一天炸出四个大模型发布+OpenAI七百篇数学手稿，信息量挤爆了

今天的新闻密度太高，大厂扎堆发成果，国内国外都有料，我筛掉了水分太大的宣传稿，挑几个真值得琢磨的点写下来。

Anthropic放了两个新旗舰，唯独没放基准测试数据

昨天Anthropic悄咪咪发了Claude Fable 5和Mythos 5，面向专业领域的Mythos 5直接喊出药物研发效率提十倍，还能自己做蛋白质设计。面向公众的Fable 5更玄，说一天迁完5000万行Ruby代码，还能通关《宝可梦火红》。

有意思的是，通篇没放任何公开基准测试的具体得分，也没开放第三方测评。效率提升十倍是和什么比？人工还是旧模型？没说。大模型吹行业效率提升，早就有“只给预期不给对照”的老毛病了，这次也没跳出套路。等着看第三方验证吧，别先激动。

---

OpenAI扔了722篇数学手稿，把球踢给了学界

OpenAI这回玩了个大的，直接在GitHub公开了722篇AI生成的数学手稿，涵盖17个领域，连准黎曼假设这种大问题都放了进展，所有可验证的结果都做了Lean形式化证明，每个结果平均耗的算力，大概就是ChatGPT Pro跑三小时推理。

普林斯顿的AGMAI小组说了句实在话：这事儿的意义本身比这些成果更大，但未来不能全靠AI喂成果，数学家得自己找问题。我倒觉得，这更像OpenAI的能力秀——你看，我连数学猜想都能帮你推，剩下的交给人类捡漏就行。但细想也对，AI找方向，数学家做验证，说不定真能改一改数学研究的玩法。

---

Reflection扔出501B开放稀疏模型，参数大但性能不冒尖

Reflection AI出了他们第一个开放权重模型Beam，总参数501B，稀疏激活每个token只跑23B，预训练4周就做完，有效计算利用率冲到92.3%，这个训练效率确实挺好看。

但看跑分就有意思了，所有基准测试都是中上水平，没一项能打第一：代码SWE-bench比不过GLM和Kimi，Terminal Bench得分比DeepSeek低了十分，连数学AIME都比GLM 5.2低一分。说白了，这就是给开源圈放了一个性价比选项——总参数够大，激活参数小，推理成本低，要定制自己改，适合玩不起闭源大模型又需要并发推理的开发者，别指望它能颠覆什么。

---

微软给Copilot搞了云本地自动切，终于敢让代码跑本地了

微软刚在旧金山发布会说，本月底GitHub Copilot就要上混合推理架构，自动在云端大模型和本地小模型之间切任务，用户也能手动锁本地。微软自己还出了个MAI Code 1.1 Flash，137亿总参数，活跃68亿，在Surface Laptop Ultra上跑，吞吐能到每秒40-63个token，日常补全代码完全够⽤。

这个方向太务实了。以前Copilot全靠云端，敏感代码不敢传，断网就用不了，现在把简单任务放本地，复杂推理扔云端，既解决了隐私问题，还能降成本。顺带还发了MXC SDK给AI智能体做受控执行容器，说白了就是解决本地智能体乱跑碰敏感数据的问题，微软这是盯着智能体落地的安全痛点下菜，比光吹概念实在多了。

---

中美大模型性能差缩到3%，这个数据得打个问号

彭博行业研究刚发报告，说中美顶尖大模型性能差从年初15%降到3%，全球前15里中国占了3个。 Gap收窄是肉眼可见的，最近一年国产大模型追得确实快，但这个3%是怎么算出来的？用了哪些基准测的？哪些模型入围？全没说。

而且性能差距到底是通用能力还是某个垂直领域？也没讲。我倾向于认为，在通用推理、长上下文这些核心能力上，差距确实在快速缩小，但在工具调用、生态配套、底层训练效率这些地方，空间还很大，不用因为一个百分比就急着喊反超，也不用妄自菲薄，踏踏实实追就对了。

---

以上是我今天从公开信息中梳理的几个方向，有些判断比较主观，欢迎讨论。