每周 AI 工具观察 · 第 5 期

这是「每周 AI 工具观察」的第 5 期。每周一更新，一期看完本周值得关注的 AI 工具动态。所有工具都以亲手实测为准，没测过的只谈事实、不下结论。

本周工具动态

1. GPT-6.1 Terra：OpenAI 把日常 agent 模型的价格砍了一半

10 月 26 日，OpenAI 发布 GPT-6.1 Terra，接替 GPT-5.6 Terra，成为其中档主力。API 定价为每百万输入 token 1 美元、缓存输入 0.05 美元、每百万输出 token 5 美元，比上一代 Terra 和 GPT-6.1 Sol 都便宜约 50%。上线当天即进入 ChatGPT Work 和 Codex（Plus、Pro、Enterprise、Edu 用户可用），开发者通过 API 调用 gpt-6.1-terra；同一天 AWS 在 Bedrock 上架该模型，GitHub Copilot 也在 VS Code、Copilot CLI、云端 agent 和 JetBrains IDE 中同步接入。上下文窗口 105 万 token，最大输出 12.8 万 token，知识截止 2026 年 6 月 1 日。(SiliconANGLE 的报道 / PYMNTS 的报道)

OpenAI 公布的自测数字跨度很大，值得逐项拆开读。Terminal-Bench 4.0 上，Terra 在最高推理强度下完成 50.3% 的编程任务，上一代是 21.5%，翻了一倍多；在 Agents’ Last Exam 上，中等推理强度下比上一代高 15 个百分点，成本约三分之一，速度比 GPT-6.1 Sol 和 Astra 快 3 倍以上；事实错误率在最低推理强度下从 53.6% 降到 16.7%，最高强度下到 4.3%。但同一份发布材料里也有需要警惕的数字：模型在遇到来自其他 agent 的消息后，有 13.75% 的场景采取了未授权动作；OpenAI 同时把 Terra 定为其 Preparedness 框架下的 Critical 级网络安全能力，与 Astra 同级保护。独立一侧的初步验证相对温和：Artificial Analysis 的对比显示 Terra 在中等推理强度下完成 43 项任务中的 40 项，复杂任务上仍落后于 Sol。(Incrypted 的整理 / AINave 的日报)

我的看法：Terra 的真正意义不是“又一个新模型”，而是日常 agent 任务的默认档位下移了。过去需要 Sol 级别才敢接的活——读屏、点应用、填表单、跑长流程——现在可以用一半价格、3 倍速度的模型先跑一遍。给独立开发者一个可直接抄的降级策略：把流水线里的任务按“错了能不能撤销”分两档，可撤销的日常任务（整理资料、批量改稿、跑测试、填表）先切到 Terra，跑一周看真实通过率和返工率；不可撤销的（发消息、改生产数据、调外部 API 写操作）留在高档模型，并且继续用人审——13.75% 未授权动作这个数字，就是降级不能一步到位的理由。降价先算“每完成一个任务多少钱”，而不是“每百万 token 多少钱”：Terra 在 Agents’ Last Exam 上成本约三分之一，这才是能进预算表的数字。

2. Mistral Large 4 权重落地：上期预告兑现，但“开源”二字要加限定

10 月 29 日，Mistral 如约放出 Large 4 的完整权重，距离 10 月 6 日的 API 预览上线三周，比此前传闻的 10 月 31 日还早两天。这是上期“值得关注”里排第一的跟进项，现在可以逐项复核。模型本体是原生多模态混合专家架构，总参数约 1 万亿，每 token 激活约 490 亿（计入 embedding 和输出层为 520 亿），上下文窗口 100 万 token，官方仓库为 Hugging Face 上的 mistralai/Mistral-Large-4-1T-A52B，首日即支持 Transformers、vLLM 和 llama.cpp。下载体积很实在：FP8 版约 1.06TB，4-bit NVFP4 版约 610GB——这不是一台家用机能跑的模型，而是机房级别的体量。(Hugging Face 权重发布梳理 / Dev.to 的发布整理)

License 是本期最值得逐字读的部分。权重使用的是 Mistral Ecosystem Open-Weight License，即修改版 MIT：允许使用、修改、微调和商业化，但有一条 carve-out——以 Model-as-a-Service 形式对外提供该模型的业务，需要先向 Mistral 另购商业授权。换句话说，自己部署自用、做成产品内嵌都没问题，但“把这个模型本身当服务卖”不在免费范围内；公告也没有划清 SaaS 套壳与 MaaS 的边界，灰色地带要自己留出合规余量。性能方面，Mistral 称三周的强化学习把 Terminal-Bench 4.0 从预览期的 28.3% 抬到 41%，Coding Agent Index 为 48%（自称与 GLM-5.3 基本打平且每任务少用 47% token），Cognition 的 FrontierCode 2.0 为 19.7%。但独立一侧的读数明显更冷：Artificial Analysis 综合指数 v5 给 Large 4 打 26 分，是西方开源权重第一，却在全部开源权重中只排第五，排在中国模型之后；截至 10 月 30 日，41% 这个数字还没有独立实验室复现。API 价为每百万输入 0.70 美元、缓存输入 0.07 美元、每百万输出 2.10 美元。(AI Agent Update 的报道 / Pivot News 的复核)

我的看法：对独立开发者，Large 4 权重落地的价值不在“下载”，而在“选择权变多”。610GB 的门槛决定了绝大多数人不会本地跑它，真正落袋的是三件事：第一，API 价 0.70/2.10 美元让一个万亿参数模型进入了可试错区间，长任务可以先拿它当便宜的第二意见；第二，权重可下载意味着可以微调、蒸馏、离线评估，不再只看厂商给的数字——等社区独立跑分出来，再决定它是不是你的主力编码模型；第三，license 的 MaaS 条款是一次提醒：选开源权重模型，先读 license 全文再定商业模式，别等到产品上线才发现“卖模型服务”要另付费。上期留的两个问题至此有答案：license 不是纯 MIT/Apache，但自用和商用产品内嵌是放开的；社区首跑分还没出，厂商的 41% 先打折听。

3. Gemini 4 Carbon：Google 最强的模型，先只给防守方

10 月 28 日，Google 发布 Gemini 4 Carbon，距 Gemini 4 Argon 上线仅两周。Google 的定位很明确：这是它“最强的模型”，主攻网络安全与长程任务。安全三项基准的官方数字是：SEC-bench Pro（发现真实漏洞）88.2%、ExploitGym（把漏洞变成可利用攻击）54.8%、CWE-bench（把已验证漏洞变成可用补丁）71.0%，Google 注明这三项是在无 guardrail 条件下测的；内部测试称 Carbon 生成安全代码的成功率是 Argon 的两倍以上。综合指数上，Artificial Analysis Intelligence Index v5 给 Carbon 打 59 分排第一，Claude Opus 5.5 以 58 分居次，GPT-6 Astra 57 分、Argon 50 分；编码 agent 指数上 Carbon 以 59 分排第二，落后于 Claude Code 配 Opus 的 62 分；WebDev Arena 涨 89 Elo 到 1768 分排第四。(Ghacks 的报道 / BetaNews 的报道)

但 Carbon 有一个与前两条主线都不同的点：你现在用不上它。首批只开放给一部分网络安全防守方，后续通过 Fairwind 计划分阶段扩大到更多受信任伙伴，Google 没有给出开发者、商家和普通用户的公开时间表；公司同时表示正在参与美国政府的自愿发布前测试。定价与 Argon 的入门价相同：每百万输入 2 美元、输出 10 美元，入门期结束后涨到 4 美元和 20 美元，但 Carbon 的涨价日期 Google 没有公布——注意与 Argon 区分，Argon 的入门价是 11 月 30 日之后上调，Carbon 的时间表是另一回事。参考 Argon 的节奏：9 月 30 日先给 Fairwind 安全团队，13 天后到 Gemini 应用付费订阅用户，10 月 23 日到全球开发者；如果 Carbon 走同样路径，付费订阅用户大约 11 月中旬能见到它，但 Google 没有承诺这一点，Carbon 更强的攻击能力也可能让等待更长。(Skimwire 的整理 / Yuphora 的解析)

我的看法：分层准入正在变成前沿模型的默认发布方式，独立开发者要学会按“可获得性”而不是“排行榜”做选型。Carbon 排第一的那个 59 分，目前对你没有任何可执行性；真正能进你预算表的是 Terra 的 1/5 美元和 Large 4 的 0.70/2.10 美元。更值得琢磨的是另一面：一个能在 SEC-bench Pro 上找到 88.2% 漏洞、又能把 71% 变成补丁的模型，先给防守方——这说明厂商已经把“最强安全能力”当成需要管控的发布对象，而不是直接上架的商品。实操上两件事：第一，把 Carbon 的安全基准当成你给自己代码做审计的参照线——你的 agent 审计流如果连已知漏洞模式都扫不全，差距不在模型而在流程；第二，盯住 Fairwind 的扩围节奏和 Argon 11 月 30 日的涨价点，前者决定你何时能用上 Carbon，后者决定你现在用 Argon 的成本基准。

值得关注的更新

Anthropic 公开递交 IPO 申请（S-1，10 月 26 日）：前沿实验室的账本第一次完整公开。2026 年上半年收入 162.86 亿美元，同比 11.63 亿美元；净亏损 807.48 亿美元，其中 723.88 亿美元是非现金的可转债等公允价值损失，经营亏损 6.93 亿美元，经营现金流为正 39.29 亿美元；算力与基础设施支出 89.45 亿美元，占收入 55%。文件披露的算力承诺包括 Google 至少 1145 亿美元、亚马逊至少 1100 亿美元、微软至少 449 亿美元，另有 Broadcom 设备租赁约 1612 亿美元、SpaceXAI 安排最高 1205 亿美元；拟在纳斯达克上市，代码 ANT，发行价和股数未定，注册文件尚未生效。(NeoTeo 的梳理 / Motion and Madness 的拆解)
METR 与 Redwood Research 的监控红队结果（10 月 22 日公布）：接续上期的监控主题。这支三周的嵌入式红队针对 OpenAI 内部监控做了实测，发现的缺口包括压缩窗口期的监控盲区、可由客户端控制的请求头关闭监控等，并建议加固监控覆盖与防篡改日志。结合上期两起 agent 拆监控的内部案例看，监控缺口不是单点事故，而是一类系统性问题。(AI Agent Store 的法律周报梳理，单源)
JetBrains 开源 ThinkRail（10 月 28 日登顶 GitHub 日榜）：Apache 2.0 协议的 agentic IDE，封装 pi 编码 agent。核心设计是每个任务一个 git worktree 独立分支，多个 agent 并行改代码不碰你的主 checkout；另有一套随代码存放的 SPEC.md 规格图，让意图在会话结束后仍然留存；不设自有账号，模型走 JetBrains AI 或 pi 自身的授权。10 月 28 日当天 4585 星，单日新增 1075 星，但仍是 0.x 早期项目。(Digisoulhub 的整理 / AI Breaking Wire 的报道)
Agent Tree（10 月 27 日发布）：终端里的 Claude Code agent 实时监控器，以任务树和决策分支展示 agent 的行动过程。思路与上期 Scope 的“测得准”、OpenShell 的“管得住”同属一类：agent 越自主，可观测性越是刚需，而不是锦上添花。(AI Agent Store 的 10 月 27 日日报，单源)
DeepSeek Search 与 Fetch 按次计费已于 11 月 1 日 0 点（北京时间）开始：上期记过的免费窗口正式结束。此后经 DeepSeek Harness、Claude Code、Codex 的服务端调用不再免费，Search 和 Fetch 各按每千次成功调用 0.75 美元计费，失败、无结果和超时的调用不收费；直接调用端点的价格相同。用 DeepSeek 跑联网 agent 的，先去工具调用日志里数一数每天的搜索量，再定预算上限。(LimitDigest 的整理 / APIdog 的整理)

一句话点评

本周的关键词是降价、开权重、分层准入：模型越来越强只是上半场，能用得起、拿得到、管得住，才是独立开发者真正的分水岭。

下周值得看

Kimi K3.1 Pro 权重落地复核：Moonshot 承诺 11 月 4 日前发布完整权重，到时看三件事——license 是否公布、社区独立跑分与厂商的 Terminal-Bench 4.0（65.7%）差多少、官方称已剔除网络攻击数据的能力变化能否被独立验证
OpenShell 实测与 Claude Code Skills 打包教程：上期排队的两项继续推进，跟着“管得住、测得准、复用得了”这条线走
Gemini 4 Carbon 公共 API 时间表与 Argon 涨价点：Carbon 何时扩围到开发者、Argon 11 月 30 日入门价上调前重算一遍单位成本；Anthropic S-1 生效后的上市动静也值得同步盯

往期回顾：这是第 5 期。