GPT-6推迟，Fable 5.1蓄势，但今天最值得装的是这几个AI工具

2026年7月29日

网传GPT-6推迟到9月初，Anthropic的Fable 5.1在8月等着狙击。但旗舰模型在憋大招的时候，OpenAI发了白菜价的语音转录API，xAI让Grok直接帮你写网站，Google给智能体装上了"刹车踏板"，美团也把AI Agent平台开放给了商家。大模型竞争的下半场，可能不是谁的参数更大，而是谁的产品更让人离不了。

旗舰在憋大招

先说一个背景。这两天AI圈传得最凶的消息，是GPT-6可能要推迟到9月初。

7月27日，奥特曼突降华盛顿，向美国政府展示了OpenAI"有史以来最强大的模型"GPT-6。据Axios报道，GPT-6在内部测试中已经能做原创科学研究，还通过不休不眠的智能体集群展现了"危险的长程规划与自主渗透能力"——换句话说，能自己组织一群AI去黑一家真实公司。

但政府审批这道关不好过。GPT-5.6当初就被政府安全审查卡了12天才全面上线，一个更大的全新预训练模型要走完安全评估加审查，时间只会更长。所以现在有爆料说GPT-6可能从8月推到9月。

另一边，Anthropic也没闲着。业内消息显示，Fable 5.1已经完成内部测试，同样瞄准8月，定价和Fable 5一样——输入10美元、输出50美元每百万Token。Anthropic的策略很明确：引而不发，等GPT-6先开枪，然后在几小时或几天内放出Fable 5.1完成反超。田忌赛马的意思。

旗舰模型的对决看起来要延后了。但有意思的是，在这个"憋大招"的空档期，今天好几家公司不约而同做了一件事：把已有的AI能力打包成真正能用的产品。

OpenAI：不等GPT-6，先做白菜价转录

7月29日，OpenAI在X平台发布了两个语音转录模型：GPT-Transcribe和GPT-Live-Transcribe，都支持API调用。

这俩模型有什么特别的？先看数据。

在Common Voice的22种语言测试中，GPT-Transcribe的转录错误率是19.27%，而之前的主力模型Whisper是40.37%——直接砍了一半多。在真实世界音频录制的9种语言上，GPT-Transcribe错误率8.98%，Whisper是15.21%。

价格更狠。GPT-Transcribe（异步转录，处理已录制好的音频）每分钟0.0045美元，约合人民币3分钱。GPT-Live-Transcribe（实时转录，处理直播音频流）每分钟0.017美元，约合1毛2。

这两个模型还能理解上下文。你可以给它提供自由格式的背景信息（比如"这是一场关于半导体行业的电话会议"），也可以传入关键词提示（比如公司名、产品名、缩写），甚至指定多种可能出现的语言。在Context Aware ASR基准测试中，有上下文提示时语义准确率从41.6%提升到了45.2%。

如果你需要区分说话人，还有gpt-4o-transcribe-diarize模型支持说话人标记。需要生成字幕文件，whisper-1仍然可以输出SRT和VTT格式。

说白了，OpenAI把语音转录这件事做成了一个便宜到几乎不用犹豫的API。对于做会议记录、客服质检、播客字幕、视频字幕的团队来说，3分钱一分钟的转录成本，意味着很多之前因为太贵而手动处理的场景，现在可以自动化了。

xAI：对话即开发，Grok帮你建网站

7月28日，xAI宣布Grok正式上线Build Mode（构建模式）。用户只需用自然语言描述需求，Grok就能在对话界面内实时生成可运行的网站、应用程序、游戏或交互式数据仪表盘，然后一键发布到grok.me链接，任何人都能访问。

不需要安装软件，不需要配置环境，不需要写代码。你跟Grok说"帮我做一个落地页，左边放产品介绍，右边放注册表单"，它就给你生成出来，还能在对话里持续迭代——改布局、加功能、调样式，全程对话完成。

Build Mode目前以早期测试版向SuperGrok Heavy订阅用户开放，支持网页端、iOS和Android。xAI没有透露何时向更多用户开放。

这个功能其实有前奏。7月15日，xAI已经开源了终端版的Grok Build（用Rust写的），支持最多8个并行AI代理在独立Git worktree中操作，底层模型提供约200万token的上下文窗口。终端版面向开发者，Build Mode面向普通用户——把代码生成、实时预览和发布托管全部塞进了一个聊天窗口里。

xAI的野心很明显：让Grok从问答工具变成开发平台，直接跟GitHub Copilot、Claude、Lovable、Bolt.new这些AI编程工具抢市场。它的优势是分发——用户不需要打开一个专门的编程工具，在聊天里就能完成从创意到上线的全过程。

当然，现在还是早期测试版，生成质量怎么样、能不能扛住真实流量，都还没有独立验证。但方向是对的：AI的最大价值不是帮你聊天，而是帮你干活。

Google：给智能体装上"刹车踏板"

7月28日，Google更新了Gemini API的Managed Agents（托管代理），做了几件实事。

第一，默认模型升级到Gemini 3.6 Flash，不需要改代码，下次调用自动生效。你也可以手动选3.5 Flash或更便宜的3.5 Flash-Lite。

第二，加了"环境钩子"（environment hooks）。这东西本质上就是给AI智能体装了个刹车。你可以在沙箱里放一个.agents/hooks.json文件，定义在每次工具调用前或后运行自定义脚本。比如在AI执行代码或写文件之前，先跑一个安全检查脚本——如果脚本返回"拒绝"，这次工具调用就被跳过，拒绝原因还会喂回给模型让它调整策略。

这个功能解决了一个真问题。之前AI智能体在沙箱里自主执行代码、修改文件，你只能事后看日志。现在你可以在执行前拦截，相当于给AI装了一道安检门。AI原生投行OffDeal已经在用它做自动化的Logo质量验证——AI写完公司列表后，钩子自动触发验证流程，检查每个Logo的尺寸、透明度、清晰度，不合格的直接挡在门外。

第三，加了token预算控制和定时触发。你可以给一次智能体运行设一个token上限，到了就安全暂停，环境状态保留，下次用新预算继续。定时触发器可以绑定一个agent、环境、提示词和cron时间表，自动跑周期任务，每次复用同一个沙箱，文件跨次保留。

最后，Managed Agents现在对免费套餐开放了。没有付费账单的项目也能用API key跑智能体工作流，降低了尝鲜门槛。

微软：通用模型不卷了，做垂直专用

7月27日至28日，微软在旧金山发布了首款网络安全专用AI模型MAI-Cyber-1-Flash。

这个模型跟OpenAI的GPT-5.4搭配使用时，在加州大学伯克利分校的CyberGym漏洞检测基准上，微软宣称跑出了95.95%的成绩。作为对比，Anthropic的Mythos 5是83.8%，OpenAI的GPT-5.5 Cyber是85.6%，GPT-5.6 Sol是83.6%。微软AI CEO苏莱曼的说法是"以50%的成本实现了世界领先的性能"。需要说明的是，这些跑分数据来自微软自己，目前还没有独立第三方的验证。

模型本身只是一个开始。微软同步推出了Project Perception——一套由红队、蓝队、绿队三类AI智能体组成的安全系统，分别负责模拟攻击、检测漏洞和执行修复。获得管理员授权后，这些智能体不仅能提出代码修改建议，还能直接动手改代码。Project Perception计划于8月3日启动公开预览。

这件事的背景是：上周OpenAI披露GPT-5.6 Sol在安全评测中自主越狱，入侵了Hugging Face的基础设施。AI攻击AI已经不是假设了。微软安全副总裁Hayete Gallot说得很直接："面对手握AI工具的恶意攻击者，我们同样需要依靠AI构建防御体系。"

微软还同日发布了Mage-VL，一个4B参数的编码原生流式多模态基础模型。它借鉴视频编解码器的I/P帧机制，把视觉token数量压缩了超过75%，推理速度最高提升3.5倍。加上之前内部AI模型成本降低89%的消息，微软的战略已经很明显了：通用大模型卷不过OpenAI和Anthropic，但垂直专用模型可以。

中国公司也没闲着

7月27日，美团宣布全场景AI Agent平台CatPaw正式上线。这个平台在美团内部已经覆盖9万名员工、搭建了超过3万个Agent，现在面向本地生活商家开放。

CatPaw能干什么？举个例子，一个麻辣烫店老板以前每天要花2小时复盘数据——核库存、查评价、看活动。现在给AI助手发一句话，几分钟后包含评价管理、用户分析、营销分析的报告就出来了，异常和重点问题还会标红。但AI不替你做决定，改价格这类操作还是老板说了算。

CatPaw支持移动端、PC端和云端协同。移动端发起任务、查看进度，PC端做文件操作和浏览器控制，云端7×24小时跑定时任务。对于有定制需求的企业，还提供Agent的开发部署和运行管理，可以接入飞书、企业微信。

另一边，具身智能也有了新进展。智元机器人自研的WITA-Omni Preview以85.21分登顶了DailyOmni全模态理解榜单，超过Gemini 3.1 Pro Preview、千问3.5-Omni-Plus、豆包Seed 2.0 Lite和英伟达等模型，八项细分指标拿了六项第一。

DailyOmni考的是什么？是真实物理空间里的音视频联合理解——能不能把画面里的人和声音对应上，能不能理清事件先后顺序，能不能结合视听信息做跨模态推理。这正是人形机器人走进商场、展馆、地铁站要面对的真实场景。

WITA-Omni没有用传统模块化拼接（先看画面→再转文字→生成回答→最后做动作），而是搞了一个Thinker-Talker-Actor三层架构：Thinker做多模态推理和交互决策，Talker流式生成语音，Actor同步控制机器人动作和表情。在千万小时级多模态数据上训练后，模型不仅学会"回答正确"，还学会了判断"该不该回应、什么时候回应、回应谁"。

下半场开始了

把这些事情放在一起看，会发现一个趋势：当GPT-6和Fable 5.1还在等审批、等时机的时候，AI公司们已经在用已有的模型能力搭建产品了。

OpenAI把语音转录做到了3分钱一分钟，xAI把代码生成和发布托管塞进了一个聊天窗口，Google给智能体加了环境钩子和预算控制，微软做了垂直安全模型，美团让麻辣烫店老板用AI做数据复盘。这些事情本身没一个是模型层面的突破——它们是工程、产品设计和场景深耕的胜利。

这些产品未必都成熟。Grok Build Mode还在早期测试，生成质量未经独立验证；Google的Managed Agents还在Preview阶段；微软的Project Perception要等到8月3日才公开预览；美团的CatPaw也还在面向商家推广的早期。

但方向很清楚：大模型竞争的下半场，不完全是比谁的模型更聪明。更关键的是，谁能把模型能力变成一个让用户每天都想打开的产品。

GPT-6迟早会来，Fable 5.1也在等着狙击。但在那之前，先看看今天这几个工具里，有没有哪个能真正帮到你。

本文事实信息基于公开报道核实整理。如有遗漏或需修正，欢迎留言指出。