11 月的技术分水岭:大厂 AI 竞争从模型分数转向任务交付

从 10 月 21 日到 11 月 20 日,国内外大厂 AI 更新密度很高:OpenAI 推出 GPT-6.2,阿里发布 Qwen4-Max,腾讯发布 Hy4 与 Hy4 Flash,Google 推出 Gemini 4 Neon,Anthropic 发布 Claude Fable 5.2,Microsoft/GitHub 把多个前沿模型接入 Copilot,DeepSeek Harness 团队开源 Super-Agent 原型。

把这些更新放在同一条时间线上,会看到五个比参数更稳定的趋势。

一、模型开始比“单位任务成本”

模型/产品 发布方 公开信号
GPT-6.2 Astra / Sol OpenAI 更少输出 token,Astra 输入输出价格较上一代降低 20%
Qwen4-Max 阿里 2.4T 总参数,71B 激活;官方称比前代少 35% token
Hy4 Flash 腾讯 224B 总参数,12B 激活,强调 KV cache 与端到端成本
Claude Fable 5.2 Anthropic 官方报告更高 FrontierCode 分数与更低单位任务成本
Gemini 4 Hydrogen Google 通过 Copilot 覆盖日常 Agent 编程与工具调用

这些数字不能横向直接比较,但方向一致:大厂不再只卖“最高分”,而是卖“完成任务需要多少钱”。

二、长程 Agent 成为旗舰模型的主战场

Qwen4-Max 强调 100 万 tokens 上下文和 48 小时连续任务;Hy4 支持 Computer Use;GPT-6.2 重点宣传多步骤专业交付;Claude Fable 5.2 展示长时间多 Agent 协作。

大厂已经不再只用单轮问答证明模型能力,而是用“能否持续完成一条工作流”作为新指标。

三、平台分发比单模型更重要

Google 的 Gemini 4 Carbon、Hydrogen、Neon 先后进入 GitHub Copilot,Microsoft 同时接入 OpenAI、Anthropic、Google 和自家 MAI 模型。Copilot 的竞争点从“模型多聪明”转向“多模型如何统一管理”。

企业真正购买的是:

  • 模型能力;
  • IDE/CLI/云端入口;
  • 工具调用与上下文管理;
  • 权限、计费和模型策略;
  • 审计与回退机制。

四、Harness 与状态层决定能否落地

OpenAI 的 Pando 和 Codex sandbox、DeepSeek 的 Super-Agent、Google 的 Stitch Loop,都在解决同一类问题:Agent 如何跨请求保持状态、如何执行工具、如何恢复失败、如何把结果交给人审查。

对后端团队,最值得关注的不再只是模型 API,而是:

  1. 任务与上下文如何持久化;
  2. 工具调用如何授权;
  3. 高风险动作如何审批;
  4. 失败后如何恢复与回滚;
  5. 每个任务如何评估和计费。

五、开源与闭源开始分层

阿里表示 Qwen4 系列的小模型将开源,腾讯表示 Hy4 将开放权重,DeepSeek 直接开源 Super-Agent 原型;与此同时,最强旗舰模型仍主要通过云 API 提供。

这说明大厂正在形成两层策略:

层级 目标
旗舰模型 冲击能力上限,服务企业复杂任务
开源/小模型 建立生态、支持本地部署与成本敏感场景

六、接下来 60 天可以做什么

  1. 用真实任务集代替榜单选型:记录成功率、轮次、p95 和单位成本。
  2. 建立模型分层路由:快速模型处理常规步骤,旗舰模型负责难题和兜底。
  3. 把 Agent 状态落库:保存工具调用、推理块、审批和恢复信息。
  4. 给工具加执行闸门:高风险操作必须外部确认。
  5. 评估大厂平台的治理能力:模型策略、计费、审计和回退比模型数量更重要。
  6. 持续跑回归评测:模型、提示词、工具和 MCP 配置变化都要重新测试。

七、我的判断

2026 年 11 月的分水岭,不是某个模型突然接近 AGI,而是大厂 AI 竞争开始认真计算“完成一个任务的完整成本”。

模型能力还会继续上涨,但真正拉开差距的是平台、Harness、权限边界、评测体系和推理基础设施。对开发者来说,会把模型放进可靠工作流,比会调用 API 更重要。

参考来源

说明:本文为阶段性观察,不构成模型采购结论;所有厂商 benchmark 均需在自有任务集上复测。