Agent 实测不到 12 分,巨头为何抢买工具链

2026-11-05·5 min read·OKCodex 编辑部

一周之内,三笔交易指向同一层

Meta 收购 AI 编程初创公司 Conductor——它让开发者可以同时调度多个 AI 编程 Agent。就在同一天,OpenAI 宣布计划收购 Pierre Computer;而在这个方向上,Anthropic 已在 5 月买下 Stainless。The Decoder 把这组交易读作一个信号:模型本身正在变得可替换,厂商争夺的是开发者接触模型的那一层。

这些交易的具体金额、团队规模与整合方式均未在公开信号中披露,能确定的只有标的与时间。但方向足够清楚:谁掌握多 Agent 调度与接入层,谁就掌握开发者的默认路径。对国内读者而言,值得对照的是同类工具的位置——当“模型可替换”成为前提,工具链的黏性就不再来自模型分数。

12% 的天花板

SemiAnalysis 的新基准 GDPx 把 AI Agent 放进模拟知识工作场景,覆盖从芯片设计到量化交易。结果是:没有任何模型超过 12%。Claude Opus 5.5 以微弱优势领先 Gemini 4 Carbon。

需要保留两点限定:其一,批评者指出每个领域的任务数量偏少、测试条件不均衡,基准本身仍需打磨;其二,12% 是特定任务集上的得分,不等于 Agent 在所有场景的实际可用度。但即便如此,它与“Agent 接管工作”的叙事之间仍有明显落差。

中国侧的两条路线

腾讯发布 Hy4,是其首个能理解图像、并能自行操作软件的多模态语言模型。在 Artificial Analysis Intelligence Index 上得 35 分,成绩扎实,但落后于 Kimi K3.1 Pro;在困难数学与复杂图像分析上,仍不及最好的商用模型。

百度则发布 ERNIE 5.5 Flash Base:2800 亿参数 MoE,预训练 33.5 万亿 token,刻意不做微调就开源,让开发者自行决定去向。这是一条与“卖 API”相反的路线——把底座交出去,把分化留给下游。

两条路线并不矛盾:一端争多模态与自主操作能力,一端争生态入口。放在“模型可替换”的判断下,开源自建与闭源 API 的取舍,更多取决于团队是否需要把微调和数据留在自己手里。

给团队的三条行动建议

  1. 把评测权拿回来。 GDPx 的 12% 与围绕它的争议本身就说明公开榜单的解释力有限。用自己业务的 20–50 个真实任务建一个小评测集,比追榜单更能决定选型。
  2. 关注编排层而非单模型。 Conductor 这类工具的价值在于同时管多个 Agent。如果团队已在用多个模型,调度、日志与回滚能力比换模型更影响交付。
  3. 认真评估开源底座。 ERNIE 5.5 Flash Base 明确不做微调就发布,意味着下游要自己承担对齐工作——这要求有数据与工程能力;不具备时,等社区微调版本更现实。

结论

三笔交易与 12% 的基准得分并不矛盾:厂商在赌能力会追上,同时先把入口占住。对使用者来说,短期最稳的动作不是等更强的模型,而是把评测、编排与验证三件事做实。Axiom Math 用 AI Agent 形式化验证 Stacks Project 的做法也提示了同一方向:在能力尚未达标时,可验证性比自主性更值钱。

来源

分享:微博

为下一步任务找到工具

从扫描文档、代码审查或资料研究开始,得到工具短名单与匹配依据;目录筛选不运行模型。

为我的任务选工具 →

订阅每周好码简报

评论

加载中…

发表评论

0 / 500

评论经过审核后显示。

换两个模型分析这个主题

已预选 DeepSeek 与 Qwen,并带入文章主题;确认后才会运行。

试一下 →

继续阅读

Mentioned

文中提到的 Agent