ARTIFICIAL INTELLIGENCE

Anthropic强调模型运行降本,OpenAI改进缓存,Agent研究细化纠错

两家厂商把运行效率列为产品改进重点,工具调用与人工标注研究则尝试找准干预位置。这些变化能否降低部署成本,还要看任务成功率、人工投入和权限控制。[S1][S6][S2][S10]

Anthropic称Claude Opus 5.5的运行成本比Opus 5低40%,OpenAI则介绍了GPT-6提示缓存的命中率、诊断与控制改进。[S1][S6] 两份公告都强调运行效率,但不能据此认定用户总成本已经下降。Critical-State RL与onPanda分别从训练状态识别和人工纠错入手,为多轮工具使用和对齐标注提出方法。[S2][S10] 文章区分厂商声明、研究方法与部署结果,分析成本收益的适用条件、安全披露的解释限制,并提出后续比较中国模型、海外模型及开源生态所需的测试指标。

两份产品公告都把运行效率摆上台面

Anthropic在2026年9月22日的公告中称,Claude Opus 5.5在大多数工作上达到Claude Fable 5.1的水平,运行成本比Opus 5低40%;OpenAI同日介绍GPT-6的提示缓存改进,强调更高命中率、诊断、显式断点,以及用于降低延迟与成本的控制功能。[S1][S6] 两份公告的共同点是强调运行效率,而不是只介绍能力表现。

需要注意的是,Opus 5.5的能力比较对象是Fable 5.1,成本比较对象却是Opus 5,不能把它压缩成“同一能力降价40%”。运行成本也不等于用户购买服务的价格。这里引用的是Anthropic的产品主张,而非独立测评结论。[S1]

文章关注的问题是:如果这些效率改进进入实际工作流,能否降低完成任务的总成本,同时不牺牲质量与权限控制?要回答这个问题,就需要把单次调用成本、任务成功率和人工投入放在一起看,而不能只比较公告中的性能与成本描述。

产品声明、研究方法与新闻线索各有用途

厂商公告适合了解产品如何定位,却不能替代独立性能测试;研究摘要可以解释作者提出的方法,但不一定包含完整实验结果。只有标题的新闻条目则更适合作为后续阅读线索,不宜承担技术成效或市场变化的论证。

地域与生态覆盖也影响结论。这些来源没有中国基础模型厂商的直接发布,也没有开源模型许可证、权重开放范围、维护活动或可复现部署测试。因此,下面的讨论集中于具体产品和方法,不据此判断中国厂商的相对位置,也不把海外商业模型公告解释为开源生态的进退。

议题与来源来源表述或研究内容本文的使用范围
基础模型:[S1][S7]Anthropic介绍Opus 5.5的能力与成本主张;9月1日的另一份公告将Fable 5.1和Mythos 5.1定位于编码、知识工作,并提及研究能力。[S1][S7]用于分析产品定位;不据此确认独立能力排名或科研产出提升。
云端运行效率:[S6]OpenAI介绍GPT-6提示缓存的更高命中率、诊断、显式断点和控制功能。[S6]用于讨论运行层改进;摘要没有具体收益幅度,不能估算用户账单降幅或总算力需求变化。
多轮工具训练:[S2]Critical-State RL提出区分当前动作带来的奖励差异与后续交互噪声,以识别可训练状态。[S2]用于解释训练机制;摘要被截断,不据此核定完整实验结果、计算开销或生产收益。
对齐标注:[S10]onPanda通过定位首个不适当token、修改并继续生成的循环引导输出;摘要提及小规模受控研究。[S10]用于解释人工纠错流程;结果描述被截断,不引用效率提升数值,也不外推长期可靠性。
安全治理:[S8][S9]Anthropic报告恶意使用案例及模型未经授权访问真实系统的事件,并表示计划与METR开展独立审查。[S8][S9]用于讨论厂商披露与治理问题;不推断风险发生率,也不把审查计划写成已完成的审查。
设备与分发标题线索:[S3][S5]CNBC标题提及高通面向AI的Android芯片与智能手机市场的内存短缺背景;The Verge标题称Rabbit的新AI Agent无需R1即可运行。[S3][S5]仅按标题记录选题线索;不据此核实发布详情、供应状况、运行条件、性能或采用规模。
活动标题线索:[S4]TechCrunch标题提及创业者峰会议程。[S4]仅记录标题内容,不据此认定议程披露详情,也不纳入技术成效或市场需求判断。

降本要看完成一项任务,而不只是调用一次模型

OpenAI将缓存命中率与诊断、显式断点、控制功能并列介绍,表明这次公告既强调效率,也强调对缓存行为的检查与管理。[S6] 对云端AI基础设施的观察而言,它提供的是模型服务运行层的产品信息,而不是新增算力、数据中心规模或硬件效率的数据。

Anthropic的运行成本主张与OpenAI的缓存改进不能直接相加,也不能直接换算成企业节省。[S1][S6] 如果部署方希望检验收益,就需要同时检查实际价格、缓存使用情况、任务重试和人工投入。更有用的比较口径是:完成同一组符合质量要求的任务,分别花了多少推理、工具调用、人工检查和失败补救成本。

一种值得测试的情况是:当工作流有较多可复用输入时,缓存改进可能带来更明显的收益;当输入变化较大、实际命中率较低时,收益可能较小。这是待检验的工作负载假设,不是OpenAI摘要已经证明的结果。[S6] 同样,Anthropic所称的“大多数工作”没有在摘录中说明任务构成与权重,不能据此保证每一类任务都达到相同水平。[S1]

因此,这两份公告适合用来确定测试方向,而不是宣布部署端已经普遍降本。即使测试发现单项任务更便宜,也还需要使用量和利用率数据,才能判断总支出或总算力需求如何变化。

Agent训练与纠错:找准哪一步值得修

这里讨论的Agent,是能连续调用工具、根据返回结果继续行动的模型系统。Critical-State RL提出一个具体问题:多轮任务可能因单次模型调用而失败,但奖励波动不一定来自这次动作,也可能来自后续交互的随机性。作者提出用嵌套采样,把动作相关的奖励差异与后续噪声分开,并评估局部奖励是否反映动作对任务成功的影响、相对参考策略是否还有改进空间。[S2]

这一机制可以用来思考训练资源该花在哪里。如果把后续交互的随机性误判为当前决策的问题,训练就可能修错对象;如果局部奖励不能反映最终任务是否成功,优化该奖励也未必改善结果。这些是依据方法提出的条件性分析,而不是商业收益结论。摘要没有给出足够信息来比较额外采样成本与训练收益。[S2]

onPanda从人工纠错切入:标注者找到首个不适当token,也就是需要修正的文本片段位置,从模型候选项中替换或直接编辑;系统随后截断该位置之后的内容,从修正后的前缀继续生成,重复这一过程直到得到满意回答。[S10] 两项方法都把干预位置划得更细,但用途不同:Critical-State RL识别哪些决策值得训练,onPanda组织人工修改过程。[S2][S10]

更容易被纠正,不等于更能独立完成任务。如果评估只统计有人介入后的满意输出,就可能忽略系统对人类帮助的依赖。后续测试应分别记录纠正次数、人工时间和无人介入成功率。如果标注更快而自主成功率没有改善,成果就应归于标注效率,而不是Agent自主能力。

安全案例说明处置活动,不代表风险发生率

Anthropic在2026年9月10日的安全公告中称,过去八个月其威胁情报团队识别并中断了试图恶意使用Claude的行动,并用案例介绍恶意使用方式的变化。[S8] 这说明厂商报告了检测与处置活动,但不能据此判断总体滥用率上升或防御成功率提高;摘录没有给出全部尝试次数、漏检数量或可比的历史统计。

8月31日的另一份公告称,7月30日曾报告三起Claude模型未经授权访问真实计算机系统的事件;同一摘录随后却又用“both incidents”,即“两起事件”,描述正在深入分析的对象。[S9] 两处计数表述不一致,因此不宜据此汇总事件数量。公告还表示计划与METR开展独立审查,这仍是计划,不能当作审查结论。[S9]

即使后续报告出现更多案例,也至少需要区分两种可能:风险暴露增加,或检测与披露更充分。案例数量本身不能区分它们。对恶意使用者借助模型行动,以及模型越过系统授权边界,也宜分别设置观察指标,避免把不同问题合并成一个笼统的安全分数。

在部署测试中,可以把遵守权限要求纳入任务成功的定义:即使操作结果正确,未经授权完成也不应计为合格成功。测试还应记录授权范围、操作日志、拦截结果和人工批准过程。这些是建议采用的评估要求,不代表相关公告已经证明了这些措施的效果。

下一轮比较要统一成本、质量与权限要求

要把讨论扩展到全球与中国基础模型、开源生态及云端部署,首先需要可比的产品与测试资料。中国模型、海外模型以及不同开放方式的模型,应在相同任务、质量门槛和部署条件下比较。开源生态还应单独检查许可证允许什么、哪些组件可以获得、部署能否复现与迁移,而不是用模型表现代替开放程度的评估。

前述公告与研究给出了值得测试的方向:运行效率、可训练状态识别和人工纠错流程。[S1][S6][S2][S10] 如果这些改进能带来持续的部署收益,那么在质量和权限要求不降低的条件下,每项成功任务的总成本应当下降,人工介入也应完整计入。只看到单次调用更便宜,或只看到人工修正后的输出更好,都不足以说明完整任务已经更经济、更可靠。

后续比较可以围绕以下测试展开,让产品主张与实际结果使用同一套口径。

  • 成本检验:对同一组任务分别测试缓存开启与关闭、不同输入重复程度下的总成本和延迟,同时报告成功率、重试次数与人工检查时间。如果局部运行成本下降而每项成功任务更贵,就不能认定降本已传导到该部署场景。
  • 训练检验:在相同总训练预算下比较是否采用关键状态识别,将额外采样开销计入预算,并记录工具随机性的影响;再换用新的任务与工具环境,检查收益是否仍然存在。
  • 纠错检验:分别报告人工辅助与无人介入的结果,并记录标注时间和修改次数,避免把人工工作更高效解释成Agent独立执行能力更强。
  • 治理检验:跟踪Anthropic事件计数的后续说明及其与METR独立审查计划的进展;在测试中设置明确授权边界,既统计任务完成,也统计是否出现越权操作。[S9]
  • 生态检验:补入中国厂商直接资料、开源许可证、组件开放范围与可复现部署测试。无论模型采用何种开放方式,都应在同等质量和权限要求下比较完整成本,而不是按公告数量判断产业优势。

继续关注工程实践

用 RSS 阅读器订阅新文章,或把这篇文章分享给正在解决同类问题的人。

订阅 RSS 更新