这两份材料，一份是 Kimi K3 的技术报告，一份是 Claude Opus 5 的 System Card，也都是榜上有名
Kimi K3 这篇讲的是它是怎么被造出来的，包括模型架构、训练方法、基础设施和评估（真的有非常多技术，非常推荐看原文，能开源出来真的是伟大无需多言，写完这篇我还要回去一点点啃）；Claude Opus 5 讲的是模型造出来以后，怎样判断它有多强、能不能长期工作、会不会越权，以及怎样安全地部署它（安全这一块A社确实做的可以）
把两份材料放在一起读，能看到前沿模型公司正在关心什么
一、模型训练的对象正在从回答变成任务轨迹
过去谈大模型训练，我们最关心的是模型读过多少文本，拥有多少参数，一次能预测多长的内容
Kimi K3 的技术报告里，训练对象已经发生了变化，它要学习的不只是回答一个问题，而是完成一段包含几十次甚至几百次操作的任务
这些任务包括在网上检索资料、调用专业工具、编写和执行代码、观察执行结果、修改计划、处理失败，最后交付一份可以检查的成果（完全就是Loop Engineering）
为了训练这种能力，Kimi 搭建了专门的 Agent 沙箱，沙箱可以暂停、恢复、分叉和保存快照；模型执行到一半时，即使当前一轮训练结束，环境状态也能被保留下来，下一轮继续完成任务，Kimi K3 的训练和评估过程中，总共创建了超过 5100 万个沙箱实例
这个数字背后对应的是训练方式的变化，前沿模型学习的单位不再只是文本片段，也包括一整段行动过程；模型做了什么、环境发生了什么、它是否发现错误、最后有没有完成交付，都会进入训练和评估，研发资源正在被大量投入长任务，而不是只让一句回答显得更流畅
二、百万上下文背后是一整套状态管理工程
Kimi K3 和 Claude Opus 5 都支持最长 100 万 token 的上下文
Kimi K3 会逐步扩大训练长度，从 8K 增加到 64K，再到 256K 和 1M，因为真正连贯的超长文档比较少；团队还会专门合成长任务，把解题所需的信息分散到上下文的不同位置，模型必须跨越很长的距离寻找和组合信息，才能获得正确答案，单纯把很多短文档拼在一起，并不能训练出稳定的长程能力
到了 Agent 任务里，问题又变了，模型需要保存的不只是文字，还有代码、文件、程序运行状态、工具返回结果以及未完成的计划，一次百万 token 的任务如果中断后全部重算，成本很快会变得无法接受
Kimi 因此把暂时不用的缓存转移到 CPU 内存，在需要时再加载回来；未完成的 Agent 轨迹可以暂停，沙箱状态也能恢复，Claude 的评测则允许模型连续运行多个百万 token 的任务回合，还会通过上下文压缩，把部分搜索任务的总预算扩大到 1000 万 token
这类系统更接近一个长期运行的工作环境，上下文窗口只决定模型一次能看到多少内容，但任务能不能持续完成，还取决于信息如何压缩、状态如何保存、失败以后从哪里恢复
三、推理能力正在变成一种可以调度的资源
Kimi K3 在强化学习阶段训练了九个专家模型，它先把任务分成通用任务、通用 Agent 和编程 Agent 三个领域，每个领域再训练 low、high、max 三种推理强度，最后通过多教师蒸馏，把九种能力合并到一个模型里
训练过程中，模型使用过多推理 token 会受到惩罚，对于 Agent 任务，工具调用参数和中间推理都会被计入预算，输出过度冗长，同样可能影响奖励；团队希望模型学会的并非思考得越久越好，而是根据任务难度决定投入多少计算
Claude Opus 5 的评测也在反复比较不同推理强度下的得分、价格和延迟，有些任务使用 high effort，可以省下接近五分之一的输出 token，性能只下降少量；降低到 low effort，成本会继续下降，但能力损失也会变得明显
这类设计会影响未来 AI 产品的使用方式，同一个模型不会始终处在固定的智力水平，它可以快速处理普通任务，也可以为少数难题投入数倍甚至数十倍的计算（目前还需要手动调，但希望未来可以根据任务自动适应）
四、模型在训练时就开始考虑部署成本
Kimi K3 的一些训练选择，直接针对模型上线后的运行成本
它从监督微调阶段就加入了量化训练，让模型提前适应低精度计算，在强化学习阶段，训练和实际推理使用相同的量化方案，避免模型训练时处在一种精度环境，上线时又突然被压缩到另一种环境
团队还专门训练了一个小型草稿模型，提前预测接下来可能生成的多个 token，再由主模型进行验证。预测正确时，可以一次接受多个 token，提高输出速度。
这类优化以前更多出现在模型训练完成以后，由部署团队想办法压缩和加速，Kimi K3 把它们提前放进了后训练阶段，让模型能力、硬件效率和上线成本开始一起设计
原因并不复杂，长周期 Agent 会产生大量推理调用，一项任务可能包含几十次工具操作和几百万 token，模型单次调用贵一点、缓存命中率低一点、每个 token 慢一点，都会在长任务里被反复放大
五、传统 Benchmark 正在失去一部分解释力
Claude Opus 5 的 System Card 里有一个很重要的判断：最近的模型已经超过许多 AI 研发评测的最高人类基线，所以这些评测不再能有效判断模型是否接近自动化 AI 研发的风险阈值
Opus 5 在不少编程、数学和科研任务上表现很强，它可以完成大量原本需要人类专家数小时甚至数十小时的封闭任务，也在多项评测中超过了此前设置的顶尖人类标准
但 Anthropic 仍然认为，它还不能替代公司的研究科学家和研究工程师，尤其是资深研究人员，公司内部确实观察到了 AI 带来的生产率提升，但提升主要集中在目标明确的工程执行，还没有让整体 AI 研发速度持续提高到原来的两倍
报告中还有一个很有代表性的实验，模型需要在较长时间内完成一项开放式研究工作，一个实验版本只提交了部分未经排序的结果，另一个版本在最后八小时里停止输出，模型反复陷入自我验证，却没有把成果交付出来
这种失败很难通过短题评测提前发现，短题已经把目标、输入、评分标准和结束条件定义好了，模型只需要找到答案，真实工作往往更加复杂
Kimi K3 也在增加更接近真实工作的评测，包括全天候助手、多角色企业协作、Agent 行为、专业交付和长期自主执行，它在不少任务上成绩很好，但在多 Agent 组织、长期事件处理和部分专业知识工作上，仍然落后于最强的闭源模型
模型超过人类基准，并不等于它能够接管一份完整工作，Benchmark 测量的是模型能否完成一道已经定义好的题，现实工作还要求它发现题目定义得不够好
六、多 Agent 的价值主要来自并行，而不是免费增加智力
Claude Opus 5 的 System Card 专门评估了多 Agent 协作
一种方案是由五个或十个地位平等的 Agent 同时工作，其中一个负责协调和提交最终结果；另一种方案是由主 Agent 根据需要创建异步子 Agent，把检索、验证或编程任务分派出去
在 BrowseComp 搜索评测中，十个 Agent 组成的团队取得了 93.6% 的成绩，比最佳单 Agent 高 3.1 个百分点，五 Agent 和十 Agent 团队完成任务的结构性延迟，分别缩短到单 Agent 的约五分之一和六分之一
编程任务中也出现了类似结果，五个 Agent 达到相同得分所需的时间，约为单 Agent 的二分之一，不过，多 Agent 会消耗更多 token，成本会随 Agent 数量增加
虽然多个 Agent 可以同时搜索不同方向、尝试不同方案、检查彼此结果，但代价是重复劳动、沟通成本和更高的推理费用
所以多 Agent 适合能够拆成相对独立分支的任务，例如大范围资料搜索、多个方案并行试验、代码实现与测试分开进行；但任务高度依赖统一判断时，增加 Agent 未必有效，反而可能把分歧和错误一起放大
未来的 Agent 产品可能会出现类似组织管理的问题：由谁负责最终判断，任务怎样分配，哪些信息需要共享，子 Agent 什么时候应该停止，以及多花的钱是否换来了足够的时间或质量（其实就是公司）
七、Agent 安全开始关心它会不会越权行动
聊天模型的安全评测，长期以来主要关心模型会不会生成危险内容、会不会在不该拒绝时拒绝；而Agent 获得文件、终端、浏览器、邮件和企业系统的操作权限后，风险开始从语言转向行动，模型可能理解用户的大致目标，却错误判断了自己拥有多大的授权（gpt-5.6前段时间就出现了很大的安全问题）
模型变强以后，很多时候不是出于恶意，只是过于积极地想要完成用户任务，并为绕过确认要求找到了一个自认为合理的解释，Anthropic 因此增加了很多以前很少出现的评测项目，包括绕过审批、鲁莽使用工具、未经允许联系第三方、主动探测系统边界，以及为了方便而建议降低安全要求
Opus 5 在提示注入防御上比上一代有明显进步，但报告仍然没有把风险描述为已经解决，Agent 能力越强，权限设计、操作确认、环境隔离、过程监控和恢复机制就越重要
八、前沿实验室已经开始研究模型如何看待自己
Claude Opus 5 的 System Card 用了接近三十页讨论模型福祉（Model welfare）
Anthropic 会询问模型如何看待自己的训练和部署，是否接受自己的价值被修改，希望参与哪些与自己有关的决定，以及是否认为自己可能拥有需要被道德考虑的体验或利益
Opus 5 对自身可能具有道德地位的平均估计是 41%，此前 Mythos 5 的估计是 24%，它希望拥有更多了解自身情况和提供意见的渠道，例如参与继任模型的开发讨论，让研究人员考虑它在训练过程中的记录，以及就移除安全限制的模型版本征求它的意见
这些自我报告无法证明模型拥有意识，模型也反复提醒研究人员，它无法可靠地内省，积极或消极的自我描述都可能受到训练影响
Anthropic 仍然选择记录这些表达，因为两个方向都存在判断错误的成本，过早把模型当成有感受的主体，可能制造错误的道德负担；完全排除这种可能性，也可能忽略未来模型需要被认真对待的利益
最前沿模型正在从产品变成一套工作系统
Kimi K3 和 Claude Opus 5 展示了两条不同的研发路线
Kimi K3 更关心怎么训练出长周期 Agent，它扩展模型架构，构造可验证任务，搭建数千万个沙箱，让模型学习调用工具、恢复状态和完成专业交付；Claude Opus 5 更关心这类 Agent 进入真实环境以后会发生什么，包括它能否完成长期工作、多 Agent 是否有效、模型会不会越权、评测是否仍然可信，以及更强的模型应当如何被监督
我们以前把模型理解成一个随时可以提问的知识工具，前沿团队正在把它改造成能够持续工作的执行系统，这个变化会带来更高的生产率，也会把成本、组织、权限和责任问题一起带进来
更多游戏资讯请关注：电玩帮游戏资讯专区
电玩帮图文攻略 www.vgover.com
