昨晚，硅谷经历了AI诸神之战

本文来自微信公众号： 01Founder ，编辑：Max，作者：一直在路上的Max 昨天夜里的硅谷发生了三件大事。 Google发布了Gemini 3.8 Flash，Meta发布了Muse Spark 1.3，一家此前没人讨论过的初创公司Mostik则登上了权威媒体WIRED的专访。 如果只看前两件，这很像又一个普通的AI刷榜之夜。 Google刚刚把Gemini推上DeepSWE榜首，几个小时之后，Meta又公布了更高的成绩， 世界第一的头衔甚至只维持了几个小时。 这种事情到了2026年，大家甚至已经快麻木了。 模型发布、benchmark刷新、X上庆祝几个小时，然后等待下一家公司继续刷新。 但如果把昨天晚上这三件事连起来看，我觉得真正值得关注的东西完全不在那些榜单上。 AI的经济学正在发生突变。 AI成本正在从“一百万token多少钱”变成“修好一个Bug多少钱”，变化意味着什么？ 过去几年，我们讨论AI成本，最常看的数字都是每百万token多少钱。 但Agent出现以后，这套计量方式正在变得越来越不够用。 未来真正重要的问题可能不是“一百万token多少钱”，而是修好一个Bug多少钱、完成一份研究多少钱、让一个Agent连续工作三个小时到底多少钱。 而昨天晚上，推理成本正在从几个完全不同的方向同时往下降。 Google在把frontier级别的能力塞进越来越便宜的模型，Meta在让Agent用更少的token和工具调用完成同一个任务，而Mostik更进一步，他们开始质疑： 如果通信的双方本来都是AI，模型之间为什么还需要用为人类设计的语言交流？ 01、Gemini杀回来了 先看Google。 Google发布了他们全新的旗舰模型Gemini 3.8 Flash，官方称之为这是他们迄今为止最强大的推理与代码模型。 这也是Google在六周时间内对Flash系列的第三次更新，从3.6到3.7，再到现在的3.8。 过去Flash给人的印象一直非常简单： 更快、更便宜，但能力会比最强模型差一些。 Google现在正在一点点改变这个定义。 这一次3.8 Flash最核心的提升集中在long-horizon coding和agentic workflow。 在衡量AI长周期软件工程能力的DeepSWE v1.1上，它拿到了约74%的成绩。 DeepSWE和传统代码benchmark最大的区别在于，它不是扔给模型一道算法题，而是真的把Agent放进一个代码仓库里。 模型需要理解问题、搜索代码、修改文件、调用工具、运行测试，失败以后继续寻找原因。 一个完整任务可能持续几十甚至上百步。 在这样的测试里，Gemini 3.8 Flash一度登上世界第一。 Claude Opus 5同样大约是74%，GPT-5.6 Sol大约73%，此前领先的Fable 5大约70%。 如果只看能力，这几个最强模型之间已经没有特别巨大的差距。 真正恐怖的是另外一个数字：钱。 Gemini 3.8 Flash的API首发价格依然保持在输入0.75美元/1M token、输出3.75美元/1M token。 在DeepSWE上完成一道完整任务，它的平均成本只有2.36美元。 作为对比，同样约74%的Claude Opus 5，单任务平均成本达到11.84美元；GPT-5.6 Sol约73%，平均成本也要6.46美元。 也就是说，同一级别的软件工程能力，执行成本已经可以差几倍。 这在Agent时代会变得非常重要。 聊天机器人时代，一次回答贵几分钱还是便宜几分钱，普通用户基本没有感知。 但Agent完全不一样，一个coding agent可能连续运行100步，一个research agent可能搜索几十个网页、读取几百页资料，未来企业里的Agent甚至可能连续工作几个小时。 Google官方甚至提到，3.8 Flash遇到复杂任务时会主动work harder，进行更多推理和工具调用。 Google没有为了省钱让模型“少思考”，而是因为token已经足够便宜，所以可以允许它跑更长的loop。 所以我觉得3.8 Flash真正重要的地方不是又拿了一次世界第一。 而是它正在把过去只有最昂贵frontier model才能提供的能力，硬生生压进Flash的价格区间。 02、三个半小时后Meta杀回来了 正在Google众人为Gemini 3.8 Flash的发布庆祝时，Meta突然杀回来了。 Meta突然发布了Muse Spark 1.3模型。 按Meta公布的评测，Muse Spark 1.3在DeepSWE v1.1上的成绩达到了75.4%。 这个数字超过了Gemini 3.8 Flash、Claude Opus 5和GPT-5.6 Sol。 更夸张的是，Muse Spark 1.2在这个测试上的成绩还只有约55%。 从1.2到1.3，一个小版本更新直接提升了约20个百分点。 但我觉得Meta这次真正值得看的同样不是75.4%。 还有两个数字： 工具调用减少约20%，token消耗减少约25%。 这件事很容易被忽略，但它其实非常接近Agent真正商业化以后最重要的问题。 一个Agent最浪费钱的地方，很多时候不是正常思考，而是跑偏。 比如coding agent在第20步错误理解了需求，它可能继续修改五个文件、运行三轮测试、搜索大量代码，最后才发现路线错了，然后全部重来。 几十次tool call和几万token就这么浪费掉了。 所以一个模型如果能够更早发现任务存在歧义、更早知道自己做不下去、更早询问用户，实际上就是在直接降低成本。 Muse Spark 1.3这次强化的很多能力都属于这一类：它能在长thread里同时维护多个workflow，遇到模糊任务主动询问，解决不了的问题主动请求帮助，涉及不可逆操作先确认，而且长任务运行很多轮以后也更不容易忘记最开始的约束。 Meta甚至开始强调模型对自己能力边界的认识： 知道自己会什么，也知道自己不会什么。 这些能力放在Chatbot时代可能没有benchmark涨20分那么性感，但到了Agent时代，它们都可以直接换算成钱。 Agent少犯一次错误，本身就是一次推理优化。 所以把Google和Meta放在一起看，大模型竞争的计量单位正在悄悄发生变化。 以后大家可能越来越少关心“一百万token多少钱”，而越来越关心另一个数字： 把一个真实任务从头跑到尾，到底多少钱。 03、Mostik，一个颠覆性的突破 如果Google和Meta还在研究如何用更便宜、更少的token完成任务，那么Mostik开始碰一个更加底层的问题： 这些token为什么一定要存在？ Mostik在俄语里的意思是“桥”。 CEO Sasha Malysheva是这套方法的主要开发者，它的首席科学家则是日内瓦大学教授、2010年菲尔兹奖得主Stanislav Smirnov。 他们正在尝试做一件听起来很简单、实际上极其困难的事情： 让两个AI模型不再通过自然语言互相交流。 今天绝大多数Multi-Agent系统都是这么工作的： Model A得到一些信息以后，先生成几百甚至几千个token，把自己的结论用自然语言说