能写代码的AI不稀奇，能“验完再交”的才要命

昨天跟一个做跨境独立站的OPC朋友吃饭，他跟我吐槽一件事。

他让AI改一段订单判重的代码，AI特别自信，连回五次“已修复”。结果他一跑，全崩。最后他自己逐行看了一遍，发现模型根本没跑测试，是“嘴上说跑了”。

这不是他一个人遇到的事。过去半年，太多创业者被AI代码Agent“能写不能验”这件事坑过。

所以今天清华那个开源模型出来的时候，我第一反应不是看榜单，是看它到底怎么解决“验证”这件事。

值得关注。

清华深圳国际研究生院刘厚德、王立博团队开源了一款代码大模型，叫VeriLoop Coder-E1，中文名“循证”。

这个名字起得很准。它做的事情，不是让AI闷头写代码、写错了再重来，而是装了一套“循证闭环”：每一轮生成的代码必须先经过测试验证，通不过就分析原因、修正错误，然后再验证，直到产出可靠代码。

说白了，它跟普通代码模型最大的区别，不是写得多快、多花哨，而是它每一轮都要“验完了再交”。

这次VeriLoop Coder-E1在几个公开软件工程基准上的得分很有意思。

SWE-bench Verified 85.20，SWE-bench Pro 62.38，Terminal-Bench 2.0 76.40，Deep SWE 33.63。

截至2026年7月27日，按Hugging Face公开社区榜单上的团队自发布结果看，在32B及以下开源模型里，这款模型前三项排第一，智能体基准排第二；在全部开源模型里，四项分别排第二、第一、第一和第五。

对比对象里有DeepSeek-V4-Pro、MiniMax-M3、GLM-5.2、Kimi-K3、Qwen3.6-27B这些大家耳熟能详的名字。

32B的模型，在验证类基准上压过一堆更大参数量的旗舰，这个信号比单纯的“又刷榜了”更值得创业者记一笔。

它背后那个哲学，我挺认可的。

团队讲，循证不是拿信息给既有结论做装饰，而是让证据去挑战甚至推翻系统当前的认识。系统不是反复修改自己，而是被证据纠正之后，改变“未来如何发现错误、判断错误、纠正错误”的方式。

这句话翻译成OPC创业者能听懂的话就是：

AI不能只会说“我改好了”，它得给你看“我跑了什么测试、结果是什么、哪个没过、为什么没过、我改了什么、再跑一遍的结果是什么”。

这个变化为什么关键？

因为过去AI写代码，解决的是“生成”问题。但真实软件工程里，写代码只是开头。改一个订单判重逻辑，可能牵连到促销叠加、币种换算、库存扣减、风控规则十几个模块。

没有验证的代码，不是代码，是风险。

这也是我为什么觉得“验证”正在成为AI编程落地的关键变量。

当天还有一个新闻，跟这件事可以放在一起看。

GLM-5.3的API上线了，官方说擅长复杂编码、防御性网络安全和长程任务，在AA综合智能指数里拿了60分，和Claude Fable 5、GPT-5.6 Sol这些闭源旗舰同级，还和Kimi K3并列开源模型第一。重点在于，它的单任务成本是旗舰模型里最低的，API定价和GLM-5.2持平，权重下周五开源。

一边是“验证能力”往上走，一边是“调用成本”往下压。

这两个变量凑在一起，对OPC创业者意味着什么？

意味着你终于可以认真考虑让AI代码Agent去碰那些“错了代价很大”的活儿了——不只是写个周报脚本、做个表格处理，而是订单系统、库存同步、财务对账、客服工单流转这一类。

但前提是，你得让AI“先验再交”。

开源生态那边也在动。

阿里千问过去6个月全球累计下载量突破30亿次，超过Meta和Google，开源了超过460个模型，生态衍生出30多万个衍生模型。Hugging Face 8月14日的开源模型现状报告把千问列成了开源AI生态里规模最大的基础之一。

Replit则甩出一个动作：推出由GPT-5.6 Luna驱动的Free Mode，让用户不用管token成本，就能把想法变成能跑的软件。OpenRouter同一天宣布和Stripe合并，披露它每天处理来自400多个AI模型、超过10万亿token的调用，服务超1000万开发者。

这些数字背后是一件事：模型的“单位智能成本”在快速下降，分发的管道在变粗。

我个人的判断是，对OPC创业者来说，下一阶段真正拉开差距的，不一定是“谁用了更贵的模型”，而是“谁的AI干活有验证、能接手、可追溯”。

我们自己在舍予AI智能体给老板搭AI战队的时候，对代码类的Agent设了一条死规矩：

不许只回“改好了”。必须附上“我改了什么、我跑了什么、结果是什么”。

去年有个做出海家居的客户，核心痛点是SKU价格改了，库存和利润表没跟上，经常月底发现账面差了一截。我们不是去追最新的模型，而是把他那个“价格更新—库存同步—利润重算”的链路拆开，每一步让Agent给出验证结果再进入下一步。错误率降下来一大截。

这件事让我很确信一点：

模型写代码的能力，已经过了“能不能写”的阶段。现在卡住OPC的，是“敢不敢用”。

而“敢不敢用”的核心，就是验证。

所以今天看到VeriLoop这个开源模型，我心里是有点兴奋的。

不是因为榜单多好看，而是因为它把“验证”这件事做成了一个可以被普通人调用的能力，而且开源。

这意味着你不需要养一支测试团队，不需要等大厂出个企业版方案，你自己就能在本地把“验完再交”这个环节补上。

当然，也别把这款模型神化。官方仓库的下载量只有763次，两个主要社区量化版本分别是16120次和8541次。也就是说，它还处在一个非常早期、非常工程化的阶段。

但这反而是个机会窗口。

那些还在纠结“哪个模型写代码最好”的创业者，大概率还会继续被“表面上修好了”坑下去。

而那些开始把“验证”当回事的人，才有机会把AI从“帮忙写点东西”推到自己生意的核心流程里。

最后说三个建议，给正在做OPC的朋友。

第一，别问AI“能不能做”，先问它“你怎么证明做对了”。把验证当作交付的一部分来要求。

第二，给AI的每步结果加一道“人工可接手的验收口”，不用你懂代码，但你得能看到证据。

第三，关注这类把验证、测试、闭环做进模型本身的开源项目。它们是下一阶段落地场景的底座。

今日适合把你那个“我改好了”的Agent，重新拿出来审一遍。

它到底验过没有？

_{本文涉及模型能力、榜单数据与行业动态截至2026年8月20日前后，以各官方发布与公开资料为准；模型表现受部署环境、版本、任务类型影响，具体以实测为准。文中案例与做法仅作参考，创业者请结合自身业务与合规要求独立判断。}