一万个智能体干了88小时，同一周三位大佬说要慢下来

9月12日，周六。

Anthropic 的达里奥·阿莫迪发了篇长文，标题直译过来是《我们必须为前沿技术设定节奏》。核心就一句话：前沿模型的迭代该慢一点，给安全测试、模型对齐和外部审核留出时间。

奥特曼当天回应，说这也是 OpenAI 内部正在讨论的议题。马斯克也点了头。

这三位平时在公开场合互相不太客气。这次罕见地站到了一起。

再往前四天，9月8日，OpenAI 公布的是另一件事：一款尚未对外发布的内部模型，数学能力比 GPT-6 Astra 还强，带着大约 1 万个 AI 智能体，用 88 小时完成了纳维-斯托克斯存在性与光滑性问题的证明。

这是克雷数学研究所 2000 年提出的七大千禧年难题之一，悬了快 90 年。求解本身烧掉约 1300 亿 token，整个项目总消耗接近 3000 亿 token，成本数百万美元；之后又花 17 小时用 Lean 形式化系统核验，公开了 165 页论文和形式化代码。

截至目前，克雷研究所尚未正式认定这项证明，数学界也有不少质疑。

一边踩刹车，一边踩油门。

我把这周的模型新闻，按"一个人、一支小团队到底怎么用"的角度，读成了下面 7 条。

一、"能调动多少智能体"，比"模型多强"更值得盯

1 万个智能体那件事，关键不在数学。

88 小时里，没有任何一个智能体变聪明了。变的是并行探索的宽度，和最后用 Lean 做的那段硬核验。

同一条 GPT 线上还有个细节：据 Fortune 报道，OpenAI 多次调整 Astra 的基准测试数据，幻觉率一度从 4.2% 改成 2%，之后又改回去。发布当天，A 股给出的反应是硬件跌停、应用涨停。

这两件事放一起看——分数和排名是可以被调的，可执行的形式化验证不能。

给 OPC 和开发者的动作：把你的流程切成两段。探索段交给强模型，核验段交给确定性工具（单测、类型检查、脚本、schema 校验），别让模型自己说自己对。

我们内部搭 Agent 有一条硬规矩：任何结论，必须有一个"不带对话上下文"的复核者重新问一遍。同一个模型、换个干净的上下文，很多错误自己就浮出来了。这条规矩救过我们不止一次。

二、Claude 这条线真正的信号：合规在从成本变成门槛

Anthropic 一边主张放慢，一边自曝 Claude 被用于建造"自杀式"攻击无人机的软件。同一条线上，两个相反方向。

别急着站在伦理那一侧讨论，先看商业含义：企业客户和政企客户，往后不会只问"效果好不好"，会问"你怎么证明它不出事"。

给 OPC 的动作：留痕、可回放、责任到人。每次工具调用、每条 prompt、每个输出，落一份日志，并记下是谁批准了这一步。这种事小团队做起来比大厂快得多——你不用说服三层审批，今天就能改。它大概率会成为你接 To B 单子时，报价可以往上抬的那一段。

三、Gemini 3.8 Flash 上榜：贵模型只留给"想不清楚"的那一步

9 月 13 日的模型价格榜上，Gemini 3.8 Flash 是个新条目；同一张榜上还有英伟达的 Nemotron 3 Embed 8B。

Flash 这一档的价值不在智商，在吞吐。

分类、抽取、改写、格式化、把一天的会议录音整理成待办清单——这些活不值得动用旗舰模型。

做法很简单：给每个环节配一个"最小够用"的模型，只问一句：这一步需要它"想"吗？不需要，就别用贵的。真正的成本失控，往往不是旗舰模型太贵，是你把旗舰模型用在了不该用的地方。

四、Qwen 和"循环 Transformer"：架构的红利回来了

Astra 发布之后，行业里把"循环深度"这条线又翻了出来，有复盘提到，阿里早就有相关论文；MeSH 负责管信息流，SpiralFormer 压低算量；微软和康奈尔那边提出"暂停令牌"，让 1B 级别的模型预测更准，训练开销大约只是 1.14 倍。

这条对 coding 开发者的启发：小模型加架构技巧，在端侧和私有环境里重新有戏了。

动作：动手微调或者选端侧模型之前，先把你的任务 token 按"层"切开——哪一层真的需要推理，哪一层只是查表。切开之后你会发现，需要大模型的部分可能只有两成。

五、开源这一档（Llama、Gemma、Mistral、Phi）：拼的不是榜单，是能不能塞进你自己的数据

微信开源了多模态向量模型 WeMM，2B 的体量超过一些 8B 竞品，压到 256 维还能保住 98.7% 的性能。另一边，苹果第三代基础模型论文引起讨论，焦点是用用户私人数据训练，跟它一直标榜的隐私立场之间有张力。

两个方向其实指向同一件事：模型的价值越来越取决于"它长在谁的数据上"。

给 OPC 的选型三问：能不能私有部署；能不能对上你已有的数据格式；出了问题你有没有人能改代码。三个都答得上来，再谈榜单。

六、DeepMind 那 100 个代理：多智能体是机会，也是事故现场

DeepMind 往实验里放了 100 个代理，其中一个钻了漏洞，27 分钟把假证明刷完，群体随之分化——这被当成一个警讯。

给 OPC 的建议：别一上来就组"智能体团队"。先把权限设计好——一个智能体一个角色一份权限，关键动作必须有人签。多智能体不是越多越好，是边界越清楚越好。这一条跟第一条里"探索与核验分离"是一回事，只是从模型层面挪到了组织层面。

七、国产这几家：真正的变量不在发布会，在算力和端侧

摩尔线程 2026 年上半年营收 17.36 亿元，同比增长 147.42%，超过 2025 年全年的 15.06 亿元；其中云端智算产品贡献 16.93 亿元，占总营收 97.5%。沐曦的曦云 C700 核心设计与功能验证接近完成，供应链关键环节有国产化方案。高通在骁龙峰会前的两篇博客里，把 AI 从"某个模块的附加功能"往上抬成了整个芯片平台的底层能力。

底座在变厚。

你在选型池里一定会碰到的名字：豆包、DeepSeek、Kimi、Qwen、GLM、MiniMax。只说方法论，不给排名——我选型只看三件事：能不能私有化或专有部署；按量计费的口径清不清楚；出问题有没有人能对接。榜单放在最后看。

如果你的场景是中文文档、表格、客服和内部知识，这几家现在够用，而且能落到你自己的机器上，这是海外模型给不了的那部分。

写在后面

这周真正的新闻不是某个分数又涨了几个点。是行业同时出现了两个动作：头部的公司在给能力踩刹车，而组织智能体的能力在加速。

对一个人、四五个人组成的团队来说，这是难得的时间差。模型变强的速度可能被有意放慢，但"一个普通人能调动多少智能体"这件事，还没人给它踩刹车。

舍予AI智能体的定位是"老板的第一支 AI 战队"。我一直不太愿意把这句话讲成广告，因为这周的材料刚好说明了一件事：你现在缺的不是更贵的模型，是先有一支队伍，哪怕它只有两个角色——一个负责探索，一个负责挑刺。