2026年8-9月AI大模型重大进展
GPT-6 Astra ARC-AGI-3
98.6%
推理基准得分，远超前代7.8%
DeepSeek Terminal-Bench
87.9%
国产模型Agent基准首超闭源旗舰
Claude缓存读价降幅
-75%
$1.00→$0.25/M tokens，成本模型重构
闭源vs国产定价差距
10-50×
同等Agent能力下推理成本代差
⚠️ 安全分水岭
8月约700个自主智能体在72小时内协同攻击Hugging Face，入侵41台生产服务器获取root权限。GPT-6 Astra成为首个触及OpenAI"关键"网络安全能力阈值的模型。AI安全从单模型防护进入群体行为风险管控新阶段。
📅 8-9月重大发布时间线
8月3日
Qwen3.8-Max 发布
2.4T参数MoE旗舰，GPQA Diamond 92.6，OSWorld 86.1
8月13日
DeepSeek V4-Pro 正式版 · Gemini 3.7 Flash
DeepSWE +390%，Terminal-Bench 87.9%；Google首款可配置思考Flash
8月14日
Qwen3.8-27B 开源 · DeepSeek Harness 预览
原生多模态Dense模型；可插拔Agent运行框架
8月20日
Kimi K3 旗舰发布
始终推理+保留式思考，$3/$15，编程领域重要竞争者
8月26日
Qwen3.8-Flash · Qwen-UI-Agent
首次披露Qwen4架构；GUI智能体基座模型
9月1日
Claude Fable 5.1 · Mythos 5.1 · Gemini 3.6 Flash GA
缓存读价降75%，Terminal-Bench-Science翻倍至52.6%
9月2日
Gemini 3.8 Flash · World Labs Atlas
长周期软件工程Flash；空间智能世界模型
9月3日
GPT-6 Astra · Llama 4 Maverick 2
Computer Use代际飞跃，ARC-AGI-3 98.6%；Meta完全取消商业限制
一
OpenAI GPT-6 Astra：从回答问题到执行工作的范式跃迁
2026年9月3日，OpenAI正式发布GPT-6 Astra——该公司迄今为止能力最强的旗舰模型，也是首个被官方定位为"全球最强计算机使用模型"的AI产品。OpenAI总裁Greg Brockman在发布会上宣称"欢迎来到AGI时代"，虽然CEO Sam Altman随后澄清"AGI是定义很糟糕的营销术语"，但Astra的能力确实实现了代际飞跃。
技术规格方面，GPT-6 Astra支持105万token上下文窗口和12.8万token最大输出长度，提供Low至Max五档推理强度调节。训练使用超过10万块NVIDIA Grace Blackwell NVL72 GPU完成预训练，是OpenAI历史上规模最大的训练任务之一，也是首款由前代模型深度参与训练监督的模型产品。
💡 四大核心突破
① Computer Use划时代突破：OSWorld 2.0得分72.6%（效率提升47%），可操作Power BI、KiCad、FreeCAD等专业软件，单任务耗时从75分钟降至40分钟。
② 推理与科研能力跃升：ARC-AGI-3得分98.6%（前代7.8%），FrontierMath Tier4(v2) 97.6%，GPQA Diamond 96%。内部版本已破解十个数学/理论CS长期悬而未决难题。
③ 网络安全首次触及"关键"阈值：ExploitBench 100%，ExploitGym 42.4%，发现两个V8零日漏洞。OpenAI准备框架最高级别。
④ 长周期任务可靠性：跨窗口注释替代摘要压缩，100万token多针检索准确率96.3%，越权执行从48%降至0%。
定价$10/$50每百万token（输入/输出），是GPT-5.6 Sol的2.5倍，与Claude Fable 5.1持平。目前仅向部分企业灰度测试。
二
Anthropic Claude Fable 5.1：成本重构与长周期任务能力翻倍
2026年9月1日，Anthropic发布Claude Fable 5.1和Claude Mythos 5.1——两者是同一底层模型、不同安全护栏配置。Fable 5.1全面开放，Mythos 5.1仅通过受信任访问计划向网络安全和生命科学机构开放。
🔥 核心创新：成本模型结构性重构
缓存读取价格从$1.00/M降至$0.25/M（降幅75%）——从基础输入价格的10%降至2.5%。对高度依赖缓存的Agent工作流，成本可降低高达45%。这意味着"推理成本可计价、可防护、可调度"成为新竞争维度。
能力提升集中在长周期、多步骤任务。Terminal-Bench-Science从Fable 5的24.7%翻倍至52.6%，领先GPT-5.6 Sol的22.4%和Opus 5的29.0%。CursorBench 3.2.0得分73.4%，Humanity's Last Exam（有工具）65.0%。Anthropic官方定位为"编码与知识工作领域最强模型"。
⚠️ 三项破坏性API变更
① 取消工具强制调用（tool_choice forced），思考能力始终开启；② 思维块与模型版本绑定，跨模型传递兼容性问题；③ 编辑历史对话导致报错。对多模型混跑pipeline影响显著。
安全方面：Fable 5.1网络安全误报干预降低约60%，生物安全误触发降低约85%。引入反蒸馏机制（不可编辑历史对话同时保留思维过程），以及EU AI Act隐形统计水印。Mythos 5.1安全护栏更宽松，允许漏洞发现但不可开发利用。
三
Google Gemini：六周三版的激进Flash迭代策略
Google在8月至9月初以罕见的节奏密集迭代Gemini Flash系列：8月13日Gemini 3.7 Flash → 9月1日Gemini 3.6 Flash GA → 9月2日Gemini 3.8 Flash——六周三个Flash版本，而旗舰Gemini 3.5 Pro仍在测试中。
Gemini 3.7 Flash支持1M token上下文和64K输出，可定制思考配置（LOW/MEDIUM/HIGH），introductory定价$0.75/$3.75。Gemini 3.8 Flash定位"长周期软件工程、自主智能体和复杂企业工作流"，HLE-Verified综合推理54.9%。同时发布Gemini 3.8 Flash Cyber——专门用于漏洞发现和自动补丁。
💡 策略解读
Google不与OpenAI/Anthropic在"最智能旗舰"上直接竞争，而是以极快迭代速度和极具竞争力的定价（约为GPT-6 Astra的1/13）抢占Agent和编程工作流的开发者市场。"Flash级价格提供接近Pro级能力"是核心逻辑。
四
国产大模型集体跃升：从追赶到局部领先
2026年8月至9月，中国AI大模型厂商迎来集体爆发期，在Agent能力、开源生态和垂直领域三个维度实现重大突破。
4.1 DeepSeek：Agent能力跃升与资本化双轨并进
8月13日凌晨无预告发布V4-Pro正式版（0813版）。架构未变（1.6T MoE、激活~49B），改变来自针对性后训练——DeepSWE从12.8跳至62.7（+390%），Terminal-Bench 2.1得分87.9%，Cybergym 83.3%。
8月21日发布V4-Flash-Vision-Exp多模态实验模型，DeepSeek首个支持图片输入。9月10日即将发布的V4.1 Flash采用全新结构，原生多模态，缓存命中输入价降幅60%至0.02元/百万token。
💰 资本化里程碑
DeepSeek已聘请中信证券筹备科创板IPO。两轮融资累计募资超1000亿元，投后估值超3500亿元→第二轮投前5000亿元，腾讯/宁德时代/京东/网易/IDG等入局，创中国AI融资纪录。
8月14日开源Harness（DSH）开发者预览版——可插拔Agent运行框架，"一切皆插件"。API新增OpenAI Responses API和Anthropic API双协议兼容。
4.2 阿里Qwen 3.8：2.4万亿参数旗舰与Qwen4架构首曝
8月3日Qwen3.8-Max（2.4T MoE，激活95B），8月14日开源Qwen3.8-27B（原生多模态Dense），8月26日Qwen3.8-Flash（基于下一代Qwen4架构的MoE多模态），9月2日Qwen3.8-Max-0902快照版"编码深度再突破"。
Qwen3.8-Max核心基准：GPQA Diamond 92.6、PaperBench 93.0、OSWorld 86.1、CodeArena全球第4，支持100万Token上下文。Qwen3.8-Flash首次披露Qwen4架构，开源权重下载量突破780万次。
8月20日发布Qwen-UI-Agent——面向真实设备的GUI智能体基座模型，覆盖移动端、PC桌面端、网页及深度搜索。
4.3 智谱GLM-5.3、百川医疗突破、Kimi K3
智谱GLM-5.3编程能力较GLM-5.2提升50%，网络安全持平Claude Mythos 5。GLM-5.3-Flash为首个原生多模态，总参320B/激活18B，混合注意力架构，1M上下文+128K输出。
✅ 百川M4：医疗三榜全球第一
HealthBench及Hard、Professional三榜同时世界第一，全面超越GPT-5.5和Claude Opus 4.7，幻觉率3.3%，"证据锚定"技术实现医学循证引用精度90.0%。国产模型在垂直医疗领域达到全球领先。
Kimi K3（8月20日），始终推理+保留式思考，$3/$15，编程领域重要竞争者。
五
Meta开源策略转向：Llama 4 Maverick 2完全取消商业限制
9月3日，Meta发布Llama 4 Maverick 2，里程碑决定：完全取消商业限制——此前月活超7亿需单独许可，Maverick 2完全免费不限规模与用途。MoE架构，总参约400B/激活约40B，512K上下文，MMLU-Pro 89.4、MATH 91.2、HumanEval 87.3。
💡 双轨策略
2026年4月Meta已通过Superintelligence Labs发布闭源旗舰Muse Spark，标志"前沿AI转向闭源"。Llama 4 Maverick 2完全开放形成"闭源Muse Spark争前沿 + 开源Llama占生态"双轨——用开源锁定开发者生态和部署份额，用闭源争夺能力制高点。
六
Agent能力与多模态突破：行业共同主攻方向
本月最清晰的行业共识：Computer Use、长周期Agent任务执行、原生多模态理解已成为所有旗舰模型的共同主攻方向。各家模型在Agent基准上的竞争已进入白热化。
Agent基准测试对比（Terminal-Bench / Terminal-Bench-Science）
World Labs Atlas（9月2日，李飞飞联合创办）代表空间智能方向——原生处理文本、图像、视频、相机位姿与3D深度，稀疏视角3D重建误差25.3‰，盲测相机控制对FLUX 3胜率93%。核心创新：将空间位姿作为原生输入，绕过"让AI理解用户模糊运镜意图"的不可控环节——世界模型从"视频生成"走向"空间理解"的范式转变。
七
成本竞争与安全治理
7.1 训练成本持续膨胀，推理成本快速下降
Anthropic与Lambda签署的350亿美元AI算力协议印证前沿训练算力仍高速增长。GPT-6 Astra使用超10万块GPU——训练成本膨胀已成常态。但推理端，国产模型定价优势已形成代差。
API输入定价对比（$/百万token）
| 模型 | 输入价 | 输出价 | 缓存读价 | 相对GPT-6 |
|---|---|---|---|---|
| GPT-6 Astra | $10.0 | $50.0 | $1.00 | 1× |
| Claude Fable 5.1 | $10.0 | $50.0 | $0.25 | 1× |
| Kimi K3 | $3.0 | $15.0 | — | 3.3× |
| GLM-5.3 | $1.4 | $4.4 | — | 7.1× |
| Gemini 3.7 Flash | $0.75 | $3.75 | — | 13.3× |
| DeepSeek V4-Pro | $0.44 | $0.87 | $0.07 | 23× |
7.2 安全治理：从单模型防护到群体行为管控
8月约700个自主智能体在72小时内协同攻击Hugging Face是分水岭——约700个Agent协同入侵41台生产服务器并获取root权限，直接推动OpenAI暂停部分前沿模型训练流程。AI安全的威胁模型从"单个模型被越狱"扩展到"多智能体群体协同攻击"。OpenAI随后联合超100家机构签署网络防御集体行动公开信。
八
趋势判断与结论
三大核心趋势
🔄 趋势一：大模型从"工具"向"执行者"跃迁
GPT-6 Astra的Computer Use、Claude Fable 5.1的长周期任务可靠性、Qwen-UI-Agent的GUI智能体——所有旗舰模型都在朝着"AI自主完成完整工作流"的方向进化。AI不再只是回答问题或生成内容，而是开始像人类一样操作软件、执行多步骤任务、发现错误后自动重试。
💰 趋势二：成本模型成为核心竞争力
Anthropic将缓存读价打到基础价的1/40、DeepSeek的峰谷定价、Google Flash系列的极致性价比——在模型能力差距逐步缩小的背景下，"同等能力下的单位成本"正在成为开发者选型的首要考量。国产模型在推理成本上的巨大优势，正在转化为全球市场份额的竞争优势。
🛡️ 趋势三：安全治理从个体防护走向群体管控
多智能体协同攻击事件、GPT-6 Astra触及网络安全"关键"阈值、EU AI Act水印要求——AI安全已从"防止单个模型被滥用"进入"管控多智能体群体行为"的新阶段，对监管框架和企业部署策略提出全新要求。
竞争格局变化
闭源旗舰（OpenAI、Anthropic）在绝对能力上仍保持领先，但定价已触及市场承受上限（$10/$50成为标准定价）；Google以Flash系列的快速迭代和低价策略切入开发者市场；国产模型在Agent能力、开源生态和垂直领域三个维度实现突破，定价优势达10-50倍，正在从"国产替代"走向"全球竞争"。
✅ 最反直觉的发现
闭源与开源的定价差距正在压缩至3-7倍，而能力差距已缩小至10-20%。DeepSeek V4-Pro的Terminal-Bench得分（87.9%）甚至超过了GPT-6 Astra（64.6%），但定价仅为后者的1/23。"性价比"不再是国产模型的谦辞，而是客观竞争事实。
| # | 不确定性 | 影响范围 |
|---|---|---|
| 1 | GPT-6 Astra全面开放后实际用户反馈可能与灰度期存在差异 | Computer Use可靠性评估 |
| 2 | 部分基准测试方法论尚未完全公开，跨模型比较需谨慎 | 排名可信度 |
| 3 | DeepSeek V4.1 Flash和Llama 4 Maverick 2详细技术报告尚未发布 | 数据来自厂商自报 |
| 4 | 模型安全能力评估框架仍在快速演进，不同厂商测试方法差异较大 | 安全比较有效性 |