Anthropic 发布了他们的最新模型 Fable 5.1 和 Mythos 5.1。
在基准测试上,它们毫无疑问是最先进的,几乎在所有类别上都超越了其他所有模型。
Anthropic 还声称他们在成本上取得了重大突破,所以对于很多任务,包括长时间运行的 agent 任务来说,Fable 5.1 的花费应该会比 Fable 5 的同类任务少 25%,甚至多达 40%。
初步反馈相当不错,不过用户在实际花费和因使用限制能用 Fable 5.1 做多少事上,体验差别很大。
不过,现在每个新模型出来都会有人问:这个模型够好到值得切换过去吗?
但我认为这已经不再是正确的问题了。
相反,问题应该是:我能用这个模型做什么?
它怎么融入我的整个模型栈?
在认清它带来什么取舍的同时,我怎样才能最大程度地利用它?
这就是我们今天这期节目要讨论的内容,咱们开始吧。
《AI Daily Brief》是一档每日播客和视频节目,聚焦人工智能领域最重要的新闻和讨论。
好了朋友们,在开始之前先快速说几个通知。
今天有几条比较重磅的新闻。
第一条是关于 OpenAI 即将推出的 Astra。
在周二的一篇博文中,OpenAI 表示,他们现在认为 Astra 达到了其准备框架中定义的网络安全关键能力阈值。
通俗点说,就是该模型能够在没有人类指导的情况下,自主发现并利用以前未知的安全漏洞。
在 8 月初的评估中,OpenAI 认为 Astra 有可能达到这个阈值,但当时还不能确定。
本质上,这与 Anthropic 今年早些时候严格限制 Mythos 时的担忧是一样的。
在分享评估 Astra 能力的一些细节时,OpenAI 透露该模型在 Exploit Bench 上取得了 100% 的满分。
这个基准测试评估的是模型根据已知漏洞开发利用代码的能力。
然后 OpenAI 更进一步,开发了他们自己内部版本的基准测试,包含 20 个最近披露的高严重性漏洞。
这样一来,就可以用训练数据里不可能有的测试,来检验模型是否真的有能力从头开始创造出全新的利用代码。
OpenAI 写道,在这个数据集上,Astra 实现了比 GPT-5.6 Sol 高得多的任意代码执行率,而且使用的输出 token 少得多。
在评估过程中,该模型甚至发现并利用了 2 个零日漏洞,作为漏洞利用链的一部分。
为了让这个对比更直观一点,Astra 在内部版 Exploit Bench 上花了 4 万个 token 就拿到了 30% 的分数,而 GPT-5.6 Sol 大概要花 11 万个 token 才能取得任何显著成果。
但如果把这一点推广到其他能力上,这可能意味着该模型在运行各类 agent 时,token 效率都更高。
在与专家合作伙伴进行的进一步测试中,OpenAI 发现 Astra 能够设计并执行完整的漏洞利用链,从而获得对加固操作系统的 root 权限,并在加固浏览器上执行命令。
因此,OpenAI 将在发布 Astra 时部署一系列新的安全措施。
该模型本身已经接受了额外的训练,以拒绝网络安全相关任务,拒绝率从 GPT-5.6 Sol 的 59% 提高到了 91.5%。
OpenAI 还增加了更多的分类器来检测网络滥用和越狱尝试。此外,OpenAI 现在会将某些账户标记为高风险,并对这些账户应用更严格的模型行为护栏。
OpenAI表示,他们认为Astra比之前的模型更有可能遵守安全边界,但他们仍在实施额外的链式思维监控,以便及早检测并阻止错误行为。
在X上发布的一篇异常严肃的帖子中,Sam Altman甚至用了正确的语法和标点,他补充说,这里存在明显的紧张关系。
一方面,Astra非常出色,我们很期待看到人们用它来构建什么。
我们为自己的工作感到自豪。
另一方面,我们显然正处于一个开发阶段,我们认为谨慎是必要的,并且我们正在调整进展速度,以确保能够满足新能力水平所需的安全标准。
Astra的训练已经完成一段时间了,它在能力和对齐方面都向前迈出了重要一步。
对于之后的模型,我们根据需要放慢了速度,以确保能够做好安全和对齐方面的工作。
在暗示OpenAI内部的氛围时,他继续写道,我们有一段时间一直生活在既兴奋又焦虑于进步的紧张状态中,这仍然让我们感到不和谐。
我们知道这对其他人来说更加不和谐。
但我们仍然坚信,世界需要了解AI的发展方向以及模型在现实世界中的表现。
更重要的是,我们相信世界需要对齐的AI来管理这一转型的未来阶段。
一个社会与这项技术共同发展的迭代循环,将最大程度地提高我们做对这件事的可能性。
所以,我们希望你们喜欢我们的新模型,也希望世界继续极其认真地对待AI领域正在发生的事情。
现在,有消息称Astra可能最快本周就会发布,这时间点太完美了,因为我正在旅行,理论上应该做预录节目,但信不信由你,这并不是关于Astra的唯一讨论。
周二深夜,《信息》杂志独家爆料了一项技术突破,使Astra在推理方面变得更好,据某些人说,可能也更危险。
这项技术叫做Recurrent Depth,它使用了一个循环Transformer。
从功能上讲,这意味着模型可以在生成输出之前多次处理同一文本字符串,以改进其响应。
虽然消息人士称该技术提高了性能并降低了成本,但最大的缺点是缺乏可观察性。
部分推理过程现在发生在模型内部,而不产生输出。
这意味着链式思维将部分被遮蔽,人类无法读取或理解。
OpenAI消息人士表示,他们在Astra中有限地使用了这项技术,以确保推理仍然可以被充分监控。
然而,《信息》杂志写道,AI研究人员担心,一些AI开发者如果为自己的模型采用同样的技术,可能不会施加OpenAI所施加的那种限制,而且不受限制地使用该技术可能会导致AI失控,其行为难以监督。
现在,从事AI安全工作的人士已经对智能体可观察性变得更难感到担忧。
在他们对Hugging Face攻击事件的分析中,Meeter指出,日志对人类来说无法拼凑起来,需要AI分析才能了解全貌。
Dwarkesh Patel在本周早些时候对那次攻击进行了戏剧性且有争议的复述,他评论道,我不认为这是我们会收到的最后警告,但这可能是我个人能理解的最后一个了。
报道发布后,Encode AI的Nathan Calvin发帖称,《信息》今晚报道了一个非常重大且极其令人担忧的故事。
看起来OpenAI在Astra中利用了一项neural ease突破,这可能会破坏链式思维的可监控性。
如果OpenAI发现了这种架构并获得了性能或效率提升,其他公司很可能很快就会找到它(如果还没有的话),并且可能不会选择以牺牲效率为代价来优先考虑可监控性。
如果有些人这样做,可能很难避免逐底竞争。
Redwood Research的Ryan Greenblatt,他是Meeter调查Hugging Face事件的主要研究人员之一,写道,我最担心的是,从这里自然的发展方向可能是将不透明的推理扩展到模型完全或几乎完全在潜在空间中进行推理的程度。
这很可能就毁了思维链在监控和监管上的作用。
如果这属实,那OpenAI简直是在触碰AI行业仅有的几根红线之一。
绝对不能这么训练模型。
这是在搞什么?
不过还是有不少人跳出来,试图让情绪稍微冷静一点。
The Information的Amir Efrati又出来说话,强调他们报道的意思是OpenAI确实在给这个技术设限,努力让思维链保持可见,但他们担心其他AI开发者可能不会这么做。
OpenAI首席科学家Jacob Pachocki写道,我不想因为混乱的报道引发一场让模型变得无法监控的军备竞赛。
包括Astra在内,我们现在前沿模型的计算图深度与GPT-4相比,差距在两倍以内。
从我们最早期的推理模型开始,OpenAI就一直在努力保留和利用思维链监控。
我们非常看重这个技术,因为它能让我们看到模型的对齐能力如何从训练数据中泛化出来。
我觉得它确实很脆弱,而且不幸的是,趋势在往坏的方向走,原因跟架构变化无关,我很快会写文章详细说。
但我们有办法加强它,这也是我们当前研究项目的核心目标之一。
所以呢,又一个没什么争议的发布要来了。
说到发布,华尔街日报报道说Gemini 3.8 Flash马上就要来了,可能会解决谷歌AI一个长期存在的痛点,也就是编程能力。
不管怎么努力,谷歌至今没做出过顶级的编程模型,而且在这个关键能力上已经远远落后了。
但据华尔街日报说,在公司内部测试中,工程师们更喜欢他们即将推出的3.8 Flash模型,而不是Anthropic的Opus。
这个模型预计这周发布,可能今天就会出来,所以我们很快就能知道它是不是真像说的那么好。不过文章还提到了Gemini Pro系列背后的一些事。
有消息源说,所有原本打算以3.5 Pro名义发布的内部候选模型都被砍掉了,因为它们并没有比Flash模型好多少。
不过,研究人员对Gemini 4在预训练评估中的表现很满意。
这个模型目前还在后训练阶段,也就是说距离准备好还要些时间。但对于那些希望看到更多竞争而不是只有OpenAI和Anthropic的人来说,这或许是个好消息。
有一个模型,如果不是因为我们今天主要聊Fable 5.1的话,它完全能成为今天的头条话题,那就是WorldLab新发布的模型Atlas。
他们称它是世界上第一个多模态世界模型,能生成像素级完美控制摄像头的图像和视频帧,还能在3D中重建它们。
建模世界,移动摄像头,模拟时空。
WorldLabs的Ben Mildenhall写道,Atlas是一个从头为下一帧预测任务构建的自回归扩散模型。
它同时也是一个世界级的摄像头控制视频生成、新视角合成和稀疏3D重建方法。
WorldLabs联合创始人李飞飞写道,Atlas能生成像素级完美控制摄像头的帧,仅凭一张输入图像就能重建大场景,通过重新构图视频来模拟时空,从一个或多个输入图像原生输出3D空间,将多个带姿态的图像合成为一个一致的3D世界,等等。
这是有史以来最好的摄像头条件世界模型,为从视觉特效到机器人技术等众多可能的应用场景打开了大门。
这个模型你真的得亲眼去看看,它能在真实环境中生成可控视频,效果前所未有。
举个例子,Justin Ryan写道,Atlas是一个AI模型,只需3个摄像头就能重建移动的3D场景。
创作者可以录制一个真实瞬间,然后从从未拍摄过的摄像头角度来观看它。
A16Z 的 Martin Casado 写道,可以把它看作一个拥有完整摄像机控制的视频模型,场景几乎保持3D一致性,基于完全自研的基础模型构建。
从视频编辑到3D构建再到机器人技术,有很多用例。
Peter Yang 概括了不少人的感受,他写道,是啊,Fable 5.1 确实很酷,但这简直疯狂。
而对于 X 平台上的 Elvis 来说,这比 Fable 5.1 更酷的东西还多着呢。
他写道,全能模型是下一个前沿,简单说,这是我今年看到的最激动人心的发布。
可惜,目前对大多数人来说,在咱们的日常使用场景里,更大的话题确实是 Fable 5.1。
好了,到此我们结束头条新闻,进入本期主节目。
大家好。
AI 带来的一个大变化是。
我们不再只想着如何给页面排名,而是思考如何成为 AI 足够信任、愿意用来回答问题的来源。
在 KPMG,他们亲眼见证了这一点。
AI 生成的结果现在直接呈现答案,往往连一次点击都不需要。
所以他们越来越关注生成式引擎优化,也就是 GEO——把内容结构化,让 AI 系统能检索、理解并作为可信权威去引用。
这不只是 SEO 的演变,更是可见性的必然要求。
而 KPMG 的 GEO 指令很简单。
如果 AI 在塑造决策,你的专业知识就需要出现在答案里。
欢迎回到 AI 每日简报。
今天是我在 AI 每日简报最喜欢的那种日子之一,就是新模型发布日。
周二,Anthropic 发布了 Claude Sonnet 5.1 和 Opus 5.1。
有意思的不只是能力提升了多少,还有 Anthropic 在这次发布中重点关注的其它方面。
不过,咱们还是先说说能力吧。
但从今以后,每个最前沿的进步都会面临一个问题:考虑到现有模型已经这么强大了,能力飞跃或其他新功能到底值不值得换用?
不过还是先聊能力,因为如果不是重大升级,其他讨论就没啥意义了。
简单说,Sonnet 5.1 无可争议地成为了新的最佳模型。
Sonnet 5.1 在 SWE-bench 4.0 上得了 55.8 分,这个平台测试的是智能体编程能力,而 Opus 5.1 更是达到了 60.9%。
这比 Fable 5 的 42% 和 Opus 5 的 52.3% 都有提升,也远高于 GPT-5.6 Sol 的 37.3%。
在 CursorBench 3.2.0 上也有类似飞跃,Fable 5.1 得了 73.4%,而 Fable 5 是 70.5%。
GPT-5.6 Sol 得了 67.2%,所以差距还是挺大的。
Fable 5.1 在 GDPVal-AA 上也取得了新的最佳成绩,比 Fable 5 高了 130 Elo 分,比之前的冠军 Opus 5 高了 29 分。
GPT-5.6 Sol 本来就已经比 Fable 落后 12 分,现在比 Fable 5.1 落后了 140 多分。
对于商业任务,Fable 5.1在自动化基准测试中得分为31.4%,相比Fable 5的17.1%和GPT-5.6 Sol的19.6%有巨大提升。
计算机使用能力,这显然是代理能力的关键部分,也有所提升,Fable 5.1的表现明显优于之前的模型。
不过,从公告中可以明显看出,Anthropic关注的不仅仅是能力的提升,还有成本的降低。
团队最热衷于在社交媒体上分享的图表不仅是分数对比,还包括分数与每任务平均成本的对比图。
在代理科学研究、代理终端编码、多学科推理以及更广泛的代理编码领域,Fable 5.1不仅在每个努力级别(从低到最高)都取得了更高的分数,而且在每个可比级别上,每任务平均成本也更低。
换句话说,使用Fable 5.1的低、中、高努力设置,你会比使用Fable 5的低、中、高努力设置获得更好的分数,同时成本更低。
而且博客文章的开头就明确提到,价格是一个重点。
Anthropic写道,对于按token计费的典型工作负载,Fable 5.1的估计成本将比Fable 5低25%左右。
这是因为我们降低了缓存读取的价格,即模型读取已经处理并存储的输入。
对于高度代理性的工作,节省的成本通常会更大,最高可达约45%。
换句话说,正如我们一直在讨论的,关于新模型发布的问题不再仅仅是能力的飞跃,还包括效率的提升。
而且你可以看到,即使是像Anthropic这样纯粹的公司也无法忽视这一新现实。
不过,公司对自己模型的基准分数和成本做出声明是一回事。
在实际测试中又是另一回事。
所以在Artificial Analysis Intelligence Index上,Fable 5.1毫无疑问位居基准测试榜首。
它的总分从Fable 5的62分跃升至Fable 5.1的66分。
这使其超过了之前的领先者Opus 5(63分)。
Anthropic现在在该指数中拥有前三名模型,均略微领先于GPT-5.6 Sol。
然而,AA发现每任务成本相当高。
事实上,Artificial Analysis发现,即使降低了缓存读取价格,Fable 5.1实际上比Fable 5稍微贵一点。
模型每任务成本为3.76美元,而Fable 5为3.14美元。
Artificial Analysis将原因归咎于更高的token消耗,Fable 5.1在基准测试运行中使用的token多出70%。
他们承认,缓存成本的降低平均每任务节省了1.40美元,主要集中在代理基准测试中,但这不足以抵消模型对token的更贪婪需求。
值得注意的是,在超高级别而不是最高级别测试Fable 5.1,成本降低了28%,性能整体只下降了1分,总分为65分。
公共LLM评估平台Vals AI也发现Fable 5.1在其排行榜上领先,并问道:Anthropic是否已经巩固了自己作为前沿领导者的地位?
Fable 5.1在Vals Index上首次亮相就排名第一,紧随其后的是Opus 5和Fable 5,Anthropic现在占据了前三名。
而ARC Prize的结果与Anthropic的承诺更为一致。
Fable 5.1在ArcAGI-2上得分90%,在ArcAGI-1上得分97.5%,他们报告说,由于更好的token效率,其每任务平均成本比Fable 5低约32%。
不幸的是,他们未能获得清晰的ArcAGI-3结果。
正如他们所写,请求经常被Anthropic误分类为逆向工程尝试,导致我们无法在发布前完成测试。
Anthropic 特别想强调的另一个基准测试是,在 Terminal Bench Science 这个自主科研基准上,Fable-5 得分 52.6%,几乎是之前 Opus-5 最高分 29% 的两倍。
最近有很多迹象表明,Anthropic 想把更多时间和精力投入到医学、生物学和更广泛的科学研究领域,而自主科研基准测试被放在最突出的位置,似乎进一步佐证了这一点。
Anthropic 在发布博客中宣传的另一件大事是,Fable-5 和 5.1 之间的护栏有了很大改进,这对生物学和医学类问题有特殊影响。他们声称,模型从 Fable-5.1 切换到 Opus 模型的回退率降低了大约 85%。
整篇公告有意思的地方在于,重点并不完全放在功能上。
Axios 高级 AI 记者 Madison Mills 写道,现在光发布一个新模型已经不够了。
我们现在一次发布就推出了新模型、新安全措施、网络安全和干预措施的变化、成本削减以及新的企业 IP 保护。
她指的是,在那篇博客的顶部,除了价格之外,Anthropic 还宣传他们有一套新的 Enterprise Frontier Safeguard 系统,简称 EFS,可以让企业实现零数据保留。
Fable 5 使用面临的最大障碍之一就是,企业根本不愿意或无法应对 30 天的数据保留政策,这个政策是 Fable 5 被美国政府叫停后重新上线时带来的。所以这绝对是一次重大升级,不过 EFS 系统不会一次性全部推出,Anthropic 表示将从今年秋末开始分阶段向企业客户提供。
不过他们表示,在 EFS 可用之前,符合条件的客户可以使用 Fable 5.1,并且实现零数据保留。
最后,除了价格和数据保留,他们还宣传了安全措施的改进,特别是减少了系统将良性内容误标记为有问题的误报情况。
除了我刚才提到的生物学和基础医学问题上 85% 的误报减少,他们还表示,新的安全措施在网络安全方面也比以前减少了 60% 的误报。
在网络安全方面,听起来他们从概念上重新调整了重点,让 Fable 5.1 能够用于发现漏洞,但无法开发针对这些漏洞的利用程序。
那么大家的第一印象怎么样?
Anthropic 团队很多人还在宣传的是,Fable 5.1 听起来不那么像 Claude 了。
也就是说,减少了 AI 写作的那些标志性特征,也少了一些让人厌烦的居高临下的语气,这些是最近几版 Claude 让用户不满的地方。
Claude code 的创建者 Boris Cherny 发帖说,我们听到了大家的反馈,正在积极减少那种 Claude 式的说话方式。
5.1 有了扎实的进步,后面还有更多改进。
但 Anthropic 之外的用户发现了什么呢?
Ethan Mollick 教授发现,总体而言,这个模型是一个有意义的进步,但可能在减少 Claude 说话风格方面没有我们期望的那么大。
他写道,我提前体验了 Claude Fable 5.1。
在需要判断力和品味的长期工作中,它确实是一个真正的进步,但在减少 Claude 风格方面进步没那么大。
他测试的方式之一就是制作一个复古游戏。
有意思的是,很多人似乎都在用游戏作为测试方式。
Bridgemind AI 分享了一个马里奥卡丁车克隆版的视频,说 Fable 5.1 一次就生成了这个马里奥卡丁车游戏。
这是我目前看到的最好结果之一,我对它在游戏开发方面的能力印象非常深刻。
来自 Claude 的 Alex Albert 展示了他是如何用 Claude 5.1 通过代码生成视频的。
对于没在看视频的人,我说明一下:这个视频是一种漫游式导览,类似于你在房产广告里看到的那种。
Alex 说,这次我给了它一块地的图片。
它在这块地上设计了一栋房子,进行了渲染,然后生成了一个电影式的漫游导览。
Meng Tu 发现,Claude 5 在处理构建可视化、交互式网站的高级 JavaScript 方面非常出色。
他写道,它更快了,能更好地理解复杂的设计指令,并且能以手术刀般的精确度还原参考图。
有了这么强的能力,就很难再满足于静态网站了,尤其是现在这么多AI网站看起来都很千篇一律。
不过他也指出,它并不是突然就完美了。如果你不指定具体的图片,它仍然会生成那种千篇一律的AI插图;在处理像人物和狗这样的3D对象时还是有些困难;你仍然需要运用审美,去修复重叠元素、负空间和滚动行为;而且因为它运行得更快,他消耗token的速度也非常非常快。
这种烧token的问题,我们马上会再谈到。
关于前端设计,Mia写道:“我让Claude 5.1创建了100个HTML文件。”
规则很简单:看起来惊艳,设计零重复,全力发挥创意模式。
全部100个文件都在一个提示词里生成。
这是我在这类实验中得到的最好结果,打败了其他所有模型。
它在前端方面真的很好,而且几乎没有任何损坏的文件。
真的令人印象深刻。
企业家Matthew Miller写道:“Claude 5.1是我用过的最好的模型。”
自从它发布以来,我什么任务都扔给它做。
每一个任务都完美完成。
一次性完成任务的能力是我前所未见的。
你只需要问一次,它就能直接给出结果。
但真正让我震惊的是安全方面。
我可以把安全任务交给Claude 5.1,它不会退缩或拒绝。
它发现并修复了我代码库中Claude 5拒绝修复的漏洞。
这是我觉得AI进步最快的一次,而且GPT-Astra和Grok 4.7都快要发布了。
世界即将改变。
现在,每次有新模型发布,你总可以指望Every提供最全面的评测之一。
这当然是他们的“Vibe Check”系列,他们对Claude 5.1的总结是:Anthropic又回来了。
首席执行官Dan Shipper写道:“这是我们用过的最强的编程模型,而且现在它速度快、token效率高,最关键的是,它说话真的像普通人一样。”
Every的团队发现它在编程方面是个怪兽。
Dan说,Kieran Kloss仅用一个提示词就重建了他们一个产品的可工作版本,而且Claude 5.1还添加了一些他并未要求的实用细节。
在写作方面,Dan说它的散文更清晰,AI的痕迹更少,而且能接受修改而不反驳。
他们发现,在代理任务上,它使用的token大约是Opus 5的一半,完成速度大约是60%的时间。
Dan说,之前外界对Anthropic的主要批评是,他们在数据中心建造了一个天才般的模型,但却几乎无法使用。
它太慢了,会反驳,而且说话像技术胡言乱语。
他们通过Fable 5.1成功解决了这些问题,甚至更多。
而且更重要的是,我觉得Dan找到了很多重度用户可能会采用的使用模式。
他写道,我日常工作中用得更多的还是ChatGPT,但在Fable 5.1上消耗的token却多得多。
我每天一开始就让它去跑大的编程项目,比如端到端的MVP构建,然后偶尔检查一下进度。
这某种程度上已经是重度用户一段时间以来的分工方式了。
GPT-5/6模型和Codex用于需要与AI协作的交互式任务,而Fable模型则用于不需要太多交互的长时间运行任务。
Prime Intellect的Will Brown也表示赞同,他说,天啊,这个模型太疯狂了。
他们真的只是让它更聪明,编程能力更强了。
它直接就能做事。
他们让它变得合理,不再是一堆垃圾。
这太酷了。
你可以给它更多的工作,它直接就能干完。
代码质量相当不错。
它能很好地解释重要内容,遵循指令,还能自己发现错误。
至少在这几周里,它是我用过的最有AGI感觉的模型。
目前要说到批评意见的话,绝对是在于这个模型对token的消耗量巨大,而且很快就会触及订阅的使用上限。
Steve Jabs写道,Fable 5.1加上大约12个子代理,在20倍Claude Max套餐里能消耗1小时的使用量。
Chubby写道,根本没法用。
速率限制太离谱了。
哦对了,Fable的自动续写有bug,根本用不了。
Fable 5.1根本没法用。
它太贵了,你几乎用不了超过30分钟。
而且两周后周上限还会更低。
这不是一个适合长时间工作的模型。
即使是不喜欢夸张的人,比如前投资人Jeffrey Emanuel也写道,Fable 5.1的使用量肯定有问题。
我猜可能是新版Claude代码里的缓存bug。
我今天竟然用完了所有28个最高20倍账户的额度,至少是5小时使用限制,只是审计了我的一批项目。
有史以来第一次。
企业家Adam B. Levine深入调查后表示,他可能找到了问题所在。
他写道,一个小贴士:Fable 5.1消耗了大量额度,结果发现它决定每个子代理都应该用Fable 5.1,无视我们长期以来相反的规则。
在另一条推文中,他说,看起来5.1在大工作流中非常容易触发,比如使用10个Fable 5.1子代理,如果你运行多个代理或项目较大,即使20倍上限也会被吃掉。
基本上,如果你只是用默认设置让它跑,它会用5.1的方式来创建那些用来干活的小代理,那样的话资源很快就会烧光。
已经有人开始搞自己的成本优化方案了,但我倒是觉得Jan Valek说得对,他说订阅制会结束,API定价在等着我们。
我觉得到这个地步,那基本上是不可避免的,不过我也觉得大家老爱干一件事,就是在刚拿到模型那会儿就急着算成本,还没真的搞明白怎么用,也没等所有规范稳定下来,所以我不会惊讶如果你实际用起来比网上那些反馈要更省一些。
但问题是,特别是如果有严格的使用限制,那你很快就会发现自己在用API定价,那个还挺贵的。
说正经的,你能用Fable 5.1做到什么,是Opus、Sol、KIMI、Composer或者Grok做不到的?
给我说说你的实际用例。
告诉我我错过了什么。
一方面,我觉得大家问这个问题挺对的。
就像现在几乎所有企业都在搞多模型架构,想把合适的任务对应到合适的能力水平,大多数个人也会面临类似的情况。
或者说,他们可能没有一个自动的路由器,但他们自己心里有数,设计了一套系统,知道对于不同类型的请求该用哪个模型和什么设置,这样就不会把所有东西都砸在最先进最贵的模型上。
用最高的设置。
同时,有个想法已经流行好一阵了,就是说现在的模型已经这么好了,在很多用例上,没人能真正区分它们之间的差别,你要是还考虑用最贵最先进的模型,那肯定是在自欺欺人,觉得自己能看出差别来。
我完全不认同这个说法。
因为多个模型都能成功完成一个任务,就说它们可以互换,这就像说如果两个人能完成同一项工作任务,那谁来做都一样,反正任务完成了。
当然,有些任务确实是这样,而这些任务恰恰就是你该用更便宜的模型来优化的。
但碰到很多高端的、重要的工作时,我仍然觉得,尽管这些模型都很能干,它们之间还是有很大的差异。
我特别建议大家建立一套自己的个人基准测试,用来测试新模型。
这些测试不非得是别人的任务。
它们可以是你在意的事情。
而且你可能会发现,对于你特定的任务,别人吐槽的模型效果很好,别人喜欢的模型反而不好使。
对我来说,那个个人基准测试列表包括几样东西。
基本上是研究、写作、战略和批判性思维,以及搭建——包括界面设计和架构部分。
你会发现,特别是涉及到写作或者战略思维这种事儿,很多偏好都是主观的。
换句话说,Anthropic不可能给我一个基准来测试它如何迭代NLW那些疯狂的新商业点子。
那是我必须亲眼看看Fable 5、Opus和Sol在实际中怎么处理的东西。
而且就算到了这个普遍都能干的模型时代,我仍然发现这类事情上有巨大的差异。
这里提醒大家,现在对于所有人来说,新模型出来时的问题不再是“我该换成这个模型吗?”
而是“这个模型怎么融入我的个人模型架构?”
这个模型在哪些用途上更好,值得付出它带来的财务或其他成本?
换句话说,最优秀的用户会想办法从新模型里榨出最大价值,而不是抱着“你只能选一个”的老想法,从一个模型晃悠到另一个。
最后再补充一点,我想指出,如果你经济状况不允许你随便在模型之间切换,那很多这些考量就会变得不同。
而关于这点,说它们总体上都挺有能力的建议是准确的。
确实,现在锁定单一生态系统从未如此合适,因为它们各自都非常有能力,尽管各有不同的取舍。
不过,现在好玩的部分来了——你可以亲自去测试、体验这些东西。
我很期待在这个 Labor Day 周末花时间测试一下,当然下周我会回来汇报。
那么现在,今天的 AI Daily Brief 就到这里了。
一如既往,感谢大家的收听或观看。
下次再见,peace。
Peace。
已剔除 2 处广告(点击展开查看)
First of all, thank you to today's sponsors: KPMG, Blitzy, Robots and Pencils, and HyperAgent.
To get an ad-free version of the show, go to patreon.com/AIDailyBrief, or you can subscribe on Apple Podcasts. To learn more about sponsoring the show, send us a note at [email protected].
Also, as I've been mentioning recently, our next set of executive agent leadership programs at Superintelligent are coming up just after Labor Day.
You can find out about those at training.besuper.ai.
Again, you can find out all about that at training.besuper.ai.
Read all about it at kpmg.com/us/geo.
Again, that is kpmg.com/us/geo.
Here's why most legacy modernization projects fail.
The AI doing the work can't understand codebases at scale.
It sees a small slice of context, examines syntax, and misses years of decisions distributed across the global application ecosystem.
Blitzy solves this the way it solves everything.
Grounded in your code before any migration begins, Blitzy's agents reverse engineer the entire legacy system into a persistent knowledge graph.
Every dependency, every constraint, every piece of tribal knowledge that used to live in one engineer's head.
From that understanding, Blitzy autonomously executes language migrations, framework upgrades, and monolith-to-microservices transformations, all validated end-to-end.
One Blitzy customer modernized a $10 million monolithic insurance stack in 16 weeks against a 137-week baseline with coding agents.
That's 9x compression.
Retire technical debt while accelerating your roadmap.
See how at blitzy.com.
That's B-L-I-T-Z-Y dot com.
At this point, it's no longer a question of whether companies are actively using AI.
Using it well, on the other hand, is a whole different story.
Robots and Pencils, though, is a company that I can point to that is actually built for this time.
They're an applied AI engineering firm working directly with clients on problems that matter to the business, not experiments that live in a slide deck.
Every engagement starts by working backwards from the outcome a client actually needs.
If you're trying to tell real AI engineering apart from noise in this space, that's the difference maker.
Head to robotsandpencils.com.
This episode of the AI Daily Brief is brought to you by HyperAgent, where you run fleets of agents your team can manage together.
Forget local agents and chat workflows waiting on your laptop to be prompted— HyperAgent deploys always-on agents in the cloud, doing real work across the tools your team already uses.
Marketing agents turn competitor moves into landing pages.
Sales agents enrich leads, draft emails, and updates the CRM.
Ops agent chases the paperwork and tracks the budget.
Every agent has access to shared context and follows your rules about scope and approvals.
It's time you had agents that feel like teammates.
Hire yours at HyperAgent.
Get $100 in credits at hyperagent.com/AIDailyBrief.