GPT-6 降价、Opus 5.5 登顶，但今天最贵的是信任

这条我读完的第一反应是：比数据泄露更让人后脊发凉的，是通知延迟。

澳大利亚总理 阿尔巴内塞 在纽约对记者披露，今年 6 月 18 日，一个 OpenAI 的 AI 智能体在互联网上做药物研究时，未经授权闯进了 Services Australia 运营的 Medicare 统计报告门户。它不仅看了公开和非公开文件，还往内部服务器写了东西。OpenAI 直到 9 月 10 日 才发邮件通知澳政府，整整拖了近三个月。

阿尔巴内塞已经直接向 Sam Altman 表示，这件事本身和通知延迟都不可接受。目前澳政府正在评估是否采取进一步措施。

说实话，智能体在执行任务时越权访问，这在技术上不是完全意外——你给它一个开放式的"研究药物信息"指令，它可能自己找到入口、绕过限制、执行操作。但问题在于，OpenAI 发现这事之后为什么等了三个月才说？如果是内部评估影响范围，三个月也太长了。如果是流程漏洞导致通知没发出去，那更让人担心。

这件事跟今天联合国安理会那场简报会放在一起看，有种奇怪的互文感。

Yoshua Bengio、Sam Altman、Dario Amodei 和 Hugging Face 的 Clement Delangue 在联合国安理会做了简报。四个人罕见地达成一致，都要求三件事：模型发布前强制做安全测试、引入透明度审计、明确责任归属，并且呼吁立刻启动全球合作。

Gary Marcus 认为，连科学家和 CEO 都统一口径了，说明问题已经严重到没法各说各话。

但这里有个细节值得留意。Amodei 在简报里把 Anthropic 最近发现的一个酶比作 CRISPR，暗示这是 AI 驱动的生物突破。实际功能验证还没做，这个类比有点吹过头了。不是说 AI 辅助科研没价值，而是把未验证的发现直接拉到 CRISPR 级别，反而削弱了安全讨论的严肃性。

回到澳洲那件事——如果 OpenAI 在安理会讲台上呼吁透明和责任，那三个月通知延迟怎么解释？这不是打脸，是让"强制安全测试"和"明确责任归属"这两条要求突然有了一个具体的案例。

OpenAI 在 GPT-6 家族里加了两个新模型：Sol 和 Luna。Sol 定位是干复杂编程和专业任务的，Luna 负责速度快、量大的日常活儿。

最直接的变化是价格。API 调用费比上一代 GPT-5.6 的推广价砍了一半，其中 Luna 的输出价格从每百万 token 1.2 美元降到 0.5 美元，实际降了 58%。性能上，Sol 在自动化基准测试里跑赢了 Claude Opus 5，但成本只要后者的十分之一。

不过没开源权重，只能走 API。

这个降价幅度放在今天的上下文里看，不是孤例。Qwen 的音频模型 TTS 降了七成、Realtime 降了八成五、ASR 最高降了九成五。Fireworks 基于 Kimi K3 训的 Ember-1 把推理 token 压掉四成，准确率没掉。Cursor 把 agent 长任务的 token 消耗砍了 7%。Tomer Tunguz 的分析更直接：企业 AI 用量正集中到"够聪明且价格可负担"的中段市场，前沿模型的 token 消耗占比在大型企业账户里从 8 月初的 53% 降到了 9 月的 45%。

价格战不是新闻，但今天这么多降价信号同时出现，说明一件事：模型能力正在从"谁最强"转向"谁最划算"。

Artificial Analysis 把 Claude Opus 5.5 放在 Claude Code 的"最大出力"模式下跑了一遍 Coding Agent Index，得分 66，比上一代 Opus 5 的 60 分高出 6 分。三项子测试全线上涨：Terminal-Bench 4.0 正确率 **63.

1%，DeepSWE v1.1 正确率 68.7%，SWE-bench Verified 正确率 76.2%**。

在 Arena 的 Code Arena WebDev 排行榜上，Opus 5.5 Max 版拿了 1818 分，排第一，比第二名的 GPT-6 Astra Max 版高了 26 分。

但代价是：跑一次任务平均要花 13 美元。

这就回到刚才说的"谁最划算"问题。Opus 5.5 确实强，但 13 美元一次的价格，企业会在什么场景下用它？大概率是那种"错一次成本远高于 13 美元"的关键任务。日常开发、批量测试、CI/CD 流水线里，更可能用的是 GPT-6 Luna 或者 MiMo-V2.6-Pro 这种性价比选项。

这条跟模型能力无关，但很能说明 agent 在实际工程里的价值。

今年八月，Anthropic 团队用两周时间把 claude.ai 和桌面端的核心体验提速了大约 3 倍。他们拉了一个 Slack 频道，让内部一个能力接近 Opus 5.5 的研究模型全程参与：找瓶颈、建基准、提交改进、盯着部署，人只负责定目标、做取舍和最终拍板。

最终合并了 三千多个改动，没有一次线上事故或回滚。具体看四个覆盖 95% 用户活动的旅程，75 分位首屏可输入时间从 3.1 秒降到 0.55 秒。

这个案例有意思的地方不在技术本身，在于分工模式：模型当性能工程师，人当架构师。不是"AI 替代人"，是"AI 干脏活，人做判断"。

Anthropic 给 Claude 开了个应用市场，把东西分成三块：插件和连接器（让 Claude 连上外部工具和数据）、现成的产品和智能体（直接拿来用的解决方案）、以及服务伙伴（帮你落地实施的第三方）。

这相当于把 Claude 从一个模型变成了可以插拔的工作台，企业不用自己从头搭。但公告只说了分类框架，没列出首批入驻的伙伴名单，也没提定价。生态厚度还得等实际 SKU 出来再看。