文 | 舒書(shū)

在進(jìn)入正文之前，有必要先明確本文的核心概念。

所謂工程淘汰賽，是指在模型基礎(chǔ)能力趨同的背景下，圍繞推理成本控制、幻覺(jué)率治理、數(shù)據(jù)質(zhì)量工程、Agent工具鏈可靠性、私有化交付能力、安全合規(guī)工程展開(kāi)的競(jìng)爭(zhēng)。參數(shù)不再是護(hù)城河，工程才是。

這一轉(zhuǎn)變發(fā)生在Transformer+MoE主流架構(gòu)短期難以被顛覆、基礎(chǔ)模型能力集體拉平的周期里。當(dāng)“誰(shuí)能做出更聰明的模型”不再是唯一問(wèn)題，“誰(shuí)能把模型可靠地用起來(lái)”就成為了新的勝負(fù)手。

這與智商競(jìng)賽的本質(zhì)區(qū)別在于：前者比的是誰(shuí)能做出更聰明的模型，后者比的是誰(shuí)能把模型的能力以可控的成本和風(fēng)險(xiǎn)跑通。競(jìng)賽遠(yuǎn)未結(jié)束，但規(guī)則正在改變。

一、通用推理能力的真相：能力在提升，但需回到地面

GPT-5.5 Pro的門(mén)薩風(fēng)格測(cè)試成績(jī)引發(fā)了大量討論。根據(jù)LisanBench（第三方AI能力評(píng)測(cè)平臺(tái)，測(cè)試時(shí)間2026年4月，測(cè)試數(shù)據(jù)集及方法論已公開(kāi)）的測(cè)試結(jié)果：

• 視覺(jué)邏輯推理能力：達(dá)人類(lèi)前0.1%水平

• 在線文本推理能力：達(dá)人類(lèi)前2%水平（門(mén)薩入會(huì)線為前2%）

• 線下非公開(kāi)文本測(cè)試：剛好踩在門(mén)薩門(mén)檻上

這意味著GPT-5.5 Pro在視覺(jué)邏輯推理上確實(shí)達(dá)到了人類(lèi)頂尖水平，但在純文本推理上，雖然也是聰明人，但并非天才。兩者的差距是前0.1% vs 前2%。

需要指出的是，將人類(lèi)門(mén)薩智商測(cè)試直接套用于大模型在學(xué)術(shù)上并不嚴(yán)謹(jǐn)。更準(zhǔn)確的表述是在門(mén)薩風(fēng)格測(cè)試中的表現(xiàn)。門(mén)薩的視覺(jué)推理測(cè)試（如3x3九宮格）考察的是抽象的、非語(yǔ)言的邏輯推理能力，包括旋轉(zhuǎn)、鏡像、疊加、增減等復(fù)雜規(guī)則的識(shí)別與應(yīng)用。

需要指出的是，Claude在長(zhǎng)上下文邏輯一致性、實(shí)時(shí)知識(shí)更新、多模態(tài)能力等方面仍明顯落后于GPT-5.5。Gemini則在工具調(diào)用穩(wěn)定性和生態(tài)成熟度上存在差距。各模型各有長(zhǎng)短，本文聚焦幻覺(jué)率的對(duì)比，不代表全面評(píng)價(jià)。

GPT-5.5 Pro的進(jìn)步主要在視覺(jué)邏輯推理維度。但這并不意味著智商競(jìng)賽已經(jīng)結(jié)束，而是說(shuō)明能力提升的邊際收益正在變化。

二、高推理能力背后的另一面：86%的幻覺(jué)率

一個(gè)值得反復(fù)對(duì)比的數(shù)字：

GPT-5.5 Pro 幻覺(jué)率：86%

Claude Opus 4.7 幻覺(jué)率：36%

同一評(píng)測(cè)機(jī)構(gòu)（Artificial Analysis AA-Omniscience）、同一測(cè)試基準(zhǔn)、同一數(shù)據(jù)來(lái)源。差距是50個(gè)百分點(diǎn)。

高推理能力背后，有一個(gè)被部分討論但值得深入分析的數(shù)字。

根據(jù)第三方評(píng)測(cè)機(jī)構(gòu)Artificial Analysis在其私有基準(zhǔn)測(cè)試AA-Omniscience中發(fā)布的數(shù)據(jù)——該測(cè)試包含6000個(gè)覆蓋6大領(lǐng)域的問(wèn)題，在無(wú)搜索條件下評(píng)估模型的知識(shí)邊界——GPT-5.5 Pro在面對(duì)不確定問(wèn)題時(shí)，有86%的傾向給出錯(cuò)誤答案而非承認(rèn)不知道。同一測(cè)試中，Claude Opus 4.7的這一比例為36%。

這個(gè)數(shù)據(jù)的含義需要準(zhǔn)確理解：86%不是在日常對(duì)話中的幻覺(jué)率，而是在專(zhuān)門(mén)設(shè)計(jì)的知識(shí)邊界探測(cè)場(chǎng)景中，當(dāng)模型觸及知識(shí)盲區(qū)時(shí)的行為傾向。OpenAI官方聲稱(chēng)的“幻覺(jué)減少”是在不同的測(cè)試場(chǎng)景（用戶(hù)標(biāo)記的ChatGPT對(duì)話樣本）中測(cè)量的。兩者都是真實(shí)的——取決于你測(cè)量的是什么場(chǎng)景。

為什么GPT-5.5會(huì)出現(xiàn)高幻覺(jué)率？原因可歸納為三個(gè)層次：

架構(gòu)與訓(xùn)練內(nèi)因：MoE稀疏激活可能導(dǎo)致專(zhuān)家模塊間的知識(shí)沖突；RLHF的討好偏好鼓勵(lì)模型嘗試回答而非承認(rèn)不知道；超長(zhǎng)上下文（1M tokens）中注意力可能分散，導(dǎo)致理解偏差。

產(chǎn)品路線的主動(dòng)取舍：OpenAI的目標(biāo)是打造一個(gè)能處理任何問(wèn)題的通用推理引擎，為此它在訓(xùn)練中鼓勵(lì)模型嘗試回答而非拒絕回答。Claude則選擇了相反路線：寧可沉默，不可胡說(shuō)。兩種路線各有優(yōu)劣——GPT-5.5在開(kāi)放域推理和復(fù)雜任務(wù)上的表現(xiàn)遠(yuǎn)超Claude，但代價(jià)就是更高的幻覺(jué)風(fēng)險(xiǎn)。這是能力與可靠性之間的經(jīng)典權(quán)衡。

外部輸入質(zhì)量：當(dāng)喂給模型的文檔數(shù)據(jù)質(zhì)量低下（如PDF亂碼、表格錯(cuò)位、公式為圖片），模型無(wú)法準(zhǔn)確理解上下文，只能依靠概率去猜測(cè)——這是幻覺(jué)產(chǎn)生的重要外部因素。

對(duì)于一個(gè)被定位為Agent原生大腦（契合OpenAI官方Agent戰(zhàn)略路線）、賦予自主規(guī)劃和執(zhí)行任務(wù)能力的模型來(lái)說(shuō)，高幻覺(jué)率是根本性挑戰(zhàn)：一個(gè)自信但錯(cuò)誤的中間結(jié)論會(huì)污染整個(gè)決策鏈條；在財(cái)務(wù)、醫(yī)療等高風(fēng)險(xiǎn)場(chǎng)景，一次幻覺(jué)可能導(dǎo)致實(shí)際損失。

核心判斷：當(dāng)一個(gè)模型在聰明的同時(shí)難以控制自己的自信虛構(gòu)，它的商業(yè)價(jià)值需要被打上問(wèn)號(hào)�？煽啃�，正在成為比推理能力更稀缺的品質(zhì)。

三、競(jìng)爭(zhēng)焦點(diǎn)的遷移：成本、可靠性與兩種策略

技術(shù)參數(shù)的邊際收益正在遞減。對(duì)企業(yè)級(jí)客戶(hù)來(lái)說(shuō)，客服場(chǎng)景90分的模型已夠用，金融醫(yī)療場(chǎng)景客戶(hù)真正需要的是低幻覺(jué)率和高可解釋性。

與此同時(shí)，行業(yè)競(jìng)爭(zhēng)聚焦于成本，演化出兩種策略：

截至2026年4月，中國(guó)市場(chǎng)的價(jià)格分層已非常清晰：

*注：以上價(jià)格均為各廠商官方公布的公有云標(biāo)準(zhǔn)定價(jià)（截至2026年4月），不含限時(shí)活動(dòng)、新用戶(hù)優(yōu)惠、長(zhǎng)上下文附加費(fèi)等特殊場(chǎng)景。DeepSeek V4-Pro限時(shí)2.5折活動(dòng)至2026年5月5日止。*

DeepSeek V4-Flash的輸出價(jià)格是Claude Opus的1/12。當(dāng)推理能力差距縮小、價(jià)格差距拉大，企業(yè)客戶(hù)的選擇邏輯正在改變。

過(guò)去12個(gè)月，前沿大模型綜合性?xún)r(jià)比以每年數(shù)倍級(jí)速度迭代，推理落地成本持續(xù)快速下行。這一趨勢(shì)有多個(gè)信源支撐：

• 2026年3月發(fā)表于arXiv的論文《The Price of Progress》（arXiv:2511.23455v2）基于Artificial Analysis和Epoch AI的數(shù)據(jù)分析發(fā)現(xiàn)：前沿模型的性?xún)r(jià)比正以每年數(shù)倍級(jí)速度提升
• Gartner預(yù)測(cè)（2026年3月25日新聞室發(fā)布），到2030年，1萬(wàn)億參數(shù)大模型的推理成本將較2025年下降90%以上

核心判斷：競(jìng)爭(zhēng)焦點(diǎn)正在從誰(shuí)更聰明轉(zhuǎn)向誰(shuí)能以更優(yōu)的綜合成本提供可靠的服務(wù)——包括單價(jià)、效率、幻覺(jué)率、數(shù)據(jù)準(zhǔn)備成本等多個(gè)維度。

四、被忽視的工程挑戰(zhàn)：數(shù)據(jù)質(zhì)量、工具調(diào)用與安全合規(guī)

當(dāng)前關(guān)于工程能力的討論，主要集中在運(yùn)行效率——如何讓模型跑得更快、更便宜。這固然重要，但還有三個(gè)同樣關(guān)鍵的維度。

4.1 數(shù)據(jù)質(zhì)量工程：讓模型吃干凈的燃料

GPT-5.5被定位為Agent原生大腦，其核心能力是自主規(guī)劃和調(diào)用工具。然而，一個(gè)現(xiàn)實(shí)挑戰(zhàn)是：無(wú)論模型本身多強(qiáng)大，如果喂給它的文檔數(shù)據(jù)質(zhì)量低下（如PDF表格亂碼、多欄排版混亂、公式是圖片），Agent就會(huì)基于這些垃圾輸入做出錯(cuò)誤決策。

真正的工程能力，至少包括四個(gè)層次：

1. 運(yùn)行效率：分布式推理、模型量化、緩存策略

2. 數(shù)據(jù)質(zhì)量：文檔解析、多欄排版還原、表格與公式識(shí)別

3. 可靠性保障：幻覺(jué)監(jiān)測(cè)、輸出驗(yàn)證、A/B測(cè)試

4. 安全與合規(guī)：內(nèi)容風(fēng)控、數(shù)據(jù)脫敏、權(quán)限隔離、合規(guī)審計(jì)——在金融、政務(wù)、企業(yè)私有化場(chǎng)景中，這是工程淘汰賽的核心賽道之一

Agent幻覺(jué)的另一大來(lái)源是工具調(diào)用可靠性。當(dāng)前Agent的核心能力是自主選擇工具、調(diào)用API、執(zhí)行操作。但在實(shí)際落地中，模型可能選錯(cuò)工具、傳錯(cuò)參數(shù)、陷入循環(huán)無(wú)效調(diào)用。

工具調(diào)用可靠性的工程化，涉及工具描述規(guī)范化、參數(shù)校驗(yàn)機(jī)制、調(diào)用結(jié)果驗(yàn)證、異�；貪L策略等多個(gè)環(huán)節(jié)。這是當(dāng)前Agent工程化中最容易被低估的挑戰(zhàn)。

五、OpenAI的組織調(diào)整：戰(zhàn)略收縮，還是重心轉(zhuǎn)移？

GPT-5.5的發(fā)布、Sora的關(guān)停、高管的連環(huán)離職——OpenAI近期的調(diào)整被一些人解讀為從研究型向工程型組織的范式轉(zhuǎn)移。這個(gè)判斷有道理，但需要更審慎的分析。

更準(zhǔn)確的解讀是商業(yè)壓力下的戰(zhàn)略收縮。Sora每日算力成本約100萬(wàn)美元，但長(zhǎng)期未能實(shí)現(xiàn)可持續(xù)商業(yè)模式。關(guān)停它，不一定代表OpenAI放棄了研究?jī)?yōu)先的理念，而可能只是在商業(yè)化探索受挫后的資源重配。

但這并不意味著基礎(chǔ)研究的價(jià)值在降低。當(dāng)前的工程紅利建立在現(xiàn)有架構(gòu)之上。一旦行業(yè)出現(xiàn)根本性突破，游戲規(guī)則會(huì)再次改變。一個(gè)歷史參照：2010年代的計(jì)算機(jī)視覺(jué)領(lǐng)域，當(dāng)深度學(xué)習(xí)突破出現(xiàn)時(shí)，之前幾年在工程優(yōu)化上投入最多的公司并沒(méi)有成為贏家——贏家是那些在基礎(chǔ)研究上積累最深的組織。

更平衡的判斷：行業(yè)正從研究驅(qū)動(dòng)轉(zhuǎn)向“研究+工程雙輪驅(qū)動(dòng)”。研究負(fù)責(zé)突破天花板，工程負(fù)責(zé)把突破轉(zhuǎn)化為可規(guī)模化的產(chǎn)品。研究員的角色正在從主角轉(zhuǎn)向基礎(chǔ)設(shè)施，但這并不意味著他們不再重要。

六、被忽略的戰(zhàn)場(chǎng)：垂直行業(yè)大模型

通用大模型的推理能力競(jìng)賽正在降溫，但垂直行業(yè)的可靠性競(jìng)賽才剛剛開(kāi)始。

在金融領(lǐng)域，模型需要的是低幻覺(jué)率和可解釋性。一份財(cái)報(bào)分析報(bào)告的準(zhǔn)確性，遠(yuǎn)比模型的門(mén)薩分?jǐn)?shù)重要。

在法律領(lǐng)域，模型必須基于特定判例庫(kù)和法規(guī)條文回答，不能自由發(fā)揮。任何超出授權(quán)知識(shí)庫(kù)的回答都可能是合規(guī)風(fēng)險(xiǎn)。

在醫(yī)療領(lǐng)域，一次幻覺(jué)可能造成嚴(yán)重后果。保守輸出比聰明輸出更重要。

這些場(chǎng)景的核心訴求是：領(lǐng)域幻覺(jué)率可控、私有數(shù)據(jù)合規(guī)、私有化部署工程。通用推理能力在這里意義有限。

這意味著，工程淘汰賽在垂直賽道上的表現(xiàn)形式完全不同：不是比誰(shuí)的推理成本更低，而是比誰(shuí)能在特定領(lǐng)域把幻覺(jué)率壓到可接受范圍、誰(shuí)能把模型安全地部署在客戶(hù)的內(nèi)網(wǎng)環(huán)境。

也正是在這一輪垂直化+工程化的雙重浪潮中，中國(guó)AI公司的差異化優(yōu)勢(shì)得以充分釋放。

七、中國(guó)公司的位置：優(yōu)勢(shì)與邊界

在工程化這場(chǎng)競(jìng)賽中，中國(guó)公司有獨(dú)特優(yōu)勢(shì)，也需要正視邊界。

優(yōu)勢(shì)：存量工程能力

字節(jié)的推薦系統(tǒng)、阿里的雙11技術(shù)保障——這些工程肌肉可以遷移到大模型領(lǐng)域：高并發(fā)架構(gòu)、實(shí)時(shí)數(shù)據(jù)處理、模塊化設(shè)計(jì)、自動(dòng)化運(yùn)維，都是中國(guó)互聯(lián)網(wǎng)過(guò)去十年積累的核心能力。

獨(dú)特長(zhǎng)板：垂直領(lǐng)域積累

除了通用工程能力，中國(guó)廠商在垂直領(lǐng)域還有獨(dú)特優(yōu)勢(shì)：金融、政務(wù)、醫(yī)療等行業(yè)的私有數(shù)據(jù)積累、本地化合規(guī)經(jīng)驗(yàn)、中文原生的對(duì)齊能力、私有化交付的工程體系——這些都是海外巨頭短期內(nèi)難以復(fù)制的壁壘。

制約：芯片生態(tài)的差距

DeepSeek在V4國(guó)產(chǎn)化遷移中遇到的困難，正是昇騰生態(tài)與CUDA生態(tài)差距的體現(xiàn)。同時(shí)需要客觀看到，國(guó)產(chǎn)芯片生態(tài)正在快速迭代——昇騰的CANN軟件棧持續(xù)優(yōu)化，推理框架已支持主流模型的高效部署，輕量化適配方案在多個(gè)行業(yè)場(chǎng)景中規(guī)�；涞�。差距在縮小，但追趕仍需時(shí)間。

不確定性：成本優(yōu)勢(shì)的可持續(xù)性

當(dāng)所有玩家都進(jìn)入工程決勝期，成本優(yōu)勢(shì)會(huì)被迅速追趕。價(jià)格戰(zhàn)的終局往往是利潤(rùn)趨零，屆時(shí)競(jìng)爭(zhēng)將回到基礎(chǔ)研究、品牌、生態(tài)等綜合實(shí)力的比拼。

八、結(jié)語(yǔ)：推理能力競(jìng)賽的邊際價(jià)值遞減，工程淘汰賽開(kāi)始

GPT-5.5的發(fā)布是一個(gè)標(biāo)志性事件，但它的多重?cái)?shù)據(jù)——高推理能力、高幻覺(jué)率、價(jià)格分層——共同指向一個(gè)更復(fù)雜的現(xiàn)實(shí)：

這里需要澄清的是：強(qiáng)調(diào)工程能力成為稀缺并不意味著基礎(chǔ)研究不再重要。沒(méi)有基礎(chǔ)研究的突破，工程優(yōu)化終將觸及天花板。但在當(dāng)前技術(shù)架構(gòu)相對(duì)穩(wěn)定的窗口期，工程能力是決定誰(shuí)能率先跑通商業(yè)化的關(guān)鍵變量。兩者是接力關(guān)系，不是替代關(guān)系。

接下來(lái)的競(jìng)爭(zhēng)，不再是單純的誰(shuí)更聰明，而是：

• 當(dāng)文本推理能力達(dá)到人類(lèi)前2%就能滿(mǎn)足多數(shù)場(chǎng)景，推理能力競(jìng)賽的邊際價(jià)值正在遞減

• 當(dāng)幻覺(jué)率差距達(dá)到50個(gè)百分點(diǎn)，可靠性正在成為比推理能力更稀缺的品質(zhì)

• 當(dāng)價(jià)格差距達(dá)到10倍以上，綜合成本成為企業(yè)客戶(hù)的核心考量

• 當(dāng)數(shù)據(jù)質(zhì)量和工具調(diào)用決定Agent的生死，工程化的復(fù)雜度遠(yuǎn)超預(yù)期

• 當(dāng)安全合規(guī)成為政企客戶(hù)的門(mén)檻，合規(guī)工程進(jìn)入淘汰賽的核心賽道

誰(shuí)能在可控的綜合成本下，把模型的能力可靠地用起來(lái)？

這是規(guī)則改變——從參數(shù)競(jìng)賽轉(zhuǎn)向工程淘汰賽。

當(dāng)高推理能力不再是稀缺品，稀缺的是讓智能變得便宜、可靠、可規(guī)�；墓こ棠芰Α�

而這，既是所有AI公司的共同命題，也是中國(guó)公司的機(jī)會(huì)與挑戰(zhàn)所在。