模型换代比我交稿还快，我为什么反而松了口气

周六早上，这一周的模型动态摊了一屏。本来想做成清单，写了两行就删了——清单谁都会拉，值得回的是问题。

这周被问得最多的，加上我自己心里憋着的，一共四个。我一个个聊。

“模型一个接一个地发，我到底要不要每次都跟？跟了我自己的活就干不完了”

先把这周值得记的摆出来。

Kimi K3（据2026/09/09的模型盘点）：月之暗面7月发布的Agent模型，2.8T总参数、激活104B，最高支持1M token上下文，是目前总参数量最大的开源模型；MoE共896个专家、每次激活16个，原生支持视觉；KDA与AttnRes两项架构创新，让扩展效率比前代提升约2.5倍。

GPT 6 Astra：一档海外视频节目里提到它“全面追上”，并可能影响Anthropic原本排在美国劳动节后的IPO节奏。这是节目里的分析，不是官方口径。

Qwen3-Next（据阿里云百炼文档，2025年9月的信息）：总参数800亿、每次只激活30亿，性能对标2350亿参数的旗舰版，训练成本比同规模稠密模型降了九成以上，32K以上上下文的速度是Qwen3-32B的10倍以上。

三条放一起，我的回答是：跟。但别跟版本号，跟两条曲线。

一条是单位成本。K3把扩展效率抬了2.5倍，Qwen那代稀疏结构把训练成本砍掉九成——这类变化，下个月就会出现在你的报价单上。另一条是接口形态。上下文从256K到1M，意味着以前必须写代码去拆的活，现在一次喂进去就行，你那套切片逻辑可能直接作废。

至于“谁第一谁第二”，跟你客户的付费意愿，基本没关系。

对一个人干活的OPC来说，这条的意义在这儿：你不需要追每一个模型，你需要一套换模型的机制。我们自己的做法是给每个跑起来的工作流写一张“迁移卡”——入口在哪、提示词放哪、输出格式谁校验、换模型之后拿什么比对。三个字段必须写清：哪一步是模型判断、哪一步是代码判断、哪一步必须由人判断。卡不写，你迟早被某次版本更新在凌晨叫醒。

还有条内部规矩：任何给客户上线的工作流，必须能在半天内整套换到另一个模型上跑通。跑不通，不许上线。听着保守，其实最省心。

“模型都能联网搜了，我攒的那点信息差是不是白攒了”

联网搜索（阿里云百炼文档）：训练数据存在知识截止日期，开启联网才能回答实时问题。但它是分层能力——qwen3.8-max等在Chat Completions协议下不支持agent检索策略，得改用Responses API的web_search工具；MiniMax-M2.1、Kimi K2与角色扮演模型不支持agent策略；启用后仅返回搜索来源，每次调用额外收费。

这是今天最容易被低估的一条。

很多人一看“模型能联网了”，第一反应是：完了，我靠查资料吃饭的本事没了。恰恰相反。你去看文档里那些坑——哪个协议支持哪种检索策略、什么时候得绕到另一个接口、哪几个模型干脆不支持、额外怎么计费——这就是新的信息差，而且它比“我知道这个信息”更难被替代。

以前的信息差是“我知道”，现在的是“我知道该在哪一步让机器去查、哪一步必须我自己判断”。

再往生意上看：“仅支持返回搜索来源”，对做交付的人是利好。意味着你能交出一份带出处的报告，客户拿回去对得上、查得着、出了问题能追责。这在给企业做活的时候，比“答得快”值钱得多。

给OPC的建议很具体：把流程里的环节分成两类，必须联网查的和必须离线判断的，别让同一个环节同时干这两件事。检索交给agent多轮跑，判断你自己来。混在一起，出了错你连错在哪都找不到。

“大厂都在讲平台化、体系化，我一个做点状小工具的还有戏吗”

服贸会现场（新华社9月12日记者手记）：中国服务案例中，以AI、大模型、智能体为核心技术的占比近四成；美团“智能掌柜”把顾客评价按菜品、服务、环境归类成结构化建议；飞象老师3.0让教师用自然语言生成课堂互动应用；中通已有超3500台无人配送车在260多个城市投用，每天送包裹超870万件。德勤中国孟晓凡在会上说，AI正从点状应用走向平台化、体系化。

那句“从点状走向平台化”，估计让不少做小工具的人心里一沉。

但你把三个案例拆开看：智能掌柜吃的是“评价→结构化反馈”这一段；飞象老师吃的是“备课→课堂互动应用”这一段；无人车吃的是“最后三公里”这一段。没有一个是通用能力，全是一段流程做到极致。

平台化是平台的事。OPC的机会恰恰在那一段里。你不可能在“什么都能干”上赢，你有可能在“这一段里的意外”上赢——因为只有你天天蹲在这一段，知道它第几步会翻车、哪句话会让模型发疯、哪个字段客户一定会改。

所以别焦虑，去做一件很土的事：把你这一段流程里“会出错的十件事”列出来，每件配一个检查动作。这十条，就是你卖的东西，跟模型没关系，换谁家的模型它都值钱。

“高校都能Day 0上线最新模型、一天跑300亿词元，我一个人是不是永远追不上”

中国科大（校方新闻，9月11日）：DeepSeek V4.1 Flash于9月10日发布并开源，学校次日完成适配部署，成为国内首个面向师生开放该模型的高校；平台通过统一网关实现DeepSeek、GLM、Kimi、Qwen等主流模型Day 0上线，支持1M上下文；截至9月初已有12000名师生在用，日均处理词元超300亿，累计突破14000亿。

先说一个反直觉的点：这件事的重点不是“学校有钱买卡”，是“学校有一套适配机制”。模型发布当天上线，靠的是统一网关、统一认证、快速适配的流程，不是算力堆出来的。Day 0 是流程能力，不是硬件能力。

第二点更值得琢磨：日均300亿词元、累计14000亿。什么概念？词元已经成了一项跟水电一样的运营科目。还在按“账号订阅”算AI成本的人，账会算歪。

我们给老板配“AI战队”的时候，第一步从来不是选模型。是先把这个岗位这周要干的活拆成任务清单，然后一件一件估：这件事要烧多少词元、错了谁来发现、多久能返工。选模型是最后一步，而且随时可换——因为我们知道下个月它就会变。

你要的“机制”也不复杂，一张词元周报就够：这周花了多少、哪个环节最贵、哪个环节花了钱不办事。连续记一个月，该砍谁、该加谁，一目了然。

最后

把四个问题串起来，其实就是一句话：

模型换代快，不是你的敌人。它压低了“谁用得早”的价值，同时抬高了另一件事的价值——谁能把一个模型，接到一段真实的流程上，还接得住。

排行榜上的位置轮不到你操心。流程里那个位置，眼下还真只有你能坐。

小字提醒：本文所引信息均来自公开来源（厂商文档、新华社报道、高校官网新闻、公开视频节目分析等），时间截至2026年9月19日；其中2025年的旧数据已在文中单独标注，不代表当前版本。模型能力、协议支持与价格迭代极快，任何选型和成本判断请以你自己的实测和最新官方文档为准。本文不构成投资建议。