模型挤在同一扇门里，Agent 已经走到了门外

作者：城北

九月第一天的终端窗口格外拥挤。Claude Code 刚弹出新版提示，另一边的 Codex CLI 也更新了；浏览器标签页里，Anthropic 的 Fable 5.1、SpaceXAI 的 Grok 4.6、Google 尚处预览阶段的 Gemini 3.1 Pro，以及 OpenAI 夏天发布的 GPT-5.6，像是约好了在同一个工作台上争夺光标。与此同时，Kimi、GLM、Qwen、DeepSeek 等国产模型也在迅速补位。

开发者面对环绕式屏幕上的多组大模型与 Agent 网络
模型同时涌入工作台，真正的竞争已经延伸到 Agent 与完整工作流。

这种密集感很容易制造一种错觉：发布季的主角仍然是一张越来越长的跑分表。但真正值得开发者注意的变化发生在表格之外。模型厂商已经不满足于回答问题，而是在争夺终端、IDE、代码仓库和云端执行环境。竞争单位正在从“一个模型”变成“一个可以把任务做完的系统”。

这一轮真正的分水岭，不是谁能在榜单上多赢几分，而是谁能把聪明变成持续、可控、可交付的行动。

发布季里，各家真正交出的牌

2026 年 2 月至 9 月主流模型发布与 Cursor 收购事件时间线
2026 年的发布节奏在 6 月后明显加密，模型更新与 Agent 入口整合同时发生。

Anthropic：把最高能力层单独切出来

Anthropic 在 2026-09-01 同时发布 Claude Fable 5.1 与 Claude Mythos 5.1。这里先拆掉一个常见误会：它们不是一个含糊的“Claude 5.1”，也不是两套能力完全不同的模型。二者共用同一个底层模型，区别在保障机制与开放范围。Fable 面向所有用户，是编码、知识工作和长时程 Agent 场景的最高能力层；Mythos 只向网络安全与生命科学场景中的可信用户开放。有趣的是，Mythos 的字面意义反而比 Fable 更接近中文里的“神话”，难怪名字常被传混。

Fable 5.1 的上下文窗口为 1M token，输入、输出和缓存读取价格分别为 $10、$50、$0.25/百万 token。Anthropic 的产品阶梯因此变得很清晰：Haiku 4.5 负责低延迟和子 Agent，Sonnet 5 是规模化 Agent 执行层，Opus 5 承担日常高端任务，Fable 5.1 则站在最高能力与最高价格的一端。

能力跃迁目前主要来自厂商自己的证据。按 Anthropic 官方自测，在同一 Terminal-Bench 4.0 harness 下，Fable 5.1 为 55.8%，Fable 5 为 42.0%，Opus 5 为 52.3%，GPT-5.6 Sol 为 37.3%。这组结果很亮眼，但它首先是 Anthropic 官方自测，不能冒充独立裁判的结论。相对中立的 LMArena Text Overall 在 2026-09-02 的快照里，排在第 1 名、得分 1508±5 的仍是前身 claude-fable-5，不是刚发布、尚无稳定 Arena 分数的 5.1；不过全球前三名均为 Anthropic 系模型，至少说明其对话与综合文本能力的底座很稳。

比跑分更有分量的是 Claude Code。npm 最新稳定版在 2026-09-01 到了 2.1.258；Anthropic 在 2025年11月披露，这款上线约六个月的产品已达到 10 亿美元 run-rate revenue，企业客户包括 Netflix、Spotify、KPMG、L'Oréal、Salesforce。同日宣布收购 Bun 时，Anthropic 还承诺让它继续采用 MIT 许可证开源。再结合 Anthropic 于 2026-02-12 完成的 300 亿美元 Series G 融资及 3800 亿美元投后估值，它显然在把模型、开发工具和运行时基础设施拧成一条链。

市场份额也支持这种判断，但要看清数据性质。Menlo Ventures 的《2025 State of Generative AI in Enterprise》估算，Anthropic 在美国企业 LLM 支出中的份额从 2024 年的 24% 升至 2025 年的 40%。这是市场研究机构的估算，不是 Anthropic 审计收入，而且 Menlo Ventures 本身也是 Anthropic 投资方之一。

OpenAI：模型分层之外，Codex 正在长成平台

OpenAI 在 2026-07-09 发布 GPT-5.6 系列：Sol、Terra、Luna 分别对应旗舰、均衡和高吞吐低成本。三档上下文窗口均为 1,050,000 token，最多输入 922,000、输出 128,000，并提供 none、low、medium、high、xhigh、max 六档推理强度，知识截止日为 2026-02-16。

Sol 的输入、缓存输入、输出价格是 $4、$0.40、$20/百万 token，且这是至少持续到 2026-11-21 的促销价；Terra 为 $2、$0.20、$12；Luna 为 $0.20、$0.02、$1.20。这个梯度很实用：同一套 API 语义下，团队可以按任务价值分配推理预算，而不必把所有请求都送进最贵模型。

第三方 Artificial Analysis Intelligence Index 给出的 GPT-5.6 Sol（max）评分为 61 分，精确值 60.93，来自 v4.1.1 的 9 项综合评测。Terminal-Bench 2.0 上，Codex Agent + GPT-5.6 Sol（max）得到 37.27%，即 123/330。后者是“Agent 工具加模型”的系统成绩，并非裸模型分数，这个区别很关键。

编程线上还有 GPT-5.3-Codex：官方定位为“最强 Agent 编程模型”，400K 上下文窗口，仅支持 Responses API，输入、缓存输入、输出分别为 $1.75、$0.175、$14；Pro 订阅用户另有 GPT-5.3-Codex-Spark 研究预览版，但没有公开跑分。Codex 已形成 CLI、IDE 扩展、桌面 App 与 Web/Cloud 的完整矩阵。开源 CLI 最新稳定版为 0.152.1，GitHub 在 2026-09-02 查询时有 120,864 stars 与 18,517 forks——这只能说明开源关注度，不能当成用户数。

OpenAI 的护城河还在采购路径。GPT-5.6 已成为 Microsoft 365 Copilot 的首选模型，可通过 Oracle Cloud 承诺额度采购部署；Samsung 在全球部署 ChatGPT Enterprise 与 Codex，NTT DATA 约 9,000 名员工使用。2026-06-11 宣布计划收购 Ona，也是为了补上 Codex 安全、持久的云端执行环境。至于 2026-08-13 预览的 Cerebras GPT-5.6 Sol Ultrafast 层，最高 14 倍速度、每秒输出 750 token，均是官方引用的供应商规格，并非独立测试。

Google：多模态底座与异步 Agent 配套推进

Google 当前旗舰仍是 2026-02-19 发布、处于预览阶段的 Gemini 3.1 Pro，而不是“即将推出”的 Gemini 3.5 Pro。前者支持 1M 输入上下文、64K 输出，以及文本、图像、视频、音频和 PDF；更新的 Gemini 3.7 Flash 属于规模化低成本 Agent 档位，不能用版本号把它误判为旗舰替代者。

Google 官方自测的结果均为单次尝试，包括：SWE-bench Verified 80.6%、SWE-bench Pro Public 54.2%、使用 Terminus-2 harness 的 Terminal-Bench 2.0 为 68.5%、APEX-Agents 33.5%、经 ARC Prize Verified 的 ARC-AGI-2 为 77.1%。这些数字展示了上限，却仍是 Google 自测，且仅为单次尝试。

Google 的看点其实是工具拼图：Apache 2.0 开源的 Gemini CLI 最新稳定版 v0.58.0；Antigravity 是面向多 Agent 与复杂应用开发的 AI 原生平台；Jules 则可在后台处理代码仓库并提交 PR。它们与 Google Cloud、Workspace 的结合，让 Gemini 不只是一个聊天框里的多模态模型。

SpaceXAI：Grok 押注长任务，也押注 Cursor

原 xAI 现以 SpaceXAI 为官方名称。其 2026-08-12 发布的 Grok 4.6 面向长时程 Agent、多步骤研究、跨代码库工作和交互式或视觉应用生成，并已接入 Cursor、Grok Build、OpenRouter、Vercel、Cloudflare。

第三方 Artificial Analysis Intelligence Index 给它约 61 分，精确值 60.923，与 GPT-5.6 Sol 的 60.930 基本持平。SpaceXAI 在同一公告表格中自报，CursorBench v3.2 为 69.9%，DeepSWE v1.1 为 65.9%，FrontierCode v1.1 Extended 为 61.3%，Terminal-Bench v3.0 为 26.0%。这里不能拿最后一项直接撞上 Anthropic 的 Terminal-Bench 4.0 或 OpenAI 的 Terminal-Bench 2.0：版本和 harness 不同，小数点看似精确，比较本身却不成立。

编程侧的 Grok Code Fast 1 发布于 2025-08-28，首发合作方包括 GitHub Copilot、Cursor、Cline、Roo Code、Kilo Code、opencode、Windsurf。其 SWE-bench Verified 70.8% 同样是官方自报并使用自有 harness，不宜跨表硬比。

国内模型：综合榜之外，中文榜更值得细看

国产阵营并非同步同速。Kimi K3 强调 Agent 编程与知识工作，并铺开 Kimi Code、Kimi Agent、Kimi Agent Swarm、Kimi Claw；GLM-5.3 主攻编程 Agent、工具调用与长流程执行，GLM Coding Plan 可接 Claude Code、Codex、Cline、OpenCode，$18/月起；闭源的 Qwen3.8-Max 背后还有部分以 Apache-2.0 开放权重的 Qwen3.x，以及 Qwen3-Coder，但目前没有可靠公开来源证明阿里拥有独立对标 Claude Code 或 Codex 的终端 Agent。

DeepSeek V4-Pro 于 2026-08-13 正式可用（GA），原生兼容 OpenAI Responses API，可一键配置接入 Codex。输入未命中缓存为 $0.22-0.66/百万 token，输出为 $0.66-1.32/百万 token，另有 2026-08-21 上线的 V4-Flash-Vision-Exp 多模态实验分支。MiniMax M3 主打编程与 Agent 前沿、原生多模态和 1M token 上下文窗口，保底 512K，并有 MiniMax Code。厂商自报 PostTrainBench 37.1、总榜第 3，仅次于 Opus 4.7 的 42.4 与 GPT-5.5 的 39.3；这套比较用的是旧代际模型，且其官网对开放状态的措辞并不完全一致，更准确的说法是“宣布开放权重方向，完整发布状态待观察”。

字节 Seed2.1 于 2026-06-23 发布，官方定位新一代 Agent 模型，覆盖通用 Agent、端到端编程和原生多模态；其领先说法属于厂商自报，LMArena 又没有可确认条目，因此不拿具体分数填空。百度 ERNIE 5.1 有 Arena 条目，但缺少可确认精确发布日期和价格的一手发布页；腾讯 HY3 仍处于预览阶段；Step-3.5-Flash 在 LMArena 标为 Apache-2.0。零一万物则因未能确认 2026 年同期旗舰的可靠公开数据，不进入排名。

排行榜要看梯队，不要迷信小数点

横评最诱人的做法，是把所有数字塞进一列，再算出一个冠军。但模型跑分带着各自的测试版本、harness 和发布日期；刚发布的型号尤其缺少稳定独立数据。更负责任的主轴，是采用所有厂商处于同一盲测协议下的 LMArena Text Overall 2026-09-02 快照，再用 Agent 与编程测试补充画像。结果应当是梯队，而不是伪装成科学的精确总名次。

梯队 厂商与代表模型 判断依据
第一梯队：全球前沿 Anthropic Fable 5.1/Mythos 5.1；OpenAI GPT-5.6 Sol；Google Gemini 3.1 Pro；SpaceXAI Grok 4.6 Anthropic 前身 Fable 5 位列 LMArena 全球第 1；GPT-5.6 Sol 与 Grok 4.6 的第三方指数约 61 分；Gemini 展现出强劲的官方自测编程能力。四家互有胜负，没有全维度碾压者
第二梯队：逼近前沿 Kimi K3；GLM-5.3；Qwen3.8-Max LMArena 全球第 10、第 17、第 20，与榜首点估计差分别为 19、26、29 分
第三梯队：稳健但差距拉开 ERNIE 5.1；DeepSeek V4-Pro；MiniMax M3 LMArena 全球第 40、第 50、第 77；DeepSeek 的价格优势尤其突出
第四梯队：早期或待观察 HY3 Preview；Step-3.5-Flash；零一万物等 前两者为第 130、第 154；零一万物未能确认最新进展，不纳入排名
LMArena 全球文本榜榜首与中国大陆模型的分数及排名差距
全球文本榜上，Kimi、GLM 与 Qwen 已进入靠前梯队，但与榜首仍有可见分差。
LMArena 中文文本榜榜首与中国大陆模型的分数及排名对比
中文榜里 Qwen、Kimi 与 GLM 的差距进一步缩小，内部顺序也与综合榜不同。

第二梯队的名次数差看着很大，分数却不是断层。Kimi K3 Max 为 1489±5，GLM-5.3 Max 为 1482±7，Qwen3.8-Max 为 1479±6，对榜首 1508±5 的点估计差是 19–29 分。LMArena 头部区域对微小分差很敏感，因此更准确的描述是“肉眼可辨，但并非断层式”。

中文榜还改写了内部顺序。Text Chinese 的榜首是 Claude Opus 5 Max，1569±18；Qwen3.8-Max 以第 10 名、1535±21 分成为排名最高的中国大陆模型，超过第 16 名、1529±18 分的 Kimi K3 和第 17 名、1528±27 分的 GLM-5.3。对中文开发者而言，这比综合榜更有现实意义：头部国产模型在中文语境中的距离，比全球名次呈现得更近。

三个名字，两个最容易传错的故事

“xAI 收购 Cursor”是错的。买家是 SpaceX，而不是 xAI。Reuters 于 2026-06-16 报道 SpaceX 与 Cursor 母公司 Anysphere 签署 600 亿美元全股票收购协议；Cursor 在 2026-08-14 官宣完成交易，并称收购过程始于当年 4 月双方合作训练模型。收购前，Cursor 于 2025-11-13 宣布 Series D，融资 23 亿美元、投后估值 293 亿美元。交易后 Cursor 没有停运，而是继续作为产品入口，并利用 SpaceX 的算力训练模型，Grok 4.6 也已接入。OpenAI 随后在 2026-08-29 宣布计划终止向 SpaceX 旗下 Cursor 供应模型，原本的多模型关系由此生变。混淆的一个原因，是 xAI 官网如今也挂着“SpaceXAI”的名头；但公司整合后的品牌变化，不能反推交易买方。

“Groq 就是 Grok”也完全错误。Groq 是 2016年成立、由 Jonathan Ross 创办的独立 AI 推理基础设施公司，做 LPU 芯片与 GroqCloud；Grok 才是 SpaceXAI 的大模型品牌。Groq 于 2026-06-22 宣布获得 6.5 亿美元新增长资本；此前在 2025-12-24 与 NVIDIA 达成非独家推理技术许可协议，创始人与部分团队加入 NVIDIA，但 Groq 官方称公司继续独立运营。它与 Meta 合作为 Llama API 加速时宣称最高 625 token/秒，并自报运营 13 个数据中心、服务超 500 万开发者——这些均是厂商自报，非独立审计。两者除了读音相近，没有关系。

Agent 生态地图：有人造整车，有人专供发动机

公司 终端与入口 云端/异步与 IDE 路线判断
Anthropic Claude Code 后台/多 Agent、定时任务、VS Code/JetBrains 插件 自家模型与工具深度绑定，并以 Bun 补基础设施
OpenAI 开源 Codex CLI Codex Web/Cloud、IDE 扩展、桌面 App ChatGPT 订阅额度与 API 双轨
Google 开源 Gemini CLI Jules、Antigravity 与 Cloud、Workspace 深度整合
SpaceXAI Grok Build、Cursor Cursor 一体化 IDE 工作流 模型与入口一体化
智谱 借用主流工具入口 兼容 Claude Code、Codex、Cline 等 用熟悉的壳子替换更便宜的模型
月之暗面 Kimi Code Kimi Agent Swarm 等 Agent 产品矩阵化
阿里 Qwen3-Coder 与云端 API 未确认独立终端 Agent 模型加云服务，位置介于两条路线之间
DeepSeek 无自有 CLI 适配 Claude Code、Codex、Copilot CLI 靠被集成扩大覆盖
MiniMax MiniMax Code 支持 Claude Code、Codex CLI、Cursor 等 开放权重方向加低价
Anthropic、OpenAI 与 DeepSeek 头部模型的 API 输入输出价格分层
头部厂商按预算切出不同产品线，DeepSeek 则在输入输出价格上形成明显低价带。
Anthropic 官方 Terminal-Bench 4.0 自测中四款模型的得分对比
Anthropic 官方自测中 Fable 5.1 得分最高；这组结果属于厂商自报，并非独立测试。

这张图揭示了两种生意。Anthropic、OpenAI、Google、SpaceXAI/Cursor 想把模型、壳子和执行环境一起拿下；智谱、DeepSeek、MiniMax 则主动进入别人已经建立的工作流，争夺底层模型席位。阿里介于两者之间。前一种路线控制体验，切换成本也更高；后一种路线把选择权留给开发者，竞争压力则会直接落到价格、兼容性与稳定性上。

如果今天就要选，我会这样分

日常写代码、跑脚本，预算敏感且以中文为主，我会先试 GLM Coding Plan、DeepSeek V4 或 Kimi Code。DeepSeek V4-Flash 输入低至 $0.007-0.22/百万 token，头部国产模型在中文榜的表现也说明，“便宜”已经不必自动等于“明显笨一截”。合规、内网集成和中文指令习惯，往往比综合榜上的若干名次更影响每天的手感。

复杂长任务需要持续自主执行，而且能接受更高成本，我会优先看 Claude Code + Fable 5.1。理由不是单押厂商跑分，而是把 Anthropic 官方自测 Terminal-Bench 4.0 从上一代 42.0% 到 55.8% 的变化，与 Claude Code 10 亿美元 run-rate revenue 所代表的企业采用放在一起看。它更适合那种“交代一个复杂任务，然后去做别的事”的工作方式。当然，价格也明确站在最高一档。

超长文档与图片、视频、PDF 混合输入，则更值得试 Gemini 3.1 Pro + Antigravity/Jules。Google 的优势不只是多模态输入，而是开发平台、异步仓库 Agent、Cloud 与 Workspace 能否形成连贯体验。

已经离不开 Cursor、重视从想法到可视化应用的团队，Grok 4.6 的意义会大于一张裸模型成绩单。SpaceX 收购 Cursor 后，模型与 IDE 的绑定更深，这条线卖的是完整工作流。

企业采购需要合规审计通道时，GPT-5.6 进入 Microsoft 365 Copilot、可使用 Oracle Cloud 既有承诺采购的能力非常实际。模型选型经常不是实验室里谁多得几分，而是谁能进入已经存在的合同、权限与审计体系。

数据不能出境、必须国产化部署，也不再意味着要默认牺牲大量能力。Kimi、GLM、Qwen 与国际一线的差距已经缩到体感可辨、却并非断层的范围，中文场景下还会更小。真正需要验证的，是你的仓库、任务链和基础设施，而不是抽象地争论哪个品牌“最强”。

光标最终落在工作流上

九月发布季最有价值的信号，不是又多了几个旗舰名字，而是模型正在变成 Agent 系统中的可替换部件。最强模型可能赢下一次困难推理，完整工具链才可能赢下每天发生的开发工作。

开发者因此不必寻找一个永久冠军。高风险长任务选稳定的端到端系统，批量日常任务选择成本更合适的模型，多模态和企业场景再按生态与采购路径分流。未来的差异化会越来越少停留在聊天窗口里的惊艳回答，越来越多体现在：任务能否持续运行，失败后能否恢复，权限是否可控，结果是否真的能交付。

发布页总会被下一张发布页覆盖。留下来的，是那个你敢把真实工作交出去的系统。

参考资料

Anthropic

OpenAI

Google

SpaceXAI · xAI · Groq · Cursor

国内模型