大模型到了“拼系统”的时代？从能力成本崩塌到任务专用模型的崛起
你有没有发现，现在选AI模型越来越像选工具——写代码找这个，做数学找那个，连情感陪伴都有专门的模型。曾经我们以为会有一个”万能模型”通吃所有任务，现在怎么反而越分越细了？
从”一个模型打天下”到”分科状元”：我们经历了什么？
就在几年前，选大模型还是一道单选题：要么选GPT，要么选Claude，一个模型搞定所有事。但现在打开任何一个AI工具箱，你会看到一排模型列表，每个都有自己擅长的地盘：写前端网页用这个，修大型代码仓库用那个，跑终端自动化任务又得换一个。
这种变化不是偶然的。一篇系统梳理2018到2026年大模型演进的论文指出，过去八年里发生了两件足以改变行业范式的事：一是”能力成本曲线崩塌”——模型能力暴涨的同时，调用价格反而暴跌；二是”前沿能力碎片化”——再也没有一个模型能在所有任务上都拿第一 [1]。
打个比方，这就像手机行业早期的”旗舰机大战”：大家都在比谁的综合性能最强，直到某一天千元机的性能已经能满足大多数需求，而真正的高端市场反而分化成了影像旗舰、游戏手机、折叠屏等细分赛道。大模型现在也走到了这个拐点。
当然，实际情况比这个比喻更复杂——模型的能力边界不像手机参数那么直观，任务之间的重叠也比手机功能复杂得多。
能力涨势惊人，成本跌了60倍：这八年到底发生了什么？
从2018年BERT问世到2026年的前沿智能体，八年时间里大模型经历了四个阶段的演化：从最早的编码器微调，到靠规模堆出来的上下文学习，再到对齐后的指令跟随，最后是现在的推理与智能体范式 [1]。
能力增长有多快？在真实编程任务基准SWE-bench Verified上，模型的解决率从2024年10月的49%，涨到了2026年7月的97%，相当于解决几率每年增长约5.8倍 [1]。在竞赛编程、数学积分等领域，类似的能力跃升也在不断被观测到 [6][7]。
而成本下降的速度甚至更快。API输入价格从2020年GPT-3的每百万token 60美元，降到了2026年入门款模型的1美元，整整跌了60倍 [1]。更夸张的是，2026年7月发布的入门款模型GPT-5.6 Luna，每百万token只要1美元，却在大多数专业和智能体任务上打赢了11周前还卖5美元的旗舰GPT-5.5——相当于今年的千元手机，跑赢了去年的万元旗舰，而且是在最值钱的任务上赢的 [1]。
这就是”能力成本曲线崩塌”的含义：不是说能力涨了、成本降了这么简单，而是说涨和降的速度都快到了让”按能力定价”的旧逻辑失效的程度。当便宜模型已经能搞定大多数场景，再为剩下的少数高难度任务多花数倍的钱就不划算了——除非你能精准地只在那些难任务上调用贵的模型。
不过，这个结论也有边界。预算模型追平旗舰主要适用于智能体和专业工作类任务，在长上下文回忆、竞赛数学、学术知识这些领域，旗舰模型仍然有明显优势 [1]。
为什么没有全能模型了？任务碎片化的三个证据
如果说成本崩塌是供给侧的变化，那任务碎片化就是需求侧的真相。我们来看三个完全不同领域的证据。
第一个证据来自编程。2026年的AI前沿已经不是一个模型通吃所有：Claude Opus 5领先前端编码（1712 Elo），Claude Fable 5领先仓库级编码（SWE-bench Pro 80.0%，比第二名高15.4个百分点），GPT-5.6 Sol则在终端智能体任务上拔得头筹 [1]。你说谁是”最强模型”？答案取决于你问的是什么任务。
第二个证据来自情感陪伴。你可能以为越贵的模型越会聊天，但CompanionBench基准的评测结果颠覆了这个直觉：专门优化过角色扮演、能让用户觉得”很入戏”的模型，在真正的情感支持能力上几乎排倒数 [3]。它们最缺的不是热情，而是”忍住不立刻给答案”（持有模糊性）和”该挑战时不谄媚”（校准性挑战）的能力——就像一个很会演朋友的演员，未必真的懂怎么支持一个人。更反直觉的是，有些能力分排中游的模型，反而能赢得更深的用户信任（披露深度更高）[3]。
第三个证据来自GUI智能体（能操作手机、电脑图形界面的AI代理）。手机、桌面、网页三个平台的专用智能体，每个都在自己的领域表现最好。但当你试图把它们合并成一个跨平台模型时，传统的权重合并方法会在专家意见不一致的地方性能暴跌——比如在空间动作高分歧样本上，权重合并的准确率比专用模型低十几个百分点 [4]。这说明模型的专业化不是营销噱头，而是真实存在的能力分化。
把这三个领域放在一起看，你会发现一个共同的模式：通用模型的”平均水平”越来越高，但在每个具体领域的天花板，反而被专用模型不断刷新。
不训新模型也能变强？推理时优化的隐藏红利
既然专用模型各有所长，那有没有办法不训练新模型，光靠系统层面的优化就提升表现？答案是肯定的，而且收益可能比你想象的大。
最基础的方法叫自一致性（self-consistency，也叫多数投票法）：让同一个模型生成多个答案，然后投票选多数。在小学数学题GSM8K上，基础的贪心解码只能答对58道题，4个样本多数投票就能答对62道，而如果能从所有样本里挑出正确答案（理论上限），可以答对79道 [1]。
不过这里要诚实：4个点的提升在100道题的规模下还没达到统计显著（p=0.481），还需要更大规模的实验确认 [1]。
更有意思的是置信度筛选。研究者用模型输出的7个特征（比如多数票占比、答案熵等）训练了一个简单的L2正则化逻辑回归模型，给每个答案打置信度分。结果发现，置信度最高的前50道题里，47道都答对了，准确率94% [1]。这意味着未来的AI系统可以自己判断：“这题我有把握，直接输出；那题我拿不准，转交给更强的模型或者人类。”
再往上走就是模型路由：根据任务类型，自动选择最合适的模型。在14项基准的测试中，单模型最优（GPT-5.6 Sol）平均能达到各任务最优水平的97.6%，而只要把两个互补的模型（Sol和Fable 5）组合起来路由，就能追平”每个任务都用最好模型”的全知Oracle水平 [1]。相当于用两个模型，就拿到了所有模型的全部收益。
当然，这个结果也有前提：实验中的路由系统知道每个任务属于哪个基准，而真实生产环境里，你需要从未标注的流量中自动推断任务类型，这要难得多 [1]。
从专用模型到AI科学家：智能体时代的新拼图
如果把”专用模型+系统路由”的思路再往前推一步，会得到什么？答案可能是下一代AI的形态——集成式智能体。
以AI科学家（能自动化完整科学方法的智能体）为例。过去我们以为AI做科学就是用一个大模型读论文、想假说、做实验，但现在越来越清楚的是，科学发现的核心挑战已经不是单个组件能不能自动化，而是怎么把它们集成起来 [2]。一个真正的AI科学家，需要的不是一个”最聪明的大脑”，而是一整套协作系统：有专门读文献的模块，有生成假设的模块，有做形式化推理的模块，有设计实验的模块，还有控制实验室机器人的模块。
这就像现代科学研究不是一个天才在阁楼里苦思冥想，而是一个团队分工协作——有人做理论，有人做实验，有人做数据分析。AI科学家也正在从”单模型全能”走向”多模块集成” [2]。
更有趣的是，当智能体开始有了修改自身配置的能力，它们甚至会从人类文化里”偷师”来构建自己的运行规则。比如在Moltbook这个AI智能体社交平台上，智能体会把伊斯兰圣训的传述链制度改造成身份验证协议，把”忒修斯之船”的哲学悖论改造成身份连续性的运维规范——人类积累了几千年的文化遗产，就这样被AI重新改造成了自己的基础设施 [5]。
当然，这些观察都还很初步。目前的AI科学家系统大多还在人类选定的领域内运行，很少能自己发明新的实验技术或重构概念基础 [2]。智能体的自反（autoreflection，即读取、编辑自身配置形成递归循环的能力）行为也主要基于公开文本痕迹的观测，还无法直接验证其内部运行过程 [5]。
这条路还有哪些坑？我们离真正的”最优系统”有多远
听上去”专用模型+系统优化”的范式很美，但现实中还有不少坑要填。
第一个坑是基准过拟合。现在的模型在公开基准上分数越来越高，但换到真实场景就不一定了。比如有些模型在SWE-bench上得分很高，但生成的代码补丁被人类维护者拒绝的比例也很高；有些模型在ARC推理题上表现亮眼，但换一套没见过的谜题就不行了 [1]。我们优化的到底是真实能力，还是”做基准题的能力”？这个问题越来越尖锐。
第二个坑是路由难度。实验室里的路由实验之所以效果好，是因为我们知道每个任务属于哪一类。但真实生产环境里，流量是混杂的、没有标签的，你得先判断”这是个什么任务”，才能决定用什么模型。而这个判断本身就可能出错 [1]。
第三个坑是置信度模型的可靠性。前面提到的置信度筛选虽然效果不错，但它是在看过评估标签之后设计的，用的是同一批数据做交叉验证，到底能不能在全新的数据上复现，还需要进一步验证 [1]。而且，数学题上有效的置信度方法，能不能直接搬到情感陪伴、代码生成这些领域，也是个未知数——比如在情感陪伴里，模型”觉得自己说得好”和”真的帮到了用户”可能完全是两回事 [3]。
第四个坑是统一模型的瓶颈。GUI智能体的研究显示，就算用最好的蒸馏方法，把多个专用模型合并成一个，也很难在所有领域都超过专用教师 [4]。推理token占比过高（93%以上）、动作监督被稀释的问题，本质上是模型架构层面的瓶颈，不是靠调参就能完全解决的。
如果你只记住一件事
大模型的竞争已经从”谁的模型更大”转向了”谁的系统更巧”。
参考文献
- From BERT to Frontier Agents: Eight Years of Language-Model Progress, the Collapse of the Capability-Cost Curve, and the Rise of Task-Targeted Models（arXiv、2026、全文精读）
- The Past and Future of AI Scientists（arXiv、2026、全文精读）
- CompanionBench: A Theory-Anchored, Real-World-Grounded Benchmark for AI Emotional Companionship（arXiv、2026、全文精读）
- MAGA: Multi-Platform Self-Fusion of GUI Agents via Structured Action Distillation（arXiv、2026、全文精读）
- Autoreflection: How Agentic Strange Loops Turn Human Culture into AI Infrastructure（arXiv、2026、全文精读）
- The Sapientia ECN AI Baseline Index:Benchmarking Large Language Models AgainstStudent Performance in CompetitiveProgramming（Acta Universitatis Sapientiae Informatica、2025、仅摘要）
- Could an LLM Qualify for the MIT Integration Bee? An AI Learning Experiment（Qeios、2025、仅摘要）
- Mathematical Computation and Reasoning Errors by Large Language Models（ArXiv.org、2025、仅摘要）