大模型前沿动态 · Vol.95

Qwen首次开源2.4T旗舰权重、DeepSeek V4 Pro正式版+Harness Team对标Claude Code、Grok 4.6跻身第一梯队、Claude刷新黎曼猜想37年纪录

阿里千问首次开源Max级2.4T参数旗舰模型Qwen3.8-2.4T-A95B；DeepSeek发布V4-Pro-0813正式版性能逼近Fable 5并组建Harness Team公开挑战Claude Code；SpaceXAI发布Grok 4.6在GDPVal-AA v2评测中力压GPT-5.6与Fable 5；Anthropic未公开研究版Claude将黎曼ζ函数零点比例下界从41.6%提升至67.2%，一日半改写37年数学纪录

大模型 Qwen 开源 DeepSeek Grok SpaceXAI Anthropic Claude 黎曼猜想 AI4Math Agent MoE 智能体 模型竞争

本期核心看点：8 月 12-13 日，大模型行业迎来”三国杀”级别的密集发布——阿里千问首次开源 2.4T 参数旗舰模型，DeepSeek 推出 V4 Pro 正式版并公开组建 Harness Team 挑战 Claude Code，SpaceXAI 的 Grok 4.6 在专业任务评测中力压 GPT-5.6 与 Fable 5；与此同时，Anthropic 的 Claude 用 60 个子智能体在一天半内将黎曼猜想零点比例下界推进了 25.6 个百分点，改写了人类 37 年仅推进 0.8 个百分点的纪录——AI 的数学推理能力正式触及真正没有现成答案的前沿研究问题。

Qwen3.8-2.4T-A95B 开源：阿里首次放出 Max 级旗舰模型权重

事件概述

2026 年 8 月 12 日深夜，阿里千问团队在魔搭 ModelScope 社区和 Hugging Face 同步开放 Qwen3.8-2.4T-A95B 模型权重。这是阿里千问历史上首次将 Max 级别旗舰模型对外开源权重——此前 Qwen 的 Max 系列仅提供 API 服务，开源版本止步于 72B 规模。Qwen3.8-Max 的云端 API 版本已于 8 月 3 日发布，此次开源的是其底层权重版本。

模型总参数达 2.4 万亿（2.4T），采用 MoE 稀疏架构，每个 Token 仅激活 950 亿（95B）参数。每个 MoE 层包含 512 个专家，每个 Token 选择 10 个路由专家并同时激活 1 个共享专家。原生支持 262,144 Token 上下文，可扩展至 1,010,000 Token。开源社区 Unsloth AI 随即使用动态 1-bit 分层选择性量化技术，将原始 4.9TB 的模型体积压缩至 397GB，存储空间缩减 91%，使设备内存+显存总量达到 410GB 以上即可本地运行。

技术解析

  • 架构创新：Qwen3.8 延续 Qwen3.5 的混合架构，将 Gated DeltaNet（门控线性注意力）与全注意力（Full Attention）交替使用。全注意力层保证精确的长程依赖建模，线性注意力层将不断增长的 KV 缓存替换为有界循环状态，使计算和内存开销在上下文扩展至百万级时仍保持有界。92 层网络中，细粒度 MoE 将容量分散到更多更小的专家群体中，提升路由效率和专业化程度。
  • 思考模式不可关闭：Qwen3.8-2.4T-A95B 默认以思考模式运行，生成最终回答前会先输出由 <think>...\n</think> 标记的推理过程，且不支持关闭思考模式。这与 Qwen3.8-Max 的 API 版本（可选择性关闭思考）形成差异。此外，模型暴露 reasoning_effort 参数（xhigh/medium/low），允许开发者按需配置推理深度——复杂多步推理用 xhigh，高吞吐文档处理用 low。
  • 基准表现：Qwen3.8-Max 在多项基准中表现突出。PaperBench（论文复现）93.0 分，超越 GPT-5.6 Sol、Fable 5 和 Opus 4.8；OSWorld-Verified（操作系统操作）86.1 分领跑全部参评模型；参数化 CAD 基准 91.5 分同样居首。但在 Terminal-Bench 2.1 中 86.6 分略低于 GPT-5.6 Sol 的 88.8 分；SWE-bench Pro 67.7 分落后于 Fable 5 的 80.0 分——编程智能体场景仍有差距。
  • 许可证：采用自定义 Qwen3.8-Max License 而非 Apache 2.0。商业产品月活超 1 亿或月收入超 2000 万美元需在 UI 中显著标注模型名称；Model-as-a-Service 业务过去 12 个月收入超 5000 万美元需另行申请许可。内部使用豁免条款适用于不向第三方暴露模型能力的场景。
  • 部署生态：NVIDIA 已发布在 GB300 NVL72 上的部署指南，Day-0 即可实现每 GPU 超过 4K tokens/s 吞吐量和每用户超过 350 tokens/s。推理引擎兼容 SGLang、vLLM、TokenSpeed，Hugging Face Transformers 也已提供 day-one 支持。

行业影响

  1. 开源生态的”军备升级”：此前开源模型的天花板是 DeepSeek V4 Pro（1.6T 总参数）和 Kimi K3（2.8T 总参数），但两者均为 MoE 架构且 Kimi K3 的权重虽有公开但未完全开放商用。Qwen3.8-2.4T-A95B 是首个总参数超过 2T 且由头部厂商正式开放商用的旗舰模型，直接将”可自建的模型能力天花板”提升到与闭源旗舰同一水平线。
  2. 中美开源路线分化：Meta 的 Muse Glimmer（30B Apache 2.0）瞄准的是端侧 Agent 场景，Qwen3.8-2.4T 则瞄准的是数据中心级前沿能力。两者不在同一赛道，但共同压缩了闭源 API 的定价空间——当你可以下载一个性能逼近 Fable 5 的模型时，API 定价的”租金”逻辑就开始动摇。
  3. 许可证策略的平衡术：Qwen 选择自定义许可证而非 Apache 2.0，在开放与商业保护之间走钢丝。100M MAU 和 5000 万美元 TTM 收入的门槛远高于绝大多数创业公司，但为头部竞争对手（如 Meta、Google）设置了法律壁垒。这与 Meta 的 Apache 2.0 策略形成鲜明对比——Meta 追求的是生态覆盖率，Qwen 追求的是”开放但可控”。
  4. 对自建推理的推动：Unsloth 的量化方案（4.9TB→397GB）使得 410GB 内存的设备可以本地运行 2.4T 模型，这在一年前是不可想象的。虽然仍需数据中心级硬件，但门槛已从”超算”降至”高配服务器”。随着量化技术继续进步，万亿参数模型的本地化部署将在 1-2 年内进入企业级可行区间。

相关链接

DeepSeek-V4-Pro-0813 正式版 + Harness Team：性能逼近 Fable 5，公开对标 Claude Code

事件概述

2026 年 8 月 12 日深夜至 13 日凌晨，DeepSeek 连续释放两个重磅信号：

其一，V4 Pro 正式版上线。 DeepSeek 官网 API 文档悄然更新，deepseek-v4-pro 对应模型从预览版切换至 DeepSeek-V4-Pro-0813，支持 1M 上下文和最高 384K 输出，提供思考/非思考模式（思考模式默认开启），并兼容 OpenAI 和 Anthropic 双套 API 格式。官方群流传的评测数据显示，新版在多项智能体测试中逼近 Anthropic 的 Claude Fable 5——其中 DeepSWE（AI 编程智能体基准）从预览版的 7.3 分跃升至 62.7 分，甚至超越 Claude Opus 4.8；在 Cybergym 和 AutomationBench 中甚至超越 Fable 5。

其二，组建 Harness Team 公开挑战 Claude Code。 据 Bloomberg 8 月 12 日报道，DeepSeek 在微信平台开通”DeepSeek Harness Team”官方认证账号，隶属北京注册企业（企查查显示由 DeepSeek 控制），同步放出大量研发岗位招聘。“Harness”指构建在 LLM 外围的软件框架，使 AI 智能体能使用工具、管理工作流并完成复杂任务——Claude Code 正是当前最受瞩目的 AI 编程智能体工具之一。DeepSeek 在招聘公告中明确表示，目标是将旗下模型转化为”最先进的智能体型产品”。

技术解析

  • V4-Pro-0813 的性能跃升：从预览版到正式版的核心提升集中在 Agent 和编程场景。DeepSWE 从 7.3→62.7 是量级跃升（8.6 倍），表明模型在长周期编程任务中的端到端完成能力发生质变。384K 最大输出长度在当前开源模型中极为罕见，为超长代码生成和复杂推理链提供了空间。API 兼容 OpenAI 和 Anthropic 双格式，降低了迁移成本——开发者可以直接用现有的 Claude API 客户端调用 DeepSeek。
  • 定价策略与预告涨价：V4-Pro-0813 当前定价为缓存未命中输入 3 元/百万 Token、输出 6 元/百万 Token，仍为 Flash 版的三倍。但 DeepSeek 官网已预告”近期整体 API 价格预计将有较大幅度上涨”。这一”先低价获客、后涨价变现”的策略，与 OpenAI 的 Luna→Sol 分层定价逻辑相似，但 DeepSeek 的价格基数远低于美国竞品。
  • Harness Team 的战略含义：DeepSeek 此前以”研究实验室”定位著称，产品化能力相对薄弱。Harness Team 的公开组建标志着 DeepSeek 从”模型供应商”向”产品公司”转型——不再只提供 API，而是要构建从底层模型到智能体框架的完整产品栈。招聘信息显示团队目标是构建”Code Harness”代码智能体，直接对标 Claude Code、GitHub Copilot 和 OpenAI Codex。
  • 公司规模与野心：DeepSeek 目前约 160-200 人，6 月已发布 30+ 岗位招聘，目标是每个团队规模翻倍。以不到 200 人的团队产出与 Fable 5 旗鼓相当的前沿模型，这在 AI 行业中极为罕见——OpenAI 有 4000+ 员工，Anthropic 有 1000+ 员工。

行业影响

  1. Agent 赛道的中美正面交锋：Claude Code 目前在 AI 编程智能体领域占据主导地位，但 DeepSeek 的入局意味着中国厂商不再满足于”模型层”竞争，而是直接进入”产品层”正面交锋。DeepSeek V4 Pro 的性能已逼近 Fable 5，如果 Harness Team 能构建出与 Claude Code 体验相当的智能体框架，配合 DeepSeek 的低价 API，将对 Anthropic 的企业客户形成实质性分流压力。
  2. 开源模型的 Agent 能力追赶：此前开源模型在 Agent 场景的表现普遍弱于闭源模型（DeepSWE 预览版仅 7.3 分）。V4-Pro-0813 的 62.7 分表明这一差距正在快速缩小。如果开源模型在 Agent 基准上追平闭源模型，企业自建 AI 编程助手的门槛将大幅降低。
  3. 价格战的下一阶段：DeepSeek 预告涨价，但即便涨价后，其定价仍可能远低于美国竞品。Grok 4.6 的 2/2/6 定价已被称为”竞品一半”，而 DeepSeek 的 3 元/6 元（约合 0.4/0.4/0.8）仅为 Grok 4.6 的五分之一。中国模型的低价策略正在倒逼美国厂商调整定价——OpenAI 的 Luna 降价 80% 即是回应。
  4. 对腾讯混元的间接影响：腾讯 Q2 财报披露资本开支 527.8 亿元（同比+176%），Hy3 正式版使用量迅速增长，Hy4 正在推进。DeepSeek 的快速迭代和 Agent 转型，对腾讯混元在国产模型中的定位构成压力——如果 DeepSeek 在 Agent 领域建立先发优势，混元需要加速跟进。

相关链接

Grok 4.6 发布：SpaceXAI 新模型在专业任务评测中力压 GPT-5.6 与 Fable 5

事件概述

2026 年 8 月 12 日，马斯克旗下 SpaceXAI（原 xAI）正式发布新一代大模型 Grok 4.6。模型定位于长时间运行的智能体（Agent）、复杂编程、知识工作以及交互式视觉任务，已在 Cursor 代码编辑器、Grok Build 工具和 API 同步上线，首周在 Cursor 和 Grok Build 中提供 2 倍包含用量。

SpaceXAI 公布的评测数据显示，Grok 4.6 在 Artificial Analysis Intelligence Index 中取得 61 分，与 OpenAI 的 GPT-5.6 Sol Max 持平；在 GDPVal-AA v2（真实世界专业任务评测）中以 1753 Elo 超过 GPT-5.6 Sol Max 的 1728 分和 Claude Fable 5 Max 的 1741 分。API 起售价为 $2/百万输入 Token、$6/百万输出 Token，SpaceXAI 称约为其他前沿模型定价的一半。

技术解析

  • 训练方法：Grok 4.6 经历了比 Grok 4.5 更长的补充训练，使用经过筛选的模型生成推理数据、改进优化器，并通过 Grok 4.5 重新生成 SFT 轨迹（覆盖推理、智能体框架和 STEM/软件工程/知识工作等领域），再用模型检查过滤有问题的轨迹。随后在多种智能体强化学习任务上训练，包括内核优化、Web 开发和 CAD 等领域特定环境。
  • 长程执行能力：SpaceXAI 强调 Grok 4.6 的核心差异化在于”持续完成多步骤复杂任务”——研究主题、分析代码库、将模糊产品想法转化为可运行应用。在更长任务轨迹中，模型表现出更多自主测试和验证行为，会在继续执行前检查此前工作。这种”自我验证”能力是当前 Agent 模型竞争的关键维度。
  • 基准表现分化：Grok 4.6 并非在所有测试中领先。DeepSWE v1.1（软件工程基准）65.9%，低于 GPT-5.6 Sol Max 的 73%；Terminal-Bench v3.0 仅 26%，远低于 GPT-5.6 Sol Max 的 34.6% 和 Fable 5 Max 的 34.1%。但在 GDPVal-AA v2（知识工作）领先 25 分，AA-Briefcase 领先 75 分，Harvey LAB（法律评测）15.8% 远超 GPT-5.6 Sol 的 2.5%。模型在专业服务场景（法律、咨询、研究）的表现明显优于纯编程场景。
  • 上下文与定价：支持 500K Token 上下文，知识截止 2026 年 2 月 1 日。定价分两档：200K 以下 2/2/0.5 缓存/$6，200K 以上 $4/1/1/12。SpaceXAI 建议使用 prompt_cache_key 以确保多轮 Agent 循环命中缓存。
  • 公司转型标志：Grok 4.6 是首个从零开始以 SpaceXAI 名义发布的旗舰模型。此前的 Grok 系列在 xAI 品牌下发布，公司重组后定位从”X 社交网络的功能”转向”开发者和企业平台”。模型通过 Cursor、Grok Build、OpenRouter、Vercel、Cloudflare 等多渠道分发，显示 SpaceXAI 正在构建独立于 X 的开发者生态。

行业影响

  1. 前沿模型”四强格局”成型：Grok 4.6 的 AA Intelligence Index 61 分与 GPT-5.6 Sol 持平，仅落后 Fable 5 Max 1 分（62 分），已进入前沿模型第一梯队。当前格局为：Anthropic Fable 5（62）> OpenAI GPT-5.6 Sol = SpaceXAI Grok 4.6（61）> 其他。加上 DeepSeek V4 Pro 和 Qwen3.8-Max 逼近 Fable 5，前沿模型竞争从”三足鼎立”演变为”四强+追赶者”格局。
  2. 价格作为竞争武器：Grok 4.6 的 2/2/6 定价约为 Fable 5 和 GPT-5.6 Sol 的一半，配合首周 2 倍用量的促销策略，显示 SpaceXAI 选择以价格换市场份额。但 API 单价不等于实际使用成本——不同模型的 Token 消耗和推理路径差异显著。Grok 4.6 在 Terminal-Bench 上的弱势可能意味着它在命令行编程场景需要更多轮次才能完成任务，实际成本未必更低。
  3. 专业服务市场的差异化：Grok 4.6 在 GDPVal-AA v2（覆盖 44 个职业、9 个行业）和 Harvey LAB（法律）中的领先表现，暗示其在专业服务领域（法律、咨询、金融分析）可能比纯编程场景更有竞争力。这与马斯克一贯的”全场景 AI”战略一致——不局限于编程，而是覆盖知识工作的全谱系。
  4. 对 OpenAI 的直接压力：Grok 4.6 与 GPT-5.6 Sol 在综合指数上持平，但价格仅为一半。如果第三方独立评测验证了 SpaceXAI 的数据，OpenAI 将面临”同等性能、半价竞品”的定价压力——尤其是在 OpenAI 自身已通过 Luna 降价 80% 应对中国模型低价冲击的背景下。

相关链接

Claude 刷新黎曼猜想纪录：60 个子智能体一日半将零点比例下界推进 25.6 个百分点

事件概述

2026 年 8 月 10 日，Anthropic 披露一项里程碑式数学成果：一个未公开的研究版 Claude 在尝试攻克”黎曼猜想”时，虽未能解决这一 167 年悬案，却将黎曼 ζ 函数中已知位于临界线上的零点比例下界从 41.6% 提升至 67.2%——一口气推进了 25.6 个百分点。

这项成果的背景极为传奇。Anthropic 员工 Jarred Sumner（Bun 联合创始人，2025 年 12 月加入 Anthropic）在晨跑时突发奇想，给 Claude 下了一个”近乎不讲道理”的任务：认真尝试证明黎曼猜想。克雷数学研究所为这一 1859 年提出的猜想悬赏 100 万美元，至今无人能解。

Claude 先后提出 650 个思路，全部失败。随后重新组织约 60 个 Claude 子智能体（sub-agent），在 Claude Code 中连续工作一天半，执行 2,400 条 Shell 命令，编写数百个 Python 脚本，对已知 ζ 零点进行了数千次数值检验。最终，真正想出关键思路的只有两个 Agent，整个过程消耗 3,100 万输出 Token。Anthropic 内部数学家 Levent Alpöge 和 Ralf Funke 验证了论文，外部数论专家 Brian Conrey 和 Dan Goldston 审阅，Claude 还生成了对应的 Lean 形式化证明。

技术解析

  • 37 年 vs 一天半：从 1989 年到 2020 年，全球解析数论学家 31 年间将零点比例下界推进了约 1.7 个百分点（平均每年 0.05 个百分点）。Claude 在一天半内推进了 25.6 个百分点——相当于人类数学家 500 年的进度。Menlo Ventures 合伙人 Deedy 称之为”自 2013 年有界素数间隔突破以来解析数论领域最重大的进展”。
  • 多智能体协作范式：Claude 的 60 个子智能体形成了明确的分工结构：核心思路开发者（2 个，产出关键数学洞见）、思路贡献者（约 28 个，向核心开发者喂送想法）、失败探索者（约 30 个，尝试新思路但均未成功）、验证者（审查论证正确性并互相裁判）、撰写者（起草论文和文档）。一半的子智能体产出了零可用结果——这不是需要消除的效率问题，而是”真正搜索”的固有特征。
  • 关键数学突破：Claude 的核心洞见在于”勇气”——将正定和负定子空间统一处理，并允许二次型采用非对角形式。人类数学家通常选择更结构化、更易处理的版本（对角形式），因为非对角情形”令人不愉快”。但机器在”不愉快容忍度”上具有天然优势。Claude 结合了 Baluyot、Goldston、Suriajaya、Turnage-Butterbaugh 的研究框架（移除了 Montgomery 1973 年方法中的一个问题假设）与 Bombieri 2000 年的论文，将两条人类此前未连接的研究线整合到一起。
  • 验证的严谨性：子智能体对已知 ζ 零点进行了数千次数值检验，搜索反例，从 arXiv 下载 54 篇论文确认发现未被前人做出，并从头独立重证。Claude 随后主动撰写论文并建议由人类数论专家验证。两位 Anthropic 数学家和两位外部专家，加上 Lean 形式化证明验证，共同确认了结果。
  • 方法局限：Anthropic 明确表示”这套技术预计无法直接导向黎曼猜想的最终证明”。证明 67.2% 和证明 100% 是根本不同的问题——后者需要全新的数学方法。但从 41.6% 跨越 50% 中线仍有象征意义：这是首次可证明的零点比例超过半数。

行业影响

  1. AI4Math 从口号到产出：2024 年 AI 刚拿 IMO 金牌时，人们用”能解高中奥数题”衡量它的智力。2026 年，AI 开始改写数学纪录——7 月 Anthropic 数学家利用 Claude Fable 5 找到雅可比猜想反例（困扰数学家一个多世纪），同月新晋菲尔兹奖得主 Tsimerman 获奖当日宣布加入 OpenAI。8 月 Claude 刷新黎曼猜想下界，OpenAI 发布面向 10 万学术研究者的免费模型计划并披露数学领域十大进展。AI4Math 从”战略口号”变为”真实产出线”的趋势已不可逆。
  2. 多智能体协作成为前沿研究新范式：Claude 的 60 子智能体架构揭示了一种全新的数学研究模式——不是”人用 AI 辅助”，而是”AI 自主组织研究团队”。两个核心 Agent 产出关键思路、其余 58 个负责探索和验证的分工结构，与人类研究团队的运作方式惊人相似。Jarred Sumner 的角色更像”项目经理”而非”数学家”——他不断鼓励 Claude”继续干”和”相信自己”，帮助模型克服自我怀疑。这种人机协作模式可能成为未来前沿研究的标准范式。
  3. 对数学研究生态的冲击：如果 AI 能在一天半内推进 37 年的数学纪录，人类数学家的角色将面临重新定义。Anthropic 强调 Claude 的发现是”原始请求的意外副产品”——甚至连 Claude 自己也对发现感到惊讶。这意味着 AI 的数学能力可能正在进入”涌现”阶段：我们不知道下一个突破会在哪个方向、以何种方式出现。菲尔兹奖得主 Tsimerman 认为”几年后 AI 的数学能力无疑将远超人类”，并将研究重点转向 AI 基础理论。
  4. 算力成本与科研民主化：3,100 万输出 Token 按 Claude 当前定价约 $310（仅输出），加上输入和重试总成本估计在低四位数的美元范围内。用数千美元的算力成本推进 37 年的数学纪录，意味着前沿数学研究的”准入门槛”正在从”需要数十年的人类专家积累”降低到”需要一个 API key 和一个好的 prompt”。这可能催生一批”AI 驱动的独立数学研究者”。

相关链接