文章总结： 文章基于实测体感，指出大模型基模越做越厚，外置harness被内置，新模型fable表现出做对事情的判断力，在长程任务上突破明显。gpt-5.6智商在线但token消耗比5.5贵3-4倍，主agent会主动校准sub-agent。模型能力跃升使微型团队低成本解决垂直痛点成为现实，语音交互体验已超越传统语音助手。 综合评分： 87 文章分类： 其他

大模型也要下半场了？

原创

黄师傅 黄师傅

黄师傅的赛博dojo

2026年7月11日 16:57 上海

在小说阅读器读本章

去阅读

最近高强度测了手头几个新的旗舰模型，特别是在自主化的长程任务上跑了不少测试。发现现在的 AI 演进，在体感上已经过了一条很微妙的分界线。今天不聊宏大叙事，跟大家盘一盘最近的实测体感。

1. 基模越做越厚，Harness 正在被“吃”掉

大家如果用过 Codex 或者 Claude Code（CC），对 /goal 这种命令肯定不陌生。它本质上就是一种 Harness（外置脚手架），通过 Loop Engineering 的方式，不断给一个目标，压榨大模型烧 Token 继续干活。

以前为什么需要这种外置的 Harness？因为基模不行。如果没有人类在外面搞一套复杂的 Meta 构造器做辅助校准，一个 goal 跑偏了，直接浪费一晚上的时间和算力（当然，如果只是做个一次性的开放性 Demo 倒是无所谓）。

但现在的趋势非常明显：基模越做越厚，把原来外置的 Harness 都吃掉了。

Meta 编程被内置成了黑箱，迭代的质量越来越好，甚至人类干预的过程反而会导致效果更差。这种模型变成科技黑箱的趋势，很难讲是好事还是坏事，但 Fable 的出现有点类似于这个分界线。

之前的旗舰模型（比如 GPT-5.5-xh），配合 /goal 多少有点暴力搜索的意思。它过了“Do things right（把事情做对）”的那根线，能解决现实世界绝大部分编程问题。当然瑕疵也很多，比如偷懒、幻觉，特别是偶尔“降智”的时候根本没法用，你需要花更多 Token、更长时间和更多人类引导去完成任务。

但现在的 Fable 表现出了一种“Do right thing（做对的事情）”的能力。这是一种判断力，当面临多种选择时，它能在烧了适当的 Token 后，高效地选中正确的那条路径。这有点类似于一种“Sense”——你做多了软件、积累了足够多的决策经验后，就会有这种直觉。它更擅长自己设计验证条件，做得更主动。在长程任务的体验上，这是基模体感上的一个大突破。

最近有几篇前沿研究者的访谈也印证了这个观点：通过 Harness 去压榨 Token 做困难任务，效率上其实已经比不上基模内部的优化了。我们现在很难评估一个模型的能力和表现，传统的 Benchmark 其实都是无效的。我们既不知道模型能力的上限在哪里，也不知道它到底安不安全（这里吐槽一堆研究什么AI安全的公众号，真的有点吐槽无力，连大模型都搞不明白，真的，看文章就是论文和新闻的拼凑，一天都烧不了多少token的人，就对着黑箱一顿输出，建立自己专业的人设。）。大家接下来要拼的，正是这种“做对的、高质量的判断”的能力，而不只是执行层面的指令遵循。

2. GPT-5.6 变身“项目经理”，以及肉疼的 Token 账单

再聊聊 GPT-5.6。一句话总结：智商在线，但烧钱太快，起码比 5.5 贵了 3-4 倍。

不过它确实物有所值。我发现了一个之前比较少见的行为：在发出去一堆子任务之后，主 Agent 会极其主动地去中途校准和引导 Sub-agent。 以前的 5.5 需要人工引导，这种自主行为比较少见。

分享一个我抓到的真实日志片段，主 Agent 发现方向不对，直接硬核下发指令：

• Sent input to 019f4a56-33f1-7c71-a9ef-fcaaae2b87a9 └ 请立即停止继续扩展调查，基于已收集证据给出精炼最终结论，必须含文件/行号或官方URL、关键限制和推荐实现边界。

这语气，这止损的决断力，是不是已经有那个味儿了？

但这背后也是巨大的工程消耗。 5.6 的窗口感觉还是 5.5 的 200k多一些，如果遇到大的代码仓库，或者装了太多 Harness（比如 装太多Skill ，全局提示词等等把上下文消耗的太快了），太容易触发 compact（上下文压缩）了。

跑几分钟就要 compact 一次，紧接着还要发一个相当于 remind（提醒当前任务）的大请求。每几分钟就要多出 2 次额外的庞大调用，你能频繁看见它在 remind 自己的工作，推进速度变慢的同时，Token 也在狂烧。

这就要求我们在工程上必须把成本控制好：以后在极难的任务上果断上 Sol + Max，而一般开发任务就老老实实用 Terra + High 兜底（subagent也可以）。

商业上比拼的，永远是在推理预算一样的情况下谁的结果最好，而不是大家随便跑、跑到结果收敛为止。客户没那么多钱，我们也没那么多算力。目前几乎无上限的探索任务，也就只有模型厂内部搞 AI for Science 的时候才玩得起。不过想想fable只能api计费，好像又还可以了？

3. 吃自己的狗粮，从未如此顺畅

聊到这里，其实可以引申出软件行业的一个经典问题：为什么大部分统一采购的软件都没人用？

很简单：买单采购的人不是用的人，需求不匹配，问题和解决方案完全错配。一种思路是用的人吃自己的狗粮，一种是喂别人的狗粮。如果“吃自己的狗粮”，需求肯定最贴合，但代价是以前的维护开发成本太高，低投入搞出来的产品质量和可维护性都很差。

现在有了 LLM，这个局面完全一边倒了。模型能力的跃升，让微型团队甚至个人低成本解决垂直痛点成为现实。吃自己狗粮的代价被无限拉低，这才是未来效率提升的真正杠杆。

4. 顺便感叹一下语音交互

最后夹带个私货，推荐大家去试试线上的 GPT 语音交互，确实非常惊艳。延迟特别低，智商全程在线。虽然中文带点外国人的口音，但日语非常流畅。

毫不夸张地说，它在体感上已经彻底杀死了传统的那批语音助手。时代的切换，有时候就是这么悄无声息。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：黄师傅的赛博dojo 黄师傅 黄师傅《大模型也要下半场了？》