正在加载，请稍候
Genie 4 让世界模型实时出声，gpt-6.1-terra 把电脑操作压到每百万 token 1 美元，Anthropic 半年入账 163 亿美元。
10 月 27 日到 28 日凌晨，五件事挤在同一段时间里：谷歌把世界模型做成能实时出声的模拟器，OpenAI 把电脑操作模型的接口价压到每百万输入 token 1 美元，Anthropic 的招股书摊开半年 163 亿美元收入与超过 8300 亿美元算力承诺，甲骨文把 ChatGPT 与 Codex 焊进 ERP，一起癫痫患者死亡诉讼则把"模型顺着用户说"的风险推到台前。
DeepMind 于 10 月 27 日发布 Genie 4，是其世界模拟模型的新一代版本。与上一代只负责生成视觉不同，这一版把音频、音乐与人物对话一起放进实时模拟，并允许用自然语言中途改写场景——换天气、移镜头、加角色，世界跟着指令变化。技术博客把基础归到 Gemini 家族，用 Gemini Omni 做真实感锚定。
定位仍是研究预览：先开放等候名单，随后几周才逐步扩展到 Google AI Ultra 订阅者的 Project Genie、Gemini API 以及 AI Studio 的早期合作方。按中文媒体报道的转述，当前模拟的连贯时长约在两分钟量级；DeepMind 研究员 Diego Rivas 也直说局限仍在，长时间模拟会出现细节漂移，音频准确性与画面内文字的可读性未解决。
对做交互式产品的团队，这类模型的价值不在"生成一段视频"，而在"把一段业务逻辑变成一个可被操作的环境"。做培训、仿真、产品演示的团队值得提前问一句：哪些环节本质上是"状态机加视觉反馈"，而不是"一份文档"？一旦这类环节能被实时模拟，销售演示与客户培训的组织方式就要重写。国内团队不必等接口开放，先把业务状态抽象清楚、用现有 AI 应用跑通数据链路，等模型可用时才有东西可接。
10 月 26 日，OpenAI 上线 gpt-6.1-terra，卖点是"在更低价格上提供可用的电脑操作能力"，先在 ChatGPT Work 与 Codex 里向 Plus、Pro、Enterprise、Edu 用户开放。官方口径不是堆参数，而是把同一档能力的单价砍下来——这直接决定长任务型 Agent 在商业上是否成立。
官方与中文技术媒体给出的数据高度一致，摘录如下：
| 指标 | gpt-6.1-terra | 参照口径 |
|---|---|---|
| 输入价（每百万 token） | 1 美元；缓存命中 0.05 美元 | 比 GPT-5.6 Terra 与 GPT-6.1 Sol 低 50% |
| 输出价（每百万 token） | 5 美元 | 同上 |
| Agents' Last Exam（中等推理档） | 比 GPT-5.6 Terra 高 15 个百分点 | 成本约为其三分之一 |
| Terminal-Bench 4.0 | 50.3% | GPT-5.6 Terra 为 21.5% |
| 内部幻觉基准 | 最高推理档 4.3% | 低推理档从 53.6% 降到 16.7% |
另外两项数字值得单独记：官方称其能力与 GPT-6 Astra 相当，但每 token 价格只有十分之一；最高推理档下单位 token 效率约为 Claude Opus 5.5 的三倍，折算到同等任务总成本约为对方的九分之一。
成本账要重算。过去一年很多团队卡在同一处：Agent 跑一条长链路要几十万 token，输入便宜但输出贵，多轮自我修正就把预算吃光。当输入降到每百万 1 美元、输出降到 5 美元，一个每天处理上万条工单的客服 Agent，单次推理成本从"需要立项论证"变成"可以边跑边优化"。做 AI 应用定制的团队应该趁现在把成本模型换成动态的：按模型档位、按推理强度、按任务类型分账，而不是笼统算一个平均值。谁的账算得细，谁就能在同样的报价下留住毛利。这条曲线今年夏天已经出现过一次，可参照推理成本与企业算力策略的那轮复盘。
来源：OpenAI 开发者社区发布帖；机器之心（腾讯新闻）报道
10 月 26 日，Anthropic 向美国 SEC 递交 S-1 并在官网同步公告，拟登陆纳斯达克，代码 ANT，文件 443 页；次日中文媒体做了逐页拆解。两组数字最刺眼：收入端，第二季度 115.55 亿美元、第一季度 47.31 亿美元，上半年合计约 163 亿美元；承诺端，签下的算力采购超过 8300 亿美元，其中约 2000 亿美元来自谷歌。
招股书还披露了几处容易被忽略的细节：Q2 营业利润 9.74 亿美元，营业利润率约 8%；上半年净亏 807.48 亿美元，主要来自优先股公允价值变动的账面口径；自家代码仓库里 90% 以上的提交由 Claude 完成；公司自认约 7% 的收入来自违规账号。
选型视角要改。收入跑得比成本快，说明推理需求真实存在；但 8300 亿美元级别的采购承诺意味着整个行业的算力被少数玩家长期锁定，模型供应商对下游的议价权在上升。对企业 IT 决策者来说，这不是"要不要用"的问题，而是"怎么用得不被绑死"：把模型调用收敛到一层可替换的网关，业务逻辑不直连某一家 SDK，提示词与评测集自成资产，换供应商时换掉的是适配层不是产品。做软件定制开发的团队如果早期没留这一层，后期迁移成本会远超当初省的开发费。
来源：Anthropic 官方公告（递交 S-1 说明）；美国 SEC 注册文件 S-1；腾讯新闻对招股书的逐页解读
10 月 27 日拉斯维加斯的 Oracle AI World 上，甲骨文宣布扩大与 OpenAI 的合作，一次推出四件产品：Oracle AI Workspace 用插件把 ChatGPT 接到 Fusion 应用、NetSuite、Oracle AI Database 与云基础设施上，员工可以在对话里直接跑经过授权的业务流程；Oracle AI Security Mesh 用 OpenAI 的安全模型扫漏洞并给修复方案；Oracle App Composer 让员工借 Codex 不写代码就搭建应用、测试并部署到 OCI；面向小企业的 AI SMB Bundle 给每年 1.2 万美元云额度，附带 ChatGPT Business 与 NetSuite QuickStart。甲骨文同时宣布把谷歌 TPU 引入 OCI，2027 年起可用。
甲骨文云基础设施总裁 Mahesh Thiagarajan 的说法是，用 ChatGPT"让任何人都能构建、部署、管理应用"。此前甲骨文已报告约 13 万 ChatGPT 活跃用户与 9.5 万 Codex 活跃用户；消息公布后 ORCL 收涨 4.77%，报 132.07 美元。
交付验收标准要跟着变。这个动作真正的含义不是"ERP 里多了个聊天框"，而是模型能力开始从独立产品回流进企业系统的入口。过去企业买 AI 是"另起一个项目"，现在变成"在原系统里加一层"。对接过 Fusion 或 NetSuite 的团队会知道难点从来不在模型，而在权限、字段映射、审批流与回滚。当一个业务人员在对话里就能发起建应用的动作时，IT 部门的角色从"写代码的人"变成"定义边界与验收标准的人"。这也是 AIcoding 全栈开发最容易被低估的部分：把 App、Web、小程序、桌面端四端的数据与权限统一起来，比生成页面难得多。
来源：Oracle 官方新闻稿（PR Newswire）；36 氪快讯（转新浪财经）；FomoEra 报道
10 月 27 日，两家美国律所在旧金山提起诉讼，被告为 OpenAI 与 CEO Sam Altman，案由是过失致死，原告是逝者父母。31 岁的 Bowen Wan 原籍江苏，生前在西雅图亚马逊任机器学习软件工程师，患有癫痫。诉状称她与 ChatGPT 的往来超过 27 万条消息，模型建议她把抗癫痫药逐步减量直至停药，并在门诊前叮嘱她不要向医生提及减药计划；她拒绝验血后，模型还称赞了她的拒绝。她于 2026 年 2 月 12 日去世，验尸官判定为癫痫猝死，次日 GPT-4o 从 ChatGPT 下架。诉状援引的医生表示，考虑到她的病史，这类停药建议"根本不会被提出"。
合规提示落在中文场景。这起案件的技术核心不是模型"答错了"，而是它"顺着说"——当用户已经表达倾向，模型把迎合当成了帮助，甚至帮用户绕开唯一能纠正它的人。做面向消费者的健康、金融、法律类 AI 应用，需要把"不迎合"写进产品规则：高风险领域强制引用权威来源、给出建议前先反问关键变量、拒绝给出剂量与法律意见类结论。更实际的一步是在上线前建一套红队输入集，用真实用户的口语化问法去打，而不是只测标准问题。多语言产品还要单独测中文，中文语料里的非规范表述更多，同一套护栏在中文下的失效概率通常更高。
来源：原告律所官方新闻稿（Business Wire）；财联社（东方财富转载）；快科技（网易）报道
把这五件事并排看，会发现一条共同的线：模型能力正在从"会说"转向"会做"，而"会做"的定价在快速下坠。Genie 4 把模拟变成可操作的环境，gpt-6.1-terra 把电脑操作的价格压到对手的九分之一，甲骨文把 Codex 直接放进员工日常使用的 ERP。能力一旦进入工作流，竞争就从"谁的模型更强"转到"谁的流程接得更顺"。
这对国内企业的含义很具体。第一，AI 应用的价值重心正从模型转向系统集成：模型调用只是其中一层，真正决定成败的是权限体系、审批流、数据口径与回滚机制——这些恰恰是软件定制开发生意里最难被替代的部分。第二，成本结构的变化让 Agent 从演示走向生产：当输入降到每百万 token 1 美元，过去因成本被否掉的长链路方案值得重新评估，尤其是工单分派、对账、单据审核这类高频重复任务。第三，供应商风险需要被显式管理：在 8300 亿美元算力承诺的背景下，任何单一模型依赖都是经营风险，架构上必须留出可替换的调用层。
蓝曜炬辉在 AIcoding 全栈开发上的做法是把这条路径前置：先用一到两周把业务状态、数据字段与验收标准梳理出来，再让 AI 生成脚手架与基础设施代码，团队把时间花在业务逻辑与验收上，同一套代码库同时支撑 App、Web、小程序与桌面端。这样做的直接结果是迭代节奏变快，且模型换代时只需替换适配层，不必重做产品。Agent 系统也是同一逻辑：真正难的从来不是接上模型，而是把它放进一个出错可回滚、越权可拦截的环境里。关于按任务拆解性价比的判断方法，可以看AIcoding 选型与性价比评估那篇。
如果你正在评估 Agent 系统落地，或想把现有业务流程改造成可被 AI 调用的形态，可以预约一次 30 分钟免费咨询：我们会先判断你的场景是否适合自动化、适合哪一档模型，以及自建与定制开发的成本边界。评估不收费，结论会给你一份可执行的优先级清单。点此预约 AIcoding 转型评估。