登陆纳斯达克，潜在估值最高达到2万亿美元。半年营收163亿美元、账面净亏损807亿美元，背后还有数千亿美元的算力承诺。更意外的是，Anthropic承认今年前九个月约5%—7%的收入来自后来被认定违规的客户。以安全著称的AI实验室，第一次需要向公开市场解释增长、安全和成本之间的复杂关系。

10月26日，Anthropic正式向美国证券交易委员会提交IPO招股书，准备以股票代码ANT登陆纳斯达克。市场讨论的潜在估值达到1.5万亿至2万亿美元，如果顺利实现，将有望成为全球资本市场史上规模最大的IPO之一。不过，正式发行价格、融资规模和上市时间尚未确定。

比潜在估值更值得关注的，是这份招股书首次完整公开了Anthropic高速增长背后的财务结构。2026年上半年，公司实现营收162.86亿美元，同比增长约1300%；同时录得807.48亿美元净亏损。更引人意外的是，招股书承认，2026年前九个月约5%—7%的营收来自后来被识别为违反使用政策或商业条款的客户。这些收入在服务提供时已经正常确认，但部分客户随后被限制或终止访问权限。

这份文件让Anthropic的商业化故事突然有了另一面：模型能力和Agent需求正在创造惊人的收入增长，但安全执行、收入质量、长期算力采购与资本结构，也开始进入公众视野。

营收狂飙，但807亿美元亏损并不等于烧掉807亿美元

Anthropic的增长速度相当惊人。2025年全年营收约45.85亿美元，2026年仅上半年就达到162.86亿美元；同期算力与基础设施费用约89.45亿美元，占营收比例约55%，相比去年同期已有明显改善。

但最容易引发误解的是那笔807亿美元净亏损。

根据招股书，其中约723.88亿美元来自可转换票据、衍生负债等融资工具的公允价值变动，属于非现金会计损失。公司上半年实际营业亏损约6.93亿美元，调整后营业利润则达到16.18亿美元；第二季度甚至已经实现约9.74亿美元营业利润。

因此，Anthropic已经展现出改善经营效率的迹象。它真正需要向投资者证明的，是这种增长能否持续，以及未来扩大算力投入后，利润率能否继续改善。

一边严格封号，一边从违规客户身上获得收入？

招股书中还有一段非常值得关注的披露。

Anthropic承认，部分客户会使用Claude模型、平台或应用从事违反使用政策或商业条款的活动。由于违规识别、调查和执行封禁需要时间，公司在提供服务时仍会正常确认相应收入。

根据内部检测与审查，2026年前九个月，这部分客户贡献了约5%—7%的营收。Anthropic还表示，随着8月和9月加强违规检测与执行，这部分收入占比预计下降，但对未来营收及增长率的实际影响尚不确定。

这项披露很容易让人联想到Anthropic此前围绕Claude蒸馏、账号封禁和第三方访问展开的争议。不过，招股书没有公布相关客户身份，也没有将这5%—7%的收入全部归因于中国企业或模型蒸馏活动。

真正值得讨论的商业矛盾在于：当模型安全和使用政策成为企业最重要的品牌承诺之一，严格执行这些政策，也可能意味着主动放弃一部分已经存在的收入。

这还给Anthropic的高增长数字增加了一个新的观察维度——被认定违规的需求，能否被长期、合规、稳定付费的真实商业需求替代？

数千亿美元算力合同，把未来增长提前写进了账本

Anthropic的另一项压力来自基础设施。

公司已经与Amazon、Google、Microsoft等供应商达成大规模云计算和算力采购安排。按招股书披露的多个可量化合同计算，相关安排总规模已达数千亿美元，其中既包含最低采购或租赁承诺，也包含取决于交付和使用情况的额度，不能简单视为全部已经支付或立即到期的债务。

这些协议让Anthropic能够提前锁定未来训练和推理所需的计算资源，却也使公司必须持续维持极高的收入增长，才能消化长期基础设施支出。

与此同时，Anthropic与大型云厂商之间还存在多重关系：它们既是投资者、算力供应商，也可能是销售渠道和竞争对手。前沿模型公司的商业成功，越来越深地绑定在少数基础设施巨头身上。

过去几年，前沿AI实验室的价值主要由两个因素驱动：模型能力能否持续突破，以及市场愿意为下一代智能支付多高的估值。

在私人融资市场里，投资者可以依据技术路线、市场空间和未来收入预期，为一家尚未盈利的公司给予极高估值。但Anthropic的IPO意味着，这套逻辑开始接受更公开、更严格的财务检验。

首先是增长质量。

Anthropic前九个月约5%—7%的收入来自随后被认定违规的客户，并不意味着这些收入是虚假的，也不能据此判断公司主动纵容违规使用。它们对应的是已经发生的服务消费。

但资本市场会关心另一个问题：这些收入有多少能够长期持续？

如果Anthropic加强账号治理后，相应客户不再付费，未来收入增速可能下降；如果公司希望维持增长，又必须继续投入安全检测、模型能力和产品体验，以吸引更多合规客户。

由此产生的张力，也很难只通过一次封号行动解决。

Anthropic长期强调安全、可靠与负责任的AI，甚至采用Public Benefit Corporation结构，并建立独立的长期利益信托。如今公司走向IPO，需要同时回应公共利益、股东回报和商业增长。安全政策将不再只是实验室内部的技术与伦理选择，它还会成为影响收入、客户结构和投资者预期的经营变量。

其次是算力经济学。

Anthropic半年收入虽然已经超过160亿美元，但未来计算基础设施合同的规模远大于当期收入。模型能力越强、Agent运行时间越长，训练与推理需求也可能同步扩张。提前锁定算力能够支撑增长，却也意味着公司必须不断把计算能力转换成能够收费的产品和服务。

一旦模型价格竞争加剧、客户支出增速下降，或者新一代硬件改变算力成本结构，长期合同都会给经营带来新的约束。

最后是AI公司的估值方式。

从招股书可以看到，Anthropic已经不能简单被当作一家高增长软件公司。它同时具有前沿研究实验室、企业软件平台、云算力大客户和资本密集型基础设施企业的特征。

软件公司的估值通常看高毛利、可持续订阅与客户留存；基础设施企业则必须面对资本投入、采购承诺、资产利用率和长期现金流。Anthropic两类属性兼具，也让未来的公开市场估值充满争议。

Anthropic的IPO或许将成为AI行业一个重要的分界点：模型能力和营收规模已经得到验证，下一步需要验证的是，这些增长究竟能创造多少可持续的经济价值。

当半年163亿美元营收、807亿美元账面净亏损、5%—7%的违规客户收入，以及数千亿美元算力安排同时出现在一份招股书里，资本市场终于有机会完整审视前沿AI的增长模式。

AI的商业化已经跑得足够快。现在，巨头们需要开始解释，这门生意最终能够赚多少钱，又需要付出多大代价。

OpenAI发布GPT-6.1 Terra，电脑操作能力逼近旗舰Astra，API价格却只有后者的十分之一；与此同时，公司宣布12月起合并ChatGPT与Codex使用额度，统一按Token计量。Agent越来越便宜，也越来越能干，OpenAI开始重新设计智能规模化使用后的成本与资源分配方式。

OpenAI这周的两个动作，表面上似乎有些矛盾。

一边是新模型GPT-6.1 Terra正式发布：API每百万Token输入1美元、输出5美元，比上一代Terra降低50%；在Agents' Last Exam电脑操作评测中，中等推理强度下的表现比前代提高15个百分点，已经与旗舰GPT-6 Astra相当，Token单价却只有后者的十分之一。

另一边，OpenAI又宣布从12月起，将Plus、Pro和Business用户在ChatGPT与Codex中的使用额度合并，统一按Token计量。普通Instant聊天不受影响，但更复杂的Agent工作将开始共享同一套资源额度。

这两项调整指向同一个趋势：模型能力正在快速变得便宜，但Agent使用量的扩张速度，也让平台不得不重新设计算力的计量和分配方式。

Terra开始用十分之一价格交付旗舰Agent能力

GPT-6.1 Terra最明显的进步发生在电脑操作、多模态理解和复杂工作执行上。

在Agents' Last Exam中，Terra以中等推理强度取得与GPT-6 Astra相当的成绩，比GPT-5.6 Terra提高15个百分点，完成任务的成本约为上一代的三分之一。OpenAI还表示，在最高推理强度下，Terra完成同类任务的Token效率超过Claude Opus 5.5三倍，单任务成本约为其九分之一。

编程能力也明显跃升。Terminal-Bench 4.0解决率达到50.3%，超过前代21.5%的两倍；在OpenAI内部专门设计的易错提示词评测中，低推理强度下事实错误率从53.6%降至16.7%，最高推理强度下进一步降至4.3%。

与此同时，Terra已达到OpenAI准备框架中的Critical网络安全能力阈值，沿用了GPT-6 Astra的相关安全防护措施。

ChatGPT与Codex将共享Token额度

OpenAI宣布，自12月起，Plus、Pro和Business套餐中的ChatGPT与Codex将逐步共享使用额度，并根据实际消耗的Token计量。

不同模型、任务复杂度、推理强度和工具调用都会影响额度消耗。普通Instant文本聊天不会占用这部分额度；用户可以查看剩余额度与重置时间，额度耗尽后可等待恢复、升级套餐或购买Credits。

目前OpenAI尚未公布各套餐的具体Token额度和切换日期，因此还不能判断普通用户的实际可用量将增加还是减少。

这项变化延续了OpenAI此前推动ChatGPT、Codex与Work融合的产品路线：用户面对的界面可以不同，底层执行Agent任务的算力资源却越来越需要统一管理。

高级Agent的资源分配开始出现分层

与额度调整同步，OpenAI还提高了部分高阶订阅套餐的Work和Codex使用量，并进一步收紧多账号使用限制。

这意味着OpenAI正在同时使用三种方式管理Agent资源：通过更高效的模型降低单次任务成本，通过共享额度统一计算资源消耗，再通过不同订阅层级和额外Credits区分用户需求。

未来用户购买的可能越来越接近一种可以在不同Agent任务之间自由分配的智能使用预算。

Agent时代后，越来越重要的指标开始变成：

完成一项任务，需要多长时间、消耗多少Token、花费多少钱，以及最终能不能稳定完成。

GPT-6.1 Terra尤其能够说明这种变化。

它在部分电脑操作任务上已经逼近Astra，但价格和执行成本都明显更低。这意味着很多过去需要调用最高规格模型的工作，现在可以被重新分配给成本更合适的模型。

对于企业来说，节省的也远远不只是API账单。

当一项复杂任务需要Agent持续观察屏幕、理解上下文、操作软件、验证结果并不断重试时，模型的延迟和Token效率会共同影响任务成本。模型越便宜、执行越快，原本因为经济性不足而没有被自动化的任务，就越可能进入商业应用。

但成本下降往往会进一步释放需求。

一个开发者过去可能只愿意让Agent完成几次简单修改，未来则可能同时运行多个Coding Agent；一家企业过去只自动化少数流程，未来可能让Agent持续处理财务、运营、客服和内部系统中的大量任务。

每次任务变得更便宜，并不必然意味着用户的总Token消耗会减少。

这也解释了OpenAI为什么要开始整合ChatGPT和Codex额度。

当ChatGPT越来越擅长执行复杂工作，Codex越来越像长期运行的云端Agent，Work又可以跨工具完成任务时，传统按产品分别设置消息次数、运行时长或调用次数的管理方式会变得复杂。

统一Token计量让OpenAI能够在不同产品间采用更一致的资源模型。用户可以在写代码、研究问题和执行工作流程之间分配额度，平台则根据模型和任务实际消耗来管理算力。

当然，这也意味着用户未来可能更直接地感受到复杂任务的资源成本。对于习惯固定订阅费的消费者而言，共享额度能否提供足够透明、稳定的使用体验，将影响这一模式的接受程度。

还有一个值得注意的变化发生在安全层面。

Terra的价格已经显著下降，网络安全能力却达到了Critical阈值。这说明越来越强的潜在高风险能力，可能随着模型效率提升而进入更低成本的产品层级。

因此，低成本模型规模化部署也会同步提高安全治理的难度。平台需要管理的将不仅是Token消耗，还有模型权限、工具访问和潜在滥用风险。

Gemini 4 Carbon以59分登顶Artificial Analysis智能指数5.0，在Coding、长程Agent和网络安全任务中刷新多项成绩；几乎同一时间，Google DeepMind推出Genie 4，让AI生成的世界可以实时操控、改变环境，甚至原生生成声音和对话。谷歌正在同时推进两条技术路线：让智能体更好地行动，以及让模型更好地理解和模拟行动发生的世界。

Google DeepMind最近连续交出了两份成绩单。

10月28日，谷歌发布新一代旗舰模型Gemini 4 Carbon，以59分登顶Artificial Analysis Intelligence Index 5.0。新模型重点强化长程Agent、复杂Coding和网络安全能力，在漏洞发现、验证和修复等任务上取得领先成绩，首发API定价为每百万输入Token 2美元、输出10美元。

就在前一天，Google DeepMind还发布了新一代世界模型 Genie 4。用户可以通过键盘实时探索AI生成的环境，也能直接用自然语言改变天气、添加物体或人物；更重要的是，Genie 4首次在实时世界模拟中原生生成环境音、音乐和交互式对话。

两项发布指向了AI能力扩张的两个方向：Gemini正在学习如何更可靠地完成复杂任务，Genie则在学习任务发生的世界如何随行动而变化。

Gemini 4 Carbon登顶，长程Agent与网络安全成为重点

Gemini 4 Carbon距离上一款旗舰Argon发布仅两周，却再次刷新了谷歌在多个复杂任务上的成绩。

在Artificial Analysis最新的5.0智能指数中，Carbon以59分排名第一。谷歌还公布，在网络安全相关评测中，Carbon的SEC-bench Pro达到88.2%，ExploitGym达到54.8%，CWE-bench达到71.0%，分别覆盖漏洞发现、利用验证与代码修复。

模型还针对需要持续数小时甚至数天的长程工程任务进行优化。谷歌称，内部测试中Carbon可以持续追踪大型代码库中的复杂问题，在多次尝试失败后调整方法，最终定位并修复底层系统中的缺陷。

值得注意的是，谷歌也开始把安全行为纳入核心能力评估：Carbon在其公布的Terminal-Bench 4.0评测中，将成功作弊率降至0.0%；在Gray Swan间接提示词注入测试中，攻击成功率同样为0.0%。这些结果仅代表对应测试环境，并不意味着模型已经消除了所有安全风险。

Carbon首发定价为每百万输入Token 2美元、输出10美元，缓存输入优惠95%；但这是限时价格，正式价格将回到4美元和20美元。目前模型主要向部分网络安全防御者开放，尚未全面提供给普通开发者。

Genie 4让世界模型从“生成画面”走向“实时交互”

相比Gemini 4 Carbon的榜单成绩，Genie 4带来的变化更具长期想象力。

过去的视频生成模型能够制作越来越逼真的画面，但用户通常只能观看已经生成的内容。Genie 4开始让用户进入生成的世界，通过键盘控制视角和移动，并在场景运行过程中用自然语言修改环境。

例如，用户可以让晴天突然下雨，在已有环境中加入新角色，或者改变角色行为。Genie 4会根据新的输入继续推演环境变化，而不是简单地重新生成一段独立视频。

此次升级尤其强调物理与人物行为的表现。谷歌展示了空气动力学、碰撞、物体运动和人物互动等场景，希望模型能够保持较为连贯的空间关系和行为反应。

世界模型的任务正在从“生成一个看起来真实的世界”，逐渐走向“生成一个能够对行动作出反馈的世界”。

第一次让实时生成的世界拥有自己的声音

Genie 4最鲜明的新能力，是原生实时音频。

风吹过树木、水浪拍打岸边、角色说话，以及场景中的音乐，都可以随着画面的生成同步出现。

其中尤其值得注意的是交互式对话：人物能够根据用户的动作和场景事件作出回应，声音与视觉世界同步变化。

这意味着Genie 4不再只预测下一帧画面，还尝试同时预测环境中的声音、人物行为和事件变化，让世界模拟具备更丰富的多模态反馈。

谷歌还将Gemini系列模型引入这一过程。其中，Gemini Omni提供有关现实世界外观与行为的知识；Gemini 3.8 Flash则作为实时规划Agent，观察生成场景、拆解目标、检查执行结果，并在用户改变环境时调整后续计划。

这形成了一种很有意思的系统组合：

Gemini负责理解目标、规划行动与监控过程；Genie负责生成环境，并模拟行动发生后的变化。

目前Genie 4仍处于受信任测试者的研究预览阶段，后续计划逐步向Google AI Ultra用户及Gemini API合作伙伴开放。所有生成的音视频内容都将嵌入SynthID水印。

过去两年，视频生成模型的进步主要体现在画质、时长和时序一致性上。画面越来越真实，人物动作越来越自然，复杂场景也越来越少出现明显崩坏。

但对真正需要与世界互动的AI来说，视觉逼真只解决了其中一部分问题。

一台机器人需要知道，抓取一个杯子之后会发生什么；自动驾驶系统需要判断，车辆突然变道会怎样改变周围交通参与者的行为；一个执行复杂任务的Agent，也需要理解行动会如何改变环境，以及下一步应该采取什么措施。

这些问题都涉及一个更底层的能力：预测行动与环境变化之间的关系。

Genie 4正在朝这个方向推进。

用户可以在生成的世界里移动、改变天气、添加物体或人物，模型需要根据当前状态继续推演后续变化。声音和人物对话的加入，又意味着模拟对象从视觉画面进一步扩大到多模态事件。

更重要的是，Gemini开始承担这个世界中的规划角色。

Gemini 3.8 Flash可以观察场景、制定多步计划，并验证行动结果；Genie 4则提供可以持续生成反馈的环境。两种模型组合起来，已经呈现出一个初步的规划—行动—观察—调整循环。

这让世界模型与Agent之间的关系越来越紧密。

语言模型和Agent过去主要在数字环境中执行任务：调用API、操作浏览器、运行代码，这些环境本身已经存在明确的规则和反馈机制。

而Physical AI面对的是真实物理世界。机器人在现实中每尝试一次动作，都可能涉及硬件损耗、时间成本乃至安全风险。如果能够建立足够可靠的世界模拟系统，就有机会在虚拟环境中完成更多探索、训练和边界测试，再把学到的能力迁移到现实世界。

这也是为什么Genie 4的意义值得超越娱乐、游戏和视频生成来看。

它正在推动世界模型逐步接近一种新的基础设施形态：由模型生成环境，由智能体在环境中行动，再通过环境反馈形成新的经验。

不过，这里还有一道非常关键的技术门槛。

谷歌已经明确承认，Genie 4目前仍存在长时间运行后的物体漂移、空间关系不准确、复杂物理交互失真、音频误差以及长期一致性不足等问题。当前系统能够支持的连续交互时间也主要是几分钟。

这些限制对娱乐内容可能只是体验问题，对机器人训练却可能直接决定数据是否有效。

如果模型错误地模拟了物体重量、碰撞方式或接触关系，机器人即使在生成环境中顺利完成任务，也可能在现实世界失败。因此，可交互世界生成与可靠物理模拟之间，仍然需要经过严格验证。

这也把谷歌的研究放进了更大的产业趋势里。

我们此前看到Figure通过Index规模化采集人类行为视频，Dyna通过视频预训练和客户部署形成经验闭环，Skild S1则进一步尝试让机器人直接通过示范视频理解新任务。

这些路线正在共同解决Physical AI的经验来源问题。

Figure和Dyna从现实世界获得经验；Skild尝试让机器人更高效地使用经验；Genie则探索另一种可能性——让AI生成可交互的环境，在模拟过程中主动创造新的训练经验。

如果未来世界模型的物理准确性和长期一致性取得突破，那么真实视频、机器人部署数据和生成式模拟环境之间，就可能形成更加完整的训练体系。

因此，谷歌这次发布真正值得关注的，是两条能力曲线正在相互靠近。

Gemini变得越来越擅长规划和完成复杂任务，Genie则让AI越来越有能力模拟任务发生的世界。

当智能体能够行动，世界模型能够反馈，AI就有机会从学习已有的数据，进一步走向通过探索和交互获得新的经验。

这可能是世界模型迈向Physical AI训练基础设施最值得期待的一步。

• 1.1  https://arxiv.org/abs/2610.22496

• 1.2 https://arxiv.org/abs/2610.36848v1

• 1.3 https://arxiv.org/abs/2610.34662

• 2.1 https://huggingface.co/Nanbeige/Nanbeige4.3-33B

• 2.2 https://github.com/pbakaus/impeccable

• 2.3 https://huggingface.co/openbmb/MiniCPM-OCR-1.0

• 3.1 https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm

• 3.2 https://openai.com/zh-Hans-CN/index/introducing-gpt-6-1-terra/

• 3.3.1 https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-carbon/

• 3.3.2 https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/