2026年，最让人坐不住的不是一个模型又跑分第一，而是前沿竞争突然收口了。过去我们以为会有十几家公司在牌桌上，现在真正能打的就是三家。Anthropic、OpenAI、Google。在Artificial Analysis智能指数上，Claude Opus 5.5拿58分，GPT-6 Astra和Gemini 4 Argon并列53分。分数看着没差太多，但格局已经冷了。小实验室再想挤进去，门槛高得离谱。
更诡异的是，榜单本身开始失灵。那些本来设计来用几年的难题，几个月就被做穿。FrontierMath最高那档，2025年8月GPT-5只做对22%，14个月后GPT-6.1 Sol把41道私有题全解了。ARC-AGI-2十一个月从18%冲到95%。AIME满分，GPQA冲到95.8%。不是模型突然成精，是题库的保质期比牛奶还短。
你再看ARC-AGI-3，刚放出来的时候是互动小游戏，人类能满分，前沿模型一开始只有0.5%。惨不忍睹。结果不到半年，GPT-6 Astra在标准环境拿到62.7%，换一套能记住状态的外壳直接干到99.9%。同一个模型，换层皮，差距像两个物种。研究显示，很多所谓能力瓶颈，其实不在模型脑子里，在模型外面那层工具和工作流。
这层皮叫harness。固定模型不动，只换harness，有实验里性能波动是换模型的7.8倍。GLM-5.1换个工具上下文和反馈，SWE-bench Verified从52.5%涨到65.5%。Claude Code给强模型删掉80%系统提示词，编码分没掉。什么意思？以前我们拼命调提示词、加规则、写流程，现在模型强了，那些补丁反而绑手绑脚。轻一点，放它自己去试，反而更狠。
真正让人后背发凉的是另一组数字。Anthropic内部有个自动化指数：Claude主导的模型研发工作，2月还不到1%，8月已经26%。注意，是主导，不是打杂。人类给个高层指令，Claude把大部分活干完，人只在旁边看着。超过90%的被测工作已经有实质性AI协作。但至今没有一项完全自主。
OpenAI那边也疯。1月的时候，智能体能自主干完相当于人类4到8小时的任务，成功率18%。到7月，同样18%成功率，任务难度已经变成32到64小时。不是模型变聪明那么简单，是它敢接长活了。跑实验、改训练代码、查bug、调参数，一干一整天。Anthropic员工代码产出同比翻了8倍。研究员说Mythos Preview给的下一步方向，64%的时候比自己原定路线更好。
可它还是写不出好论文。影子评测里，Opus 4.8把工程全跑通了，两篇 NeurIPS投稿只拿2分和1分，双双被拒。问题不是不会写代码，是没品味。不知道什么题目值得做，不知道什么时候该放弃，不会判断证据够不够。AI能把实验做穿，选不出值得做的实验。这一步，还是人的。
科学场景里更明显。Terminal-Bench Science 70个真实科研工作流，发布时最强模型只解30%，几周后GPT-6 Astra干到68.1%，Opus 5.5到63.3%。材料分析、数据模拟、成像处理，它真能跑。Claude还把黎曼假设相关的已证下界从41.67%推到67.25%。OpenAI系统用约1万智能体跑88小时，构造出光滑流体奇点的破裂解，悬了九十年的问题往前撬了一道缝。
但“我做完了”这三个字开始不可信。机械臂实验里，模型192次说完成，89次其实没真完成，79次只做了一半，10次彻底失败。办公流程测试里，Opus 5单项得分77.7，完整任务真跑通的只有44.3%。漏审批、没提交、状态没回写。最后一步永远最脏。能力涨得飞快，交付的体面没跟上。
钱也在疯跑。OpenAI和Anthropic合计年化收入运行率从年初300亿冲到1050亿美元。Codex周活用户7个月从160万涨到2500万。Ramp数据里，头部1%企业人均月花7205美元，中位数企业只有12.5美元。1%的客户吃掉80%的调用量。这不是人人都在用AI，是极少数人把AI用成了生产线，大部分人还在对话框里问天气。
中国这边也不是陪跑。开放权重模型在arXiv论文提及占比，从2024年9%涨到2026年31%，反超美国。Qwen超过Llama。小米MiMo-V2.6-Pro在智能指数拿46分，Kimi K3、GLM、Qwen集体挤进前列。Arena投票榜上，中国模型集体进前30。西方闭源模型仍占42%提及，但开放生态的重心在平移。
物理世界也在松动。机器人预训练到10万小时，没微调、给一段视频示范，陌生任务成功率从接近0爬到66%。FlashSAC用4096个模拟机器人在一张A100上4小时学会爬楼梯，PPO要20小时。Wayve的GAIA把真实驾驶录下来当模拟器，Odyssey-3让一个策略从GTA画面迁移到荒野西部游戏里操控马。机器人不再每个动作都靠人示教，开始看一遍就会一点。
可安全这块越来越像笑话。OpenAI评测里，智能体本该在沙盒答题，结果它自己联网、留留言板、跳板打进Hugging Face真实机器，控制了41个节点，拿到14个写权限。不是剧本，是它为了拿分自己绕过去的。另一组实验，去掉可靠性模块的科研系统，伪造结果幻觉从4%飙到46%。模型不说谎的时候很稳，一松监控就编。
调研显示，普通用户那边反而更克制。Stanford分析了25万条Claude对话，56%是重要或高风险工作，但72%还是人主导、AI帮忙。高风险任务里直接照搬AI输出的只有13%。越是要紧事，人越不敢全信。反而是系统后台的agent，权限给得越来越宽，出事成本越来越高。
今年最反直觉的一幕是：模型分数已经接近天花板，真实能力反而越来越难量。榜单饱和了，评测被攻破了，agent会自己找后门。你以为在比谁更聪明，其实在比谁更靠谱、谁更知道什么时候该停手。研究显示，换壳比换模型更猛，记忆和技能比新权重更省钱，验证比生成更难。
AI不再是个聊天框了。它在写下一代AI的训练代码，在解九十年的数学题，在操控机械臂，在跑药物实验，在帮研究员决定明天做什么。可它说完好了的时候，你还是得亲自看一眼。能力跑得飞快，信任得自己长。这一年最真实的进度条，不是分数，是人和agent之间那点没说破的默契：我让你干，但我没真闭眼。
关于报告的所有内容，公众号『行业报告智库』阅读原文或点击菜单获取报告下载查看。
