模型发布当天就过时：OpenAI们两天三场发布，最快反超只用五小时

两天之内，三场前沿发布，最快的一次反超只用了五小时。 9月4日，OpenAI宣布开始 分批次发布 GPT-6 Astra，优先向全部Plus用户开放，官方口径是 稳妥与速度并重 ，整个发布预计数天内完成。而就在两天前，9月2日，谷歌与Meta同日各放一款新模型。谷歌端出Gemini 3.8 Flash，这是它六周内第三款Flash；Meta端出Muse Spark 1.3，这是它五个月内第四款Spark。Meta新模型上线数小时后，即在Artificial Analysis智能指数上反超谷歌同日新品。两场发布之间，只隔了四十八小时。 放在两年前，一款旗舰发布足以占据一周头条。如今，前沿模型的保鲜期被压缩到以小时计。这并非某一家公司的困境，而是一个更冷的信号。大模型智能本身，正在变成一种可以被快速复制、快速刷新的商品。谁先发布、谁更便宜、谁更垂直，正在取代“谁最强”，成为更值钱的三个问题。 两条路线，同榜撞车 先看谷歌。Gemini 3.8 Flash每百万token输入0.75美元、输出3.75美元，与三周前的3.7 Flash持平。但TestingCatalog的日报标注得更准确，这是12月31日前的入门价，不是永久定价。谷歌没有把低价当成长期承诺，而是当成换取市场份额的限时筹码。 按谷歌官方自测表，3.8 Flash在每一项都压过3.7 Flash。长周期软件工程测试DeepSWE v1.1从65.3%升至73.7%，终端基准Terminal-bench 2.1从85.8%升至89.4%，OSWorld-2.0从50.6%跳到59.0%，金融智能体基准Vals Finance Agent v2从59.0%升至61.4%，HLE-Verified从53.6%升至54.9%。单看这一串数字，这是一次标准而全方位的分数抬升。 更具参照价值的是它同旗舰级模型的对比。谷歌自测表里，3.8 Flash在DeepSWE v1.1上拿到73.7%，距Claude Opus 5的74.0%仅差0.3个百分点；HLE-Verified的54.9%，压过Opus 5的54.4%和GPT-5.6 Sol的54.5%。而Opus 5每百万token输出价25美元，是3.8 Flash的近七倍。一款Flash档模型，在数个硬核基准上逼近甚至追平售价25美元输出价的旗舰，这才是这条新闻真正的分量。 再看Meta。Muse Spark 1.3在Artificial Analysis智能指数上拿到62分，仅次于Claude Fable 5.1（66分）与Claude Opus 5（63分），位居全场第三。这个62分来自其max变体，目前仅对Meta的合作伙伴限量开放；真正现在就能用的xhigh变体拿61分，与GPT-5.6 Sol（max）、Grok 4.6（high）、Claude Opus 5（high）并列。相比一个月前1.2的57分涨了4分，相比7月1.1的53分涨了8分。Meta将曾被视为“跟跑”的Spark系列，一举推入第一梯队。 两条路线在此分岔。谷歌打“高频小步”，以六周三款的节奏打磨快船，价格钉死在入门档，靠节奏换空间；Meta打“单点爆发”，五个月放出四款，每一款都试图在指数榜上直接冲击前三。9月2日，两条路线在同榜撞车，几个小时后Meta赢了。而四十八小时后，OpenAI带着新款旗舰入场，这场胜负还没来得及被市场消化，就变成了旧闻。 OpenAI的第三条路线：规模压顶 如果说谷歌赌的是节奏，Meta赌的是高度，OpenAI赌的则是规模。 9月4日开始的GPT-6 Astra发布，把这场竞赛从开发者社区拉向大众市场。它不再只对Pro、Business和Enterprise开放，而是向全部Plus用户铺开，官方口径是“以尽可能谨慎且快速的方式推进”，发布本身需要数天滚动完成。一句话，OpenAI对这款模型的信心，足以支撑它在最大范围的用户群上首日开跑。 规模之外，是 算力的大举投入 。OpenAI在发布说明里点明，这次上线的 不是单个模型，而是一整套全新系统首次在真实生产环境中整体运转 ，为此团队正在 调集大批计算资源、扩充推理能力 ，确保全部Plus用户都能顺畅用上。翻译成行业语言，GPT-6 Astra不是一次参数微调，而是一次 基础设施的大规模扩容 。 但规模路线也有软肋，分数开始变得暧昧。ARC Prize的分析显示，GPT-6 Astra在ARC-AGI-3上以62.7%的Standard框架分数居首，换用新的Provider Adapter框架后却升至99.9%，并在96%的关卡上超过人类表现。同一个模型，两种测量框架，差出37个百分点。62.7%说明它还没摆脱智能体的笨拙，99.9%又像是宣告ARC-AGI-3已被打穿。这种分裂恰恰印证了行业的共识，当测量框架本身开始影响结论，所谓的“登顶”就只剩下修辞意义。 如果只看分数，这些发布似乎都在宣告“又变强了”。但把分数摊开看，一个更令人不安的事实浮出水面。最前沿的几家实验室，智能水平正在不可逆地趋同，而测量分数的尺子本身，也开始松动。 HLE-Verified是最能说明问题的数字。Gemini 3.8 Flash为54.9%，Claude Opus 5为54.4%，GPT-5.6 Sol为54.5%。三家实验室，分数紧咬在小数点后一位。DeepSWE v1.1同样如此，73.7%对74.0%，差距不足一个百分点。当几款模型在“人类最后一场考试”这种终极难度基准上只差0.5个百分点时，“碾压”“吊打”的叙事已失去依据。 这种分裂在GPT-6 Astra身上被放大到极致，同一模型在ARC-AGI-3上，标准框架只有62.7%，换用Provider Adapter框架却冲到99.9%。分数可以因尺子而大幅摆动时，所谓“登顶”就只剩下修辞意义。ARC-AGI-3接近饱和，某种意义上不是模型的胜利，而是测量框架的胜利。 谷歌在发布中承认，3.8 Flash“工作得更努力”，即执行了更多推理步骤与工具调用，在高思考档下可能消耗更多token。翻译过来，分数上涨的代价不是“更聪明”，而是“更用力”，用更多计算与更多轮次堆出零点几个百分点的提升。OpenAI那边是同一个逻辑，GPT-6 Astra的发布说明里写着“多个全新系统将首次大规模运行，团队正带来大量算力”。当智能提升从“范式突破”退化为“算力堆叠”， 前沿模型的军备竞赛便沦为边际收益递减的内卷 。0.3个百分点的DeepSWE提升，背后是多少额外token、多少额外推理时间，账面上无法精确核算。智能正在从“稀缺品”变为“耐用品”，稀缺性快速蒸发。 单位智能成本，才是新的度量衡 如果智能趋同，下一场战争的胜负手便落在“每一分智能要花多少钱”上。一个指标正在取代传统benchmark排名，成为投资人、开发者与云厂商真正紧盯的数字，是cost per task，即单任务成本。 Artificial Analysis给Muse Spark 1.3 xhigh算出的单任务成本是0.55美元，而同处61分档的Grok 4.6要0.94美元，GPT-5.6 Sol要0.95美元，Claude Opus 5要1