导语
如果说 2023 年大家在争「谁的模型更会聊天」,2024 年在争「谁的模型更会写代码」,那么 2025 年 11 月这一周,行业终于把问题换成了另一个更本质的版本:谁的模型能自己把活干完。
11 月 20 日前后的这 72 小时,是今年信息密度最高的一个窗口。谷歌用 Gemini 3 把分数榜重新洗了一遍,同台还扔出一个 AI 原生 IDE;OpenAI 没开发布会,静默放出两枚模型,其中一枚被描述为「能连续自主工作超过一天」;微软和英伟达则用 150 亿美元把 Anthropic 拉到了 Azure 的牌桌上。三条线同时推进,指向的是同一件事——模型竞争的评价尺度,正从「能力」转向「可交付的成果」。
作为长期跟踪这条赛道的人,我把今天值得记下的东西整理成下面几块,尽量说清「发生了什么」和「它意味着什么」。
一、Gemini 3 登顶:1501 Elo,谷歌把失去的位置拿回来了
谷歌正式发布 Gemini 3 Pro,LMArena 上以 1501 Elo 登顶,Humanity’s Last Exam 拿到 37.5%(2.5 Pro 是 21.6%,无工具条件下),GPQA Diamond 91.9%,在被称为「AI 界图灵测试」的 ARC-AGI-2 上取得 31.1%,几乎是 GPT-5.1(17.6%)的两倍;开启 Deep Think 模式后这一项可以推到 45.1%。WebDev Arena 上以 1487 Elo 排名第一。
配套一起发布的还有几样东西:Deep Think 推理模式、Nano Banana Pro(Gemini 3 Pro Image)、以及最值得开发者关注的原生 IDE Antigravity——把 AI 代理、代码编辑器、浏览器三件套装进一个工作台,用「任务列表 / 实施计划 / 演练报告」这种产物驱动的方式让 Agent 的工作过程可审阅、可批注、可回滚,目前支持 Gemini 3 Pro、Claude 4.5 Sonnet、GPT-OSS-120B 免费使用,三平台齐发。
探索者视角:这次真正有意思的不是分数,而是两点。
第一,「拒绝奉承」被当成产品特性写进了说明。谷歌明确说 Gemini 3 会直接指出你的方案有问题,而不是顺着夸。这不是人格设定的小趣味,它意味着厂商开始意识到:当模型被用来做决策辅助,讨好型输出是负债而不是资产。我自己测试时的感受是,它反驳的频率确实比前代高,但也更愿意给出「为什么这么想」的推导链。
第二,模型和工具链开始捆绑发布。以前是「先有模型,再等生态长出工具」,现在谷歌的做法是模型 + IDE + Agent 编排一起上。这条路的潜台词是:单纯卖 token 的窗口正在关闭,能锁定开发者日常动线的是工作台。这对做独立开发的人其实是个好消息——入场成本在降低,Antigravity 免费给三个模型用,等于把「试错账单」先替开发者付了。
顺便记一个细节:社区已经用几句 prompt 在 Gemini 3 上做出翻卡消除、复古拍立得相机这类小应用,甚至能把单张图片直接变成可交互的 3D 场景。这类「vibe coding」的爆发,对做小游戏和独立 App 的人来说,是产能层面的真实变化——从「想个玩法」到「能玩个原型」,中间那段最费劲的路被压短了。
二、OpenAI 的静默两连发:一枚做深度,一枚做长跑
没有发布会,OpenAI 直接推了 GPT-5.1 Pro 和 GPT-5.1-Codex-Max。
GPT-5.1 Pro 面向所有 Pro 用户推送,定位是写作、数据科学、商业任务这类「复杂但需要清晰表达」的场景——官方措辞是「更清晰、更有能力的回答」。真正让开发者社区兴奋的是 Codex-Max:它被描述为增强型 Agentic 编码模型,首次采用「压缩」机制,可以连续工作 24 小时以上、处理数百万 token,做项目级的长时间自主任务。社区反馈是 OpenAI 一贯的「自我低估」,实际在硬问题上的表现相当能打。
探索者视角:Codex-Max 的价值不在跑分,而在它重新定义了「一次任务」的边界。
过去的编码助手是会话式的:你问一句,它答一段,上下文到了就断。而「连续工作一天」意味着任务粒度从「一个函数」变成「一个项目阶段」。这会带来一个很现实的工程问题——你怎么审阅它一天里做的一百多次修改?行业这一轮给出的答案基本趋同:产物化 + 可回滚。谷歌用演练报告,OpenAI 用分支式提交,Warp 用交互式代码审查。谁的审计体验做得更细,谁才真正拿到「自主开发」的通行证。
另一个值得注意的点是 Anthropic 同期把 Claude Code 的免费额度延长到了 11 月 22 日。三家在这件小事上的动作方向一致:先用免费额度把开发者的日常动线占住,再谈付费。
三、150 亿美元押注:Anthropic 成了多云时代的第一个「中立模型」
微软与英伟达宣布向 Anthropic 投资至多 150 亿美元(英伟达至多 100 亿、微软至多 50 亿),Anthropic 则承诺采购价值 300 亿美元的 Azure 算力,同时追加一吉瓦级英伟达产能。Anthropic 估值被推到 3500 亿美元量级。Claude 由此成为第一个同时跑在 AWS、Google Cloud 和 Azure 三朵云上的前沿模型。
有意思的是市场的反应:消息公布后微软股价反而跌了 2.7%。《经济学人》这一期直接以「OpenAI 的主导地位已现裂痕」为题,把这件事和谷歌同日发模型放在一起解读——过去那种「以 OpenAI 为圆心」的循环交易结构,第一次出现了明显的离心力。
探索者视角:这条新闻如果只读成「Anthropic 拿了钱」,就错过了重点。
真正的变化是模型层与云层的关系在被重新定价。OpenAI 自己承诺的算力支出累计已达 1.4 万亿美元级别,这种「借钱建数据中心」的扩张方式,最近几周被投资者拿着放大镜审视,甲骨文的净债务和负现金流成了这一轮 AI 股回调的「最弱一环」。而 Anthropic 走的路线相反:先拿云厂商的钱,再把算力采购承诺签回去——财务上它把资本开支风险转移给了资产负债表更厚的对手。
这对开发者的直接影响是:多云可选择不再是理论上的自由。Claude 同时在三家云上,你可以在不换模型的前提下换供应商,采购谈判的筹码第一次真正落到使用方手里。对小团队来说,这是件值得高兴的事。
四、Grok 4.1 Fast:2M 上下文,把「便宜且能调工具」做成卖点
xAI 发布 Grok 4.1 Fast 与 xAI Agent Tools API。200 万 token 上下文,主打工具调用能力,适用于客服支持和深度研究;输入 0.2 美元 / 百万 token、输出 0.5 美元 / 百万 token,幻觉率降低一半,开发者可免费体验两周。此前的 Grok 4.1 双版本也已铺开:Thinking 版以 1483 Elo 登顶 LMArena,非推理版 1465 Elo 居第二,EQ-Bench 情商测试 1586 Elo 第一,创意写作比上代提升约 600 分。
同期 xAI 宣布与沙特阿拉伯达成合作,沙特将成为首个国家级大规模部署 Grok 的国家,并在当地建设新一代超大规模 GPU 数据中心,配套 500MW 英伟达算力。
探索者视角:Grok 4.1 Fast 的定位非常精准——它不跟 Gemini 3 Pro 抢「最强」,而是抢「最划算的 Agent 底座」。
2M 上下文 + 低价 + 强工具调用,这个组合指向的是一类具体工作:需要反复读大量材料、然后按流程调用多个接口的任务。实测中它在复杂编程任务上表现不佳,这反而说明它的取舍是清醒的——把预算花在长上下文和工具调度上,而不是刷代码榜。
对做独立产品的人来说,这是今年少见的「性价比型基础设施」。如果我在做一个客服或研究类 Agent,我会先拿它跑两周免费的,把单次任务成本算清楚,再决定要不要上更贵的模型。
五、国内这一天的密度:从规模竞赛转向效率革命
国内厂商在同一天的发布节奏,密集到需要列表:
| 厂商 | 模型 | 关键指标 |
|---|---|---|
| 百度 | 文心大模型 5.0 | 2.4 万亿参数,原生全模态架构 |
| 华为 | 盘古 Ultra-MoE-718B-V1.1 | 718B 参数,激活仅 39B,AIME25 得分 77.50% |
| 阿里 | Qwen3-Next | 800 亿参数,推理仅激活约 30 亿 |
| 微博 | VibeThinker(开源) | 数学竞赛基准超越 DeepSeek R1,单次后训练成本约 7800 美元 |
| MiniMax | M2 编程套餐 | 首月 9.9 元,价格为 Claude 的 8%,TPS 稳定 100+ |
| 小红书 | RedOne 2.0 | 4B 与 30B-A3B 双版本,SNS-Bench 表现突出 |
探索者视角:把这张表横着看,会发现一条很清楚的暗线——大家都在压缩「激活成本」。华为 718B 只激活 39B,阿里 800 亿只激活 30 亿,微博用 7800 美元做完一次后训练。这不是巧合,而是行业共识在迁移:算力约束下,比参数规模更值钱的是「单位任务的有效算力利用率」。
微博 VibeThinker 的那个 7800 美元特别值得记住。它说明一件事——在特定窄领域上,用小成本做出一流效果已经可行。对独立开发者而言,这意味着「自建一个懂我的领域模型」第一次进入了可负担区间。我个人的判断是,未来一年会冒出一批看起来很「土」但极其好用的垂直小模型,它们不会上榜单,但会在具体工作流里干掉通用大模型。
MiniMax M2 的定价策略也值得一提:首月 9.9 元、价格是 Claude 的 8%、代码质量和 Claude Sonnet 4.5 基本持平。这是典型的「用价格换调用量,用调用量换生态位」。
六、Meta SAM 3:分割这件事,终于能听懂人话了
Meta 发布 Segment Anything 3,支持用短文本短语和示例提示来检测、分割、追踪图像与视频中的物体,一张图含上百物体时处理约 30 毫秒。SA-Co 基准上,SAM 3 在概念分割性能上相比现有模型提升约一倍,优于 Gemini 2.5 Pro 等基础模型和 GLEE 等专业基线;用户对输出的偏好度约为最强基线 OWLv2 的三倍。同时发布的还有用于 3D 重建的开源模型 SAM 3D,以及零门槛体验平台 Segment Anything Playground,并宣布与 Roboflow 合作支持微调部署。
探索者视角:SAM 3 最被低估的改变是「提示形态」。
前两代 SAM 需要你点、画框、给掩码,本质是「你告诉它哪个是目标」。SAM 3 可以直接接受一句话,比如「穿红衣服的人」——交互一下从几何操作变成了语言操作。这对做素材处理的人意义重大:批量抠图、换背景、视频逐帧分割,过去要写脚本 + 人工校对,现在可以用一句话描述规则然后批量跑。
30 毫秒处理上百物体也意味着它会进入实时链路:视频剪辑、AR、机器人视觉。作为常年要处理游戏素材的人,我看到的是「抠图这件事从工序变成了参数」——这大概是今天所有发布里,对我日常产能帮助最直接的一条。
七、企业侧:微软把「管 Agent」做成了一门生意
微软在 Ignite 2025 上推了三件事:Agent 365,一套注册、保护、管理企业内 AI Agent 的控制平面;Copilot Control System,负责治理、遥测与报表;以及 Work IQ 智能层,记忆用户的风格、偏好、习惯和工作流程,并根据提示推荐合适的智能体。定价上,Microsoft 365 Copilot Business 面向 300 人以下中小企业,12 月起 21 美元/人/月;Security Copilot 将并入 M365 E5。此外 Win11 任务栏已可输入「@」召唤并管理智能体。
同期还有一条容易被忽略的:Cloud Security Alliance 推出 STAR for AI Level 2 认证,第一次给 AI 安全与治理技能立了标准。
探索者视角:Agent 365 的出现标志着一个阶段结束——Agent 从「个人玩具」进入「需要审计的资产」。
一旦企业里跑着几十个 Agent,问题就不再是「它聪明不聪明」,而是「谁授权的、它干了什么、出事怎么回滚、日志在哪」。这正是 Agent 365 要卖的。我的判断是,未来两年企业采购 AI 的第一道门槛不是模型能力,而是可观测性。
Work IQ 也值得留意:它把「记忆」从模型能力里剥出来,做成一个独立的基础设施层。这个设计思路挺聪明——记忆归平台管,模型可以随时换。对我们这种既做产品又自己写代码的人来说,这其实是一个可以借鉴的架构决策:把容易过期的部分(模型)和需要长期沉淀的部分(用户偏好、工作流)分开。
八、应用与市场:泡沫讨论与真实增量同时发生
应用侧今天有一批密集动作:阿里千问 App 公测两天冲进 App Store 免费总榜前三,实时翻译支持 119 种语言互译;Manus 推出 Browser Operator 扩展,让任意浏览器无需装完整应用即可升级为 AI 浏览器,能读取已登录会话、跨标签页执行任务;Poe 上线群组聊天,支持 200 人实时协作、集成 200+ 模型;OpenAI 面向美国 K-12 教师开放免费 ChatGPT(至 2027 年);谷歌推出 Google Scholar Labs 做学术问答与论文摘要;DeepMind 发布 SIMA 2,一个能在虚拟 3D 世界里自主游戏、推理并持续学习的通用智能体。
与此同时,质疑声也在放大:Hugging Face CEO 直言我们身处的是「大模型泡沫」而非「AI 泡沫」,认为把所有资金押在「用海量算力训一个模型解决所有问题」上的思路可能在明年破裂,未来属于更便宜更快的专业化小模型;摩根士丹利则给出乐观一侧的预测——AI 购物代理到 2030 年可为美国市场带来最高 1150 亿美元增量。
探索者视角:这两条看似矛盾的消息,其实是同一件事的两面。
泡沫在单一模型 + 通用能力这条线上,增量在具体场景 + 可交付动作这条线上。Hugging Face CEO 说的「不是 AI 泡沫」很准确:AI 本身确实在产生真实价值,被高估的是「一个模型通吃」的叙事。而购物 Agent 那 1150 亿美元的预测,指向的恰恰是有明确动作闭环的场景——比较、下单、售后,全是可验证的结果。
对我们这种做小产品的人,这是一份相当清晰的路线提示:不要试图做「更强的通用助手」,去做「某个流程里唯一能把事办完的那个东西」。流量红利在通用入口,但留存和付费在垂直闭环。
结语
把今天这八条放在一起,我看到的是一次评价体系的切换。
榜单还在更新,Elo 还在爬,但从谷歌把 IDE 和模型一起发、OpenAI 把「连续工作 24 小时」当核心卖点、微软把「管理 Agent」做成独立产品这几件事看,行业已经默认了一个前提:模型的价值最终由它交付的成果来衡量,而不是由它答对多少题来衡量。
这对个体开发者是难得的时间窗口。工具链在降价(Antigravity 免费给三个模型、MiniMax 首月 9.9 元、Grok Fast 两周免费),能力在向长任务延伸(24 小时自主工作、2M 上下文),而审查和回滚的基础设施正在被补齐。换句话说,一个人现在能独立承担的工程量,比一年前明显更大。
我的建议很简单:与其继续追榜,不如挑一个自己最熟的流程,用今天这些新工具把它端到端跑一遍,看清楚哪一步还在卡。榜单下周会变,那个卡点不会。
明天见。