八月第一周复盘：当"交付"成为新的标尺

周六早晨，回看这一周

8 月 8 日，星期六。上一周的新闻清单长到需要专门坐下来整理：一个内部版本的模型解开了十道数学难题，一个 2.4 万亿参数的模型在无人干预下写完了一个开源项目，一款旗舰模型的开源权重正式落地，一次财报季让"算力收租"四个字变得具体，还有一场判决、一部法案同时给行业画出了新的边界。

信息量太大，反而是复盘的时机。以下先按时间把这一周发生的事排一遍，再做三条线的梳理，最后是我的几点想法。凡是数字，都附了来源。

七天，五款模型，一份成绩单

8 月 1 日，OpenAI Astra 的十项突破。 OpenAI 公布下一代模型系列 Astra 内部版本在数学与理论计算机科学上的十项成果，覆盖高维球体堆积密度上界、非 sofic 群、Connes 刚性猜想等长期悬而未决的问题；按 Sol API 费率折算，求解总 token 成本约 2000 美元。完整的 249 页论文与 Lean 形式化证书均已公开（Ten Proofs 论文、GitHub 证书仓库）。值得记录的不只是"解出来了"，而是"生成思路 → 撰写论证 → 形式化验证"的闭环走完了。

8 月 2 日，Kimi K3 开源权重落地。 月之暗面公开约 2.8 万亿参数、每 token 激活约 104B、支持 100 万 token 上下文的开源模型，成为当时全球最大的开源权重模型，并支持本地私有化部署。同一天，慕尼黑地区法院裁定 AI 音乐公司 Suno 侵犯版权，欧盟《人工智能法案》第 50 条透明度义务正式生效——能力与规则在同一天各进了一步。

8 月 3 日，Qwen3.8-Max 与榜单同时到来。 阿里巴巴发布新一代基座大模型 Qwen3.8-Max，总参数 2.4 万亿，采用稀疏 MoE 架构，单次推理仅激活 95B 参数（腾讯新闻）。它最具讨论度的表现是：从一个空文件夹出发，无人工干预独立运行约 16 天，完成可用的自进化智能体框架 oh-my-cli，在 GitHub 产出 265 次提交；官方披露 PaperBench 编程智能体评测得分 93.0，OSWorld-Verified 电脑操作评测 86.1 分居首（网易）。同日，OpenRouter 周调用量榜前五首次全部由中国模型包揽，中国模型合计 28.13 万亿 Token，连续十四周超过美国（OpenRouter 周榜报道）。

8 月 4 日，开源与低价同频。 MiniMax 正式开源全模态视频模型 H3，统一理解文本、图像、视频与音频，生成最长 15 秒、2K 分辨率、带原生立体声的视频，Artificial Analysis 有声视频编辑榜单 Elo 1130 分第一（官方公告、36氪），华为昇腾、AMD、Intel 等 16 家芯片与推理平台完成首日适配。同日 DeepSeek V4-Flash 正式版 API 公测：输入 $0.14、输出 $0.28 每百万 tokens，缓存命中 $0.0028，上下文 1M、最大输出 384K（官方定价页）；按 Artificial Analysis 测算，平均单次测试成本约 3 美分（每日经济新闻）。

8 月 5 日，财报季把叙事从"讲故事"拉到"算账"。 微软 2026 财年全年营收超 3310 亿美元，Azure 四季度收入同比增长 43%、年化营收突破 1000 亿美元；谷歌云 2026Q2 营收 248 亿美元、同比暴增 82%、营业利润率扩张到 35.6%；AWS 营收 422 亿美元、同比加速至 36.7%、创 18 个季度最快增速；Palantir 总营收 19.35 亿美元、同比暴增 93%、净美元留存 157%（钛媒体、雪球解读）。这一周，AI 的价值天平明显从模型层移向算力与应用层。

8 月 7 日，参数竞赛的新注脚。 媒体将截至 8 月 5 日的八周称为"五连发"：Qwen3.8-Max、Kimi K3、DeepSeek-V4-Flash、GLM-5.2、Seedance 2.5 接连亮相；Hugging Face 报告显示中国开源模型下载占比达 41%，首次超过美国（下载量破百亿报道）。同一周，阿里被报道计划向新一代 Qwen 大型用户收费、DeepSeek 计划上调 API 定价并引入峰谷定价，而 OpenAI 宣布 GPT-5.6 Luna 降价 80%（网易）。

三条暗线

把七天排完，浮出来的不是七条独立新闻，而是三条互相咬合的暗线。

第一条：能力的标尺，从"答对"换成了"交付"。 Astra 的 2000 美元数学题、Qwen3.8-Max 的 16 天无人值守项目，指向同一个变化——模型竞争的核心不再是单次回答的正确率，而是长周期、多步骤、真实环境里的端到端交付能力。十道数学难题走完了"提出论证 + 形式化验证"的闭环，265 次提交证明模型能在人类缺席的时间尺度上坚持工作。衡量智能的单位，正在从"一题"变成"一个项目"。

第二条：成本曲线的斜率，比榜单排名更值得跟踪。 3 美分一次的推理、$0.14 每百万 tokens 的输入价格，让"试错"从烧钱实验变成日常操作；OpenAI 这边则在用降价 80% 进攻低价区间。当试错成本趋近于零，Agent 长时间自主运行就不再是少数实验室的专利——16 天无人值守这类故事能够规模化，恰恰以成本为前提。

第三条：验证与合规，成了竞争力的新组件。 Astra 用 Lean 证书自证，EU 法案要求机器可读标记 AI 生成内容，Suno 案在追究训练数据的来源——能力输出不再天然可信，可验证性、可追溯性、合规性，正在变成模型能否被采用的硬条件。这与开源权重是否该被限制的争论叠加在一起，构成了生态层面的暗流。

我的复盘

写到这里，把七天的碎片收拢成几句话。

第一，别再把 benchmark 当唯一坐标。本周最能说明模型上限的，不是某张榜单的名次，而是 16 天、265 次提交、2000 美元十道题这类"过程证据"。选模型、评估技术路线时，长上下文、多步推理、真实工具环境里的稳定性，比单轮分数更接近真实价值。

第二，低价不是终点，而是起点。当推理便宜到可以忽略，稀缺的就不再是算力账单，而是提出好问题的能力、设计多步任务的能力、以及判断结果可信度的能力。AI 工具越便宜，"会用的人"和"不会用的人"之间的差距反而会拉大。

第三，规则正在给技术画护栏，这不是坏事。透明度义务、版权判决、开源权重政策讨论，短期看是约束，长期看是把行业从"谁嗓门大谁说了算"推向"谁能自证、谁更合规谁胜出"。对从业者而言，把验证与合规当成工程的一部分，会比把它们当成麻烦更早受益。

最后，留一个待验证的判断：如果"交付能力"真的取代"单轮正确率"成为新的标尺，那么接下来最值得跟踪的，会是模型在多步任务中的稳定性、工具调用的可靠度、以及失败后的自我修正能力——而不是下一张跑分表的数字。这个判断对不对，下周、下个月的事实会给出答案。

---

笔记

• 8 月第一周：Astra 十项数学突破（约 2000 美元 token 成本、Lean 闭环）、Kimi K3 开源（2.8 万亿参数）、Qwen3.8-Max（2.4 万亿/激活 95B、16 天 265 commits）、DeepSeek V4-Flash 公测（单次约 3 美分）、MiniMax H3 开源（全模态视频、16 家芯片适配）、五大财报季（Azure 千亿美元年化、谷歌云 +82%、AWS 36.7%、Palantir +93%）。
• 三条暗线：能力标尺从"答对"转向"交付"；成本曲线斜率比榜单更值得跟踪；验证与合规成为竞争力新组件。
• 复盘观点：过程证据比单轮 benchmark 更有信息量；低价时代稀缺的是提问与任务设计能力；规则约束长期看有利于自证型玩家。

（内容由AI生成，仅供参考）