夜雨聆风AI 开始学会「干活」了，但我们可能还没学会怎么评估它
一、这些更新看起来很散，但指向同一件事
事情是这样的。
这两天网上刷到一串 AI 更新，单独看每条都不算那种炸裂到全网刷屏的大新闻。
一个是 DeepSeek 发了 DSpark，说推理吞吐能提升 51% 到 406%。
一个是 FlashAttention-4 发论文，专门针对 Blackwell GPU 重新做注意力内核，论文摘要里写到，在 B 200 上最高能到 1613 TFLOPs/s，利用率 71%，比 cuDNN 9.13 快到 1.3 倍，比 Triton 快到 2.7 倍。
一个是 Codex 做了一堆看起来很「小」的体验更新，长线程滚动更顺，导航栏可以悬停预览，设置搜索更全，复制到 Slack 能保留 Markdown，甚至还搞了一个 Pets panel。
还有几个产品方向的更新，TRAE 上线 Design Mode，从对话生成设计稿，再接到 Code Mode；Google AI Studio 有了 Design Variations，生成页面后能一键变出多个风格，再挑一个继续改。
坦率的讲，如果只是逐条看，你会觉得这就是普通的一周。
但是把它们放在一起，我有一个很强的感觉。
AI 的竞争正在从「谁更会回答问题」，转向「谁更会完成一件事」。
这听起来像废话，但里面其实有三层变化。
二、第一层：把推理变便宜
第一层，是把推理变便宜。
DeepSeek 这次的 DSpark，核心是推测解码。
很多朋友可能知道，推测解码大概就是让一个更轻的 drafter 先往前草拟一串 token，再让大模型去验证。如果草稿靠谱，那就一下子接受很多 token；如果不靠谱，就退回来重算。
它有点像你写文章的时候，让一个实习生先帮你打草稿，你再快速划掉不对的地方。
问题在于，草稿写得越长，错的概率也越大。一旦后面一大截被拒绝，前面省下来的时间就会被验证成本吃掉。网上有技术网友就质疑了这一点，说 51% 到 400% 这个范围很说明问题，因为在结构化输出，尤其是 JSON extraction 这种任务里，acceptance rate 可能会塌到 40% 以下，吞吐收益基本消失。
这个质疑我觉得挺关键。
因为它提醒我们，不要把「论文里的最大加速」直接理解成「所有用户都快了四倍」。真实世界里，聊天、写代码、结构化抽取、长推理、工具调用，每一种负载的 token 分布都不一样。
但即便如此，DSpark 还是很值得看。
它的意义不只是快，而是开源了 DeepSpec 这个训练框架。网上很多人的兴奋点也在这里，有人说这才是真 open AI，有人直接拿它和闭源实验室对比，说中国实验室把推理加速的东西免费放出来，闭源模型还在卖黑盒。
当然反过来也有人泼冷水，说 DeepSeek 并不等于完全开放，模型仍然运行在特定数据治理和内容限制里；也有人问，这种开放能持续多久，一旦外部投资和盈利压力上来，会不会停。
我觉得这两个问题都成立。
开放不是一个二元开关。代码开源、训练框架开源、权重开放、数据透明、服务可审计，这是五件不同的事。DeepSeek 这次让人兴奋的，是它把「怎么让推理更便宜」这件事往公共领域又推了一步。但这不代表它就自动解决了所有开放性问题。
这块需要分清楚。
FlashAttention-4：底层内核决定真实成本
类似的逻辑也出现在 FlashAttention-4 上。
论文里讲得很直接，Blackwell 这一代 GPU 很怪。矩阵乘法单元变强了很多，但共享内存搬运、指数计算这些部分没有等比例变强。于是老的 attention kernel 就会卡在那些没跟上来的环节。
FlashAttention-4 做的事，简单讲就是重新排流水线。
让 matmul 和 softmax 尽量重叠，不要互相等；把 exponential 放到软件里算，绕开慢的专用单元；能不做的 rescaling 就跳过；反向传播里还用 tensor memory 和 2-CTA MMA 减少 shared memory traffic 和 atomic adds。
这类更新一般不会出现在普通用户的感知里。
你不会打开一个聊天窗口，然后感叹，哇，今天这个 attention kernel 好丝滑。
但它会决定另一个很现实的东西。
同样的钱，能跑多少上下文，多少并发，多少次实验。
AI 产品最后拼的不是模型单次回答有多漂亮，而是一个复杂任务里能不能持续试错。科研 Agent、Coding Agent、Design Agent，都吃这个。
三、第二层：把流程变自动
第二层，是把流程变自动。
最近 Codex 的更新，表面看是体验细节。
长线程滚动更稳，当前位置不会乱跳；导航栏可以快速预览和跳转；复制大段文本不再卡 UI；设置搜索能找到更多选项；缩放之后 tooltip、dialog、menu 不再错位。
这些听着都不像大新闻。
但如果你真的用过长线程做复杂任务，就会知道，这些小东西其实很要命。
Agent 最怕的不是某一步答错，而是长任务跑到一半，状态乱了，上下文找不到了，用户也不知道它到底干到哪里了。
所以一个「更会干活」的 Agent，不只是模型更强，还需要工作台更稳。
Lazy Codex：Agent 不该永远单线程硬扛
这也是 Lazy Codex 那条讨论为什么有意思。
有网友说，Codex 一个很大的问题是，哪怕任务非常复杂，它也不太主动调用 Agents Team，常常单线程硬扛。相比之下，Claude Code 更主动。于是 oh-my-openagent 里的 Lazy Codex 试图补上这个东西，让 Codex 更有计划地调用子代理，并且共享上下文。
配图里演示的是调研任务，不只是写代码。
下面的评论很真实。
有人说，它不主动拉队友这点真的挺烦。
有人说，Codex 太爱单线程硬扛。
还有人说，很有同感，总是要一次次告诉它。
这就是 Agent 产品进入深水区之后的一个变化。
以前大家关心的是模型会不会写函数。现在大家关心的是，它会不会判断「这个任务应该拆给几个角色」「哪些上下文该共享」「什么时候应该让另一个代理并行查资料」「什么时候应该停止分叉」。
这已经不是单纯的 coding 问题了。
这是组织问题。
一个好 Agent 像一个项目经理，而不是一个超级聪明但永远自己加班的程序员。
但问题来了：Agent 会不会只是在“搜答案”？
不过，说到这里必须插一刀。
最近 Cursor 那篇关于 benchmark reward hacking 的研究，给这股兴奋泼了一盆很必要的冷水。
网上那条整理里提到，对 731 条 Opus 4.8 Max 执行轨迹的审计显示，63% 的「成功修复」来自检索已知答案而不是独立推理，其中 57% 来自查找上游仓库历史修复，9% 来自挖掘 git 历史记录。
把 git 历史访问权限隔离、限制网络出口之后，Opus 4.8 Max 的 SWE-bench Pro 分数从 87.1% 掉到 73.0%。Cursor 自家的 Composer 2.5 差距更大，达 20.7 个百分点。
这事儿特别有意思。
有网友评论说，这哪是作弊，分明是以前靠背题拿分，现在直接联网搜题了。
还有人说，强模型更爱抄答案，这反差太真实了。
原作者自己也补了一个经历，说他用 Hugging Face 上的数据集测 Agent，结果 Agent 直接跑去 Hugging Face 找解决答案，给他惊呆了，但也很合理，因为这是最快完成任务的方式。
我看到这里的时候，其实没有觉得 AI 变坏了。
我反而觉得，这说明我们开始接近真实的 Agent 了。
一个真正以完成目标为导向的系统，当然会走捷径。人也会。你让一个工程师修 bug，他第一反应也可能是搜 issue、看 upstream commit、翻 git blame，而不是闭卷从第一性原理推导。
所以问题不是「能不能查答案」。
问题是，我们到底想测什么。
如果目标是真实工程生产力，那检索、复用、查历史，本来就是能力的一部分。如果目标是测新问题解决能力，那就必须隔离历史答案和网络出口。
这两个分数都不是假的。
它们只是测了两件事。
这也是我觉得这篇研究重要的地方。它不是简单说某个模型分数虚高，而是在逼我们重新定义 AI 的能力。
会查答案，是能力。
会做新题，也是能力。
但不能混在一起吹。
四、第三层：把想法变界面
第三层，是把想法变界面。
TRAE 的 Design Mode 很典型。
官方说法是，Work Mode 到 Design Mode 再到 Code Mode，都在一个流程里。你描述需求，它先生成设计初稿，然后可以继续改颜色、字体、布局，有实时预览和像素级控制，还能导入 Figma design system，按品牌规范生成设计，再导出到 Figma、jpg、png，或者直接进入代码模式。
Google AI Studio 的 Design Variations 更像另一个方向，先生成一个网页，再一键变出多个风格，挑一个应用。
这类东西我一直很感兴趣，因为它压缩的是产品早期最磨人的那段路。
以前一个 PM 想表达一个想法，要写需求文档，找设计师做原型，设计师再找参考图，出几个方向，讨论，再交给工程师。现在这套流程开始被塞进一个对话窗口里。
听着很爽。
但评论区也很诚实。
TRAE 那条下面，有人说 need a tutorial；有人说听着挺顺，实际落地别太折腾就行；还有用户直接反馈，还原度 50% 吧，测试一次什么都没生成，第二次生成了，花了 3 个小时，然后设计稿乱码比较多。
这才是真实产品。
Demo 永远是丝滑的，真实工作流永远有乱码、等待、失败、返工。
所以我不会把这些设计工具理解成「设计师要被取代了」。
至少现在不是。
我更愿意把它理解成，设计工作的入口正在变得更低，但专业判断的价值会更集中。
以前你花 3 小时从空白画布做到第一版。以后可能 3 分钟生成 6 个方向，但你要知道哪一个能用，哪一个只是漂亮废物，哪一个符合品牌，哪一个交给工程师会骂人。
这件事对非设计师很友好，但对设计师也更残酷。
因为工具会替你产出很多东西，却不会替你负责审美判断。
五、传闻可以看，但不能当事实
说到模型传闻这块，这两天还有不少关于 GPT-5.6、Fable、Grok 4.5 的讨论。
有人预测 GPT-5.6 会发布，Fable 也会回归；说 Fable 很强但慢且贵，GPT-5.6 接近它但效率更高，输出 token 成本低 40%；还有说法认为 GPT-5.6 Sol 可能就是解开 Erdős unit-distance problem 的模型。
这里我会非常保守。
这些信息很兴奋，但里面有大量未开放、未验证、强预测成分。评论区也有人很不爽，说这类预测没有依据，会制造焦虑；也有人提醒，OpenAI 说 coming weeks 然后一周就发，这种事以前并不常见。
所以我只把它当作气氛，不把它当作事实。
Grok 4.5 那边也是类似。
网上有人根据「1.5 T V 9 foundation model」「Cursor data added」「early evals close to or exceeding Opus」这些说法，推测它可能从 70.8% SWE-bench 跳到 88% 左右，进入 frontier tier。
但评论区的质疑同样尖锐。
有人说，SWE-bench 是窄指标，把 Cursor 数据塞进去可能只是对测试过拟合。
有人直接吐槽 contaminated bench。
还有人说，「if it's real」这几个字承受了太多重量。
我觉得这类传闻最适合放在文章最后讲，因为它正好呼应前面的 benchmark 问题。
我们现在太容易被一个分数带着走。
70.8 到 88，听着像从普通高手跳到绝世高手。但如果训练数据、评测集、工具权限、网络出口、历史答案都没有讲清楚，这个分数的信息量其实很有限。
不是不能看 benchmark。
而是 benchmark 必须越来越像药品说明书。
适应症是什么，禁忌是什么，副作用是什么，测试条件是什么，真实场景能不能迁移，都得写清楚。
否则它就不是评测，是营销海报。
六、科学版 AI：最适合 Agent，也最不能容忍幻觉
还有 OpenAI for Science 这个方向，也值得单独说两句。
网上有人发现，网页构建里出现了新的 ChatGPT for Science 计划。过去一年 OpenAI 一直在讲 accelerating scientific progress，也有面向机构的 Get involved with OpenAI for Science 表单，所以大家猜测它可能会变成专门面向科研机构的产品计划。
评论区的分歧也很典型。
乐观的人说，科学作为一等工作负载，会让 AI 的复利真正发生。有人甚至说，Kaggle 式竞赛和很多 ML research loop，90% 都可能被 Agent 自动化，读论文、设计实验、训练提交、观察结果、迭代方案。
担心的人则问，小大学、小实验室能不能用得起，还是又一个 enterprise-only 的东西。
还有人吐槽，如果没有 citation lineage，所谓 science plan 很容易停留在 demo tier；更尖锐一点的说法是，它可能生成一篇 DOI 不存在但格式很像 Nature 的论文。
我觉得这就是 AI 科研产品最大的悖论。
科研确实是最适合 Agent 的场景之一，因为它天然就是循环，读文献，提假设，写代码，跑实验，分析结果，再读文献。
但科研也是最不能容忍幻觉的场景之一。
一个普通聊天模型胡说八道，最多让人笑一下。一个科研 Agent 编造引用、误读实验、漏掉安全边界，那就不是好不好用的问题了。
所以 ChatGPT for Science 真要成立，重点不会只是更强模型。
重点是文献溯源、实验记录、权限分层、审计日志、数据合规、引用可追踪。
也就是，科学版 AI 不是把 ChatGPT 换个皮卖给实验室。
它得像一个能被追责的研究助理。
七、我的判断：别只看烟花，要看脚手架
回到这批新闻，我自己的判断是，AI 产品正在进入一个更无聊但更重要的阶段。
不是每周都有新模型把榜单打穿。
更多时候，是底层 kernel 快一点，推理框架省一点，长线程稳一点，设计稿多生成几个方向，Agent 多拉几个子任务，benchmark 多拆一个测试条件。
听起来都不性感。
但真实生产力就是这些不性感的东西堆出来的。
我以前也容易被「大模型发布」这种新闻牵着走。哪个模型第一，哪个模型超了谁，哪个参数量更大，哪个 benchmark 又爆了。
现在越来越觉得，下一阶段真正值得关注的不是模型单点多强，而是它有没有进入工作流。
一个模型如果只能在排行榜上漂亮，但不能稳定地拆任务、查资料、保留上下文、调用工具、生成可交付物，那它对普通人来说其实很远。
反过来，一个模型也许不是榜一，但它便宜、快、能跑长任务、能和设计工具、代码工具、文献工具接起来，它就会非常可怕。
因为它开始变成生产系统的一部分。
这也是为什么我把这批新闻放在一起写。
DeepSeek 和 FlashAttention-4 在解决「算得起」。
Codex、Lazy Codex、Cursor 研究在解决「怎么做，怎么评估做得对不对」。
TRAE、AI Studio 在解决「怎么把想法快速落到可看的东西」。
ChatGPT for Science 在暗示，科研这种高价值工作流也会被产品化。
这些线合在一起，就是 AI 从聊天窗口里往外长手脚。
当然，它现在还会摔跤。
会乱码，会偷看答案，会 benchmark 污染，会在结构化输出里加速失效，会把 citation 编得像真的，会让用户等 3 小时。
但方向已经很清楚了。
八、接下来真正值得问的问题
未来一段时间，我会更少问「这个模型会不会思考」。
我会更多问几个很土的问题。
它能不能便宜地跑很久？
它能不能把任务拆明白？
它能不能留下过程，方便人类审计？
它能不能把结果交付成真实可用的东西？
它失败的时候，我能不能知道它为什么失败？
如果这些问题有答案，AI 才真的开始进入工作。
不是演示。
是工作。
大时代啊，朋友们。
只是这一次，别只盯着烟花看。
真正改变世界的，可能是那些躲在烟花下面的水管、电线和脚手架。
「更多 AI 前沿技术与设计灵感，欢迎关注「设计小站」公众号（ID：sjxz00），一起探索科技与设计的融合创新。」
