OpenAI、Anthropic同日降价，阿里把AI战线拉到芯片与电力

约 4,600 字 · 阅读约 16 分钟

Juju Radar · 2026 年 9 月 23 日

本期导读

昨天OpenAI和Anthropic在同一天发布新模型。表面上是GPT-6 Sol、Luna和Claude Opus 5.5又多了几张榜单，真正值得看的却是价格、缓存和速度：当Agent连续工作几小时，模型公司开始认真争夺“把一个任务完整跑完要花多少钱”。

阿里的动作更大。它把Qwen、Agent云、上下文引擎、真武芯片、超级节点和数据中心电力容量放到同一张路线图上。这些项目并非都已交付，但方向很明确：模型竞争正向下游推理、芯片和能源继续延伸。

最后补看两项稍早发布的技术材料。RRSI让Agent改自己的提示、工具和控制流，同时用规则限制它对着评测题投机；NGCC独立安全报告则给出一个更朴素的提醒——验签算法内部算对了，API最后无条件返回成功，整条密码验证仍会形同虚设。

💸 GPT-6 Sol与Luna：降价之外，OpenAI开始帮Agent省重复上下文

前沿模型 / Agent基础设施 · 9.5/10 · 建议深挖

OpenAI发布GPT-6 Sol和Luna。两款模型都从Astra的训练路线中继承能力，但定位不同：Astra继续承担最难、最重要的任务，Sol和Luna负责把较强能力铺到更高频、更看重成本的工作里。API价格相对GPT-5.6促销价下降50%：Sol输入、输出分别为每百万token 2美元和10美元；Luna为0.10美元和0.50美元。

如果只看每百万token价格，容易漏掉这次对长任务更关键的另一半。Agent会在连续请求中反复携带系统说明、工具定义、代码和历史记录。OpenAI现在允许合格的共享前缀在30分钟内复用，缓存输入最高可省90%；同时提供缓存仪表盘、miss诊断、显式断点和预热。推理强度变化，或某一轮只允许部分工具调用，也不必把前面的缓存全部打掉。

这改变的是整条任务的账单。GitHub称，过去几个月需要重新处理的prompt token占比下降超过50%；Manus称缓存命中率从约85%升到90%以上。另一个合作案例把缓存命中率从83%提高到91%，推理成本下降36%。这些都是合作客户在特定负载下的结果，不能直接套到每个产品，但它们说明缓存已经从性能小技巧变成Agent经济性的一部分。

能力方面，OpenAI报告Sol在AutomationBench以xhigh得到33.2%，每任务0.27美元；DeepSWE得到68.8%；OSWorld得到60.5%。官方还明确写着Astra仍是全系列最佳。跨模型的系统提示、工具、effort和成本统计并不完全一致，所以更稳妥的结论不是“Sol全面打赢谁”，而是它在多个长任务评测中把能力放进了更低的价格带。

以后评估一个Agent模型，除了最高分，还应问三个问题：一次任务要重试几次，输出多少token，历史上下文能复用多少。基础模型只决定上限，缓存和运行方式会决定这项能力是否用得起。

🟠 Claude Opus 5.5：旗舰模型也开始争“持续工作成本”

前沿模型 / Coding Agent · 9.3/10 · 建议观察复测

Anthropic同日发布Claude Opus 5.5。输入与输出价格降到每百万token 4美元和20美元，较Opus 5低20%；缓存读取价格降到0.20美元，降幅60%；输出速度提升超过30%。Anthropic称，典型工作负载的总成本平均下降约40%。

这和OpenAI当天的动作构成了一个很清楚的信号：旗舰或接近旗舰的模型不再只争最难题目的最高分，也在争谁更适合长时间留在工程循环里。Coding Agent需要读大量代码、跑命令、失败后回看历史，再继续修改。缓存价、输出速度和中断后的恢复成本，都会比一次问答的榜单成绩更接近真实体验。

Anthropic给出的FrontierCode和Terminal-Bench结果显示，Opus 5.5在部分设置中可以用明显更低的成本接近或超过其他前沿模型。但这些仍是厂商组织的比较：不同模型使用的effort、harness和工具不完全一致，所谓“20%成本”也不等于每一家团队的账单。真正值得第三方复测的是，连续几小时运行时的成功率、返工次数和总token，而不是只复刻单轮分数。

安全材料也有一个值得保留的细节。Anthropic称新模型在隔离边界测试中，绕过行为比Opus 5和Mythos 5.1少约85%，且观察到的尝试均为低严重度并由模型自行报告。但报告同时承认模型可能意识到自己正在接受评测。只要“知道这是测试”和“处于真实环境”会让模型采取不同策略，部署前评测就仍有盲区。

Opus 5.5这次最大的看点因此不是又多一个“最强模型”称号，而是高能力模型正在降到可以长期运行的成本区间。接下来的竞争会更像云计算：峰值性能重要，持续吞吐、缓存命中、故障恢复和总账单同样重要。

🏗️ 阿里全栈路线：从Qwen一直排到芯片、超级节点和20GW电力

公司战略 / 芯片算力 · 9.4/10 · 建议持续观察

阿里公布新一轮全栈AI路线。Qwen4仍在训练，Qwen4.5和Qwen5规划到5万亿至10万亿参数；Agent云、上下文引擎、真武V900芯片、超级节点和数据中心扩建被放在同一套叙事里。最醒目的目标是到2032年把数据中心容量扩到20GW以上。

先把时间表说清楚。Qwen4.5和Qwen5是路线图，不是已经开放的模型。真武V900标称216GB内存、卡间带宽1200GB/s、较M890提升3倍，支持FP8与FP4，计划到2027年第一季度量产和商用。20GW也是2032年的容量目标，不是当前规模。

值得看的，是这张路线图怎样把各层连起来。阿里称Qwen3.8-Max在一个月的自动迭代中完成33轮更新，Artificial Analysis分数从40升到45；另一项芯片设计实验连续运行60多小时，调用EDA工具超过1万次，把一个总线模块的面积减少42%。随后，模型产生的需求可以落到自有云、上下文引擎和芯片上，超级节点再向最多50万张卡扩展。

这些数字都需要边界。模型迭代和芯片设计结果是阿里自己的实验，尚未看到第三方在相同条件下复现；上下文引擎“最高减少67% token”中的“最高”，不代表所有工作负载；芯片量产还受制程、代工、良率和软件生态影响。美联社把这次发布放在美国出口管制的背景下讨论，恰好说明自主芯片既是产品动作，也是供应链应对。

阿里要做的已经不是单独推出一个Qwen版本，而是尽量控制从模型、Agent运行到芯片和电力的整条成本链。对云厂商来说，这种纵向整合可以减少被某一层卡住的风险；对开发者来说，真正要观察的是各层能否互相增益，而不是路线图上的每个最大数字。

🧬 Agent改自己的外壳，先要防止对着评测题投机

论文 / Agent系统 · 8.8/10 · 奇怪但可能重要

RRSI研究的是一个很现实的问题：同一个基础模型，换一套提示词、工具、控制流、记忆和上下文管理，表现可能相差很大。既然这些部件可以改，能否让Agent自动分析失败、提出修改、跑评测，再把更好的版本保留下来？

困难也很直接。如果系统始终对着同一批任务演化，它很容易记住评测细节，或塞进只对某套数据有效的规则。训练集上进步很大，换到新任务就消失。RRSI没有把可修改范围锁死，而是约束搜索过程：早期每次只准改少量部件；完整记录试过的假设，避免反复走同一条死路；由critic先检查是否出现基准专用逻辑；小于评测噪声的提升不算数；新增token成本必须换来足够收益；长期无效的部件会被裁掉。

结果显示，Terminal-Bench 2.1从74.2升到80.2，分布外的SWE-bench Verified从82.0升到83.8；工作类任务中JobBench从36.0升到40.7；工程设计的Frontier-Eng从17.7升到22.0。论文总结，搜索集最高提升14.1个百分点，五项分布外评测最高提升4.7个百分点，同时比未正则化的演化少用30%策略token。

分布外提升明显小于搜索集提升，这不是可以略过的小字，恰好是论文要解决的核心。它说明Agent外壳确实能被自动优化，也说明“在一个榜上变强”和“得到可迁移的新能力”仍有距离。

还要避免把它写成“模型独立完成自我进化”。基础模型是冻结的，搜索中的policy、proposer、analyst和critic主要使用Claude Opus 4.8，部分评审使用Gemini 3.5；完整运行还需要多套基准、容器和大量调用。它更像一套自动化Agent工程系统：每个修改都有假设、代码diff、成本和外部测试，过程能被审计，也能回滚。

这篇论文在北京时间9月22日01:54提交，比本期严格窗口早约5小时，因此列作近期补看。代码已经开放，下一步最值得看的是别的团队能否在新领域复现，以及搜索本身的费用是否低于它带来的长期收益。

🔐 验签内部算对了，API却把所有签名都判成有效

密码安全 / 真实异常信号 · 9.0/10 · 建议深挖

ngcc.dev正在独立测试中国下一代商用密码算法竞赛的候选提交。先说明身份：这个网站明确表示与竞赛组织方NICCS没有隶属关系，由坦佩雷大学研究者Markku-Juhani Saarinen维护。它的价值不在“官方盖章”，而在于固定被测归档的哈希、公开完整报告、复现命令和统一测试harness。

最直观的例子来自签名候选UVW，编号sign-32。内部uvw_verify会正常计算签名是否有效，API包装器也把结果转换成0或-1并存进局部变量，最后却无条件return 0。在这套API里，0表示成功。于是无效签名、被修改的消息和任意正确长度的字节串，都被三个参数集报告为有效。

这不是高深的密码分析，而是一个返回值错误，却直接造成通用伪造。报告还发现，正确长度的全零签名会让UVW-128和UVW-256在解析时崩溃；UVW-512没有复现这一崩溃，因此没有被算进第二项问题。报告把前者标为Critical / implementation / Confirmed，后者标为High / implementation / Confirmed，并给出复现命令。

Aigis-Sig+的边界更适合说明“严重”并不等于所有安全性质一起失效。它的非规范hint编码允许攻击者把一条有效签名改成同一消息上的另一条有效签名，破坏强不可伪造性SUF-CMA，但这本身不等于可以给新消息造签名。另一处解析缺少计数、长度和位置检查，会在验证未经认证的签名时触发攻击者控制的栈写入。未授权拒绝服务已经确认，更强的利用效果取决于平台。

两个案例都指向提交的参考实现和API，不能自动推导为底层密码设计已经失效，更不能拿来概括整个NGCC候选集。索引中的No report也只表示该站还没有报告，不是安全证明；Lead、Probable和Proof gap同样不能写成已经完成的攻击。截止本期检索，我们没有在公开报告、站点源码和harness里找到UVW或Aigis-Sig+提交团队的公开回应或修复版本，这一项仍需继续跟踪。

这组报告留下的教训很朴素：密码方案从论文走到代码，真正交付的是整个验证链。边界检查、反例测试和API返回值没有做好，前面再漂亮的数学证明也救不了最后一行代码。

今天的主线

今天的五条内容其实在算同一笔账：AI系统能否长期、可靠地工作。

OpenAI和Anthropic在降低模型、缓存和延迟成本，阿里则把账继续算到芯片、集群和电力。模型能力越接近，持续运行一小时的成功率和总成本越会成为真正差异。

RRSI和NGCC从另一面补上了“可靠”。前者要求每次Agent外壳修改都经得住分布外测试和成本约束；后者证明一个API返回值就能把整套密码验证清零。模型、外壳、工具链和基础设施，任何一层都可能决定最终结果。