9月大模型图谱：头部厂商密集上新，AI开始比谁更“能干活” 原创

产联社编辑 | 黄钰慧

图片由AI生成

【产联社】进入9月，大模型又迎来一轮密集上新。9月2日，Google发布Gemini 3.8 Flash；次日，OpenAI推出GPT-6 Astra。9月10日，DeepSeek发布V4.1-Flash。9月22日，Anthropic发布Claude Opus 5.5，同日OpenAI继续扩充GPT-6产品线，推出Sol和Luna两款模型。国内厂商中，阿里、月之暗面、阶跃星辰等也在本月更新模型或Agent产品。

密集发布背后，大模型竞争的关键词正在发生变化。参数规模、数学推理和Benchmark成绩依然重要，但越来越多厂商开始把Coding、工具调用、Computer Use、多模态和长程任务放到产品更新的核心位置。大模型还在比谁更“聪明”，但9月以来，一个更现实的问题被摆到台前——谁能把事情真正做完。

大模型开始比拼“执行力”

这一变化首先体现在头部模型的能力重点上。

9月3日发布的GPT-6 Astra，被OpenAI定位于处理高难度端到端工作。相比单纯强调问答和推理能力，OpenAI此次重点展示了Astra在Computer Use、浏览器操作、软件工程、网络安全、科学研究和专业工作等方面的能力。OpenAI公布的测试结果显示，Astra在FrontierMath Tier 4和ARC-AGI-3上分别取得98%和99.9%的成绩。不过，不同厂商的测试环境和模型配置存在差异，相关成绩并不适合直接横向排名。

Google的方向类似。9月2日发布的Gemini 3.8 Flash，官方将其定位为面向长程软件工程、自主Agent和复杂企业工作流的模型，并称其在保持上一代Flash速度和低成本定位的同时，提升了软件工程、Agent任务和复杂多步推理能力。

国内厂商也把升级重点放到了任务执行上。阿里9月2日更新Qwen3.8-Max-0902，重点提升复杂工程级Coding、长程自主开发、多工具调度和端到端任务交付，同时保留100万Token上下文窗口。DeepSeek则从模型架构入手。9月10日发布的V4.1-Flash采用新的非对称架构，总参数量5520亿，但输入和输出阶段分别仅激活80亿和160亿参数，同时加入原生视觉理解能力。DeepSeek称，新模型面向更高吞吐和更低推理成本设计。

从9月这一轮更新看，头部厂商仍在提高模型的基础智力，但能力升级越来越围绕真实任务展开。过去一个模型能否解决一道难题，往往是能力展示的重点。现在，能否读懂一个项目、调用多个工具、操作软件并持续执行，正在成为另一套衡量模型能力的坐标。

Agent上桌，从聊天框走进真实工作流

如果说模型能力升级是9月的表层变化，Agent则是贯穿这轮更新的一条共同主线。

9月10日，OpenAI推出Agents API公开测试版，将支撑Codex的执行框架开放给开发者。按照OpenAI的定义，一个能够长期工作的Agent不仅需要模型本身，还需要管理上下文、使用工具、协调子Agent，并拥有处理文件、运行代码和保存中间结果的环境。OpenAI称，其基础设施已经能够支持Agent连续运行数天。

这意味着，AI完成任务的时间尺度正在被拉长。

Coding是9月多家厂商重点布局的Agent场景之一。9月17日，月之暗面正式上线Kimi Code Desktop，将Kimi Code的Agent能力带入桌面开发环境。按照官方介绍，其目标模式可以持续推进长任务，并支持暂停、恢复和后台运行；计划模式则可以先生成方案，再由用户评审后执行。敏感操作提供不同级别的审批机制。

Anthropic 9月22日发布Claude Opus 5.5时，也将复杂工作和Coding作为重点。Anthropic披露，一名早期测试者使用该模型在不到一天内完成了68万行代码迁移；按照测试者的估计，同类工作由工程团队完成可能需要数周。

Agent的边界也已经不止于代码。Meta 9月8日推出个人AI Agent Muse，其运行在独立云端虚拟机中，可以通过浏览器处理邮件、旅行预订等任务，并保留用户授权和操作记录。

多模态能力也开始服务于这一过程。9月1日，Google为Gemini 3.7 Flash、3.6 Flash和3.5 Flash-Lite上线Agentic Video Understanding，模型可以根据任务主动调用视频工具获取所需信息。Google称，相比传统视频处理方式，其Token消耗最高可减少88%。阿里本月上线的Qwen3.8-Omni-Flash Realtime则支持实时音视频交互，并加入远程MCP工具调用。

模型由此逐渐获得完成任务所需的不同组件。推理负责判断，多模态负责感知，工具和Computer Use负责操作，长上下文和记忆负责维持任务状态，Agent则把这些能力组织成一条连续工作流。

这一变化甚至开始进入行业测试标准。MLCommons 9月16日发布MLPerf Inference v6.1，首次加入Edge Agentic Inference测试，用于衡量Agent式Coding等多轮工作负载。相比一次提问、一次回答的传统推理，这类任务需要模型持续积累上下文、获取信息并反复推理。

企业从“Token价格”算到“任务价格”

模型越来越能干的同时，另一个变化也在发生，厂商仍在继续压低使用成本。

Anthropic称，Claude Opus 5.5在多数任务上达到Claude Fable 5.1水平，完成相同工作的运行成本较Opus 5降低40%。DeepSeek V4.1-Flash则把KV Cache所需的HBM和SSD空间分别压缩至上一代的四分之一和八分之一，并同步下调API价格。

OpenAI也开始用不同模型覆盖不同成本区间。9月22日推出的GPT-6 Sol和Luna中，Sol标准API输入和输出价格分别为每百万Token 2美元和10美元；更轻量的Luna分别为0.1美元和0.5美元。两款模型均支持文本和图像输入。

这轮降本的意义在Agent时代更加突出。传统聊天模型通常只需要完成一次或几轮交互，而Agent可能需要连续搜索资料、读取文件、调用工具、修改结果，甚至运行数小时或数天。调用次数和上下文不断累积后，单个Token的价格只是成本的一部分。

因此，对企业而言，更值得关注的指标正在从“每百万Token多少钱”进一步延伸到“完成一个任务多少钱”。

代码迁移、行业研究、客服处理、数据分析等任务能否以稳定成本完成，将直接影响Agent能否从演示进入规模化生产。模型厂商也开始在能力、速度和成本之间寻找新的平衡点。阶跃星辰本月公布的Step 5 Preview，就直接以智能水平与任务成本的“帕累托前沿”作为模型定位，面向软件工程、专业知识工作和金融等Agent场景。

中外厂商争夺新的产业入口

方向趋同不代表各家路径完全相同。

OpenAI正在把模型、Codex和Agents API连接起来，从底层模型向Agent运行基础设施延伸。Anthropic继续强化Claude在Coding和复杂专业工作中的能力。Google则将Gemini能力向云服务和开发工具等生态延伸。Meta的Muse则直接切入个人Agent，让AI获得独立运行环境并代替用户操作应用。

国内厂商同样在向Agent靠拢，但路径更加多样。

阿里一边升级Qwen的Coding、多工具调度和多模态能力，一边依托云服务提供模型调用。月之暗面则把Kimi Code继续向长程编程和桌面开发环境推进。DeepSeek则继续从模型架构和推理效率切入。

从模型、开发工具到Agent运行环境，头部厂商正在将竞争延伸至模型之外。对企业而言，模型本身仍是底层能力，但谁能让模型更稳定地接入工具、软件和业务流程，正在成为Agent落地过程中新的竞争点。

Agent带动新一轮基础设施需求

Agent进入更复杂的任务，也在带动相关基础设施需求增加。

首先是Agent运行所需的基础设施。一个能够持续工作的Agent，需要上下文管理、长期记忆、工具调用、MCP、多Agent调度以及稳定的运行环境。OpenAI专门推出Agents API，将上下文管理、工具调用、子Agent协调、文件处理和代码运行等能力整合进Agent执行框架，反映出模型之外的运行环境正在成为Agent落地的重要组成部分。

模型也开始参与AI基础设施本身的开发。智谱9月17日披露，在GLM-5.3-Flash的国产AI加速器集群适配过程中，由GLM-5.3驱动的Infra Agent参与了大量基础设施开发和优化工作。智谱称，该系统从初步适配到生产可用耗时不到两周，端到端吞吐较初始版本提升约3倍。相关数据来自智谱自身项目复盘。

随着任务变长，Agent的应用边界也在继续扩展。OpenAI 9月8日公布了一套针对纳维—斯托克斯千禧年大奖难题的AI生成候选解法，并公开Lean形式化验证结果。OpenAI称，核心解题工作由一款仍在训练、能力显著超过GPT-6 Astra的内部模型驱动，Agent在启动约88小时后得到结果；随后GPT-6 Astra用17小时完成Lean形式化和验证。仅纳维—斯托克斯项目就使用约1300亿输出Token。OpenAI同时表示，无意凭此结果申领奖项。

从Coding、基础设施开发到科研，这些案例意味着Agent能够参与的任务正在变得更长、更复杂，同时也对运行环境、算力和任务管理提出更高要求。

安全则是另一项随Agent能力扩展而出现的需求。聊天机器人出错，更多时候意味着“说错话”。能够操作浏览器、代码库、邮件和企业系统的Agent出错，则可能变成“做错事”。这让权限控制、沙箱、身份认证、操作审计和Agent监督成为新的基础设施需求。

Meta已经在Muse中加入独立的Sentinel Agent，所有联网操作需要经过其检查，发送邮件、购买等敏感操作还需要用户确认。OpenAI也在GPT-6 Astra发布时披露，由于其网络安全能力达到公司Preparedness Framework中的Critical级别，已加强模型隔离、全轨迹监控等防护措施。

再往上，则是具体行业和岗位。Coding已经成为9月多家厂商重点布局的Agent场景，科研、办公、数据分析、金融等复杂任务也在跟进。对于企业而言，真正值得关注的可能不再是“是否接入一个大模型”，而是哪些业务流程已经能够被拆解成Agent可理解、可执行、可检查的任务。

截至9月24日，这轮大模型密集更新尚未结束。但从已经发布的产品看，一个方向正在变得清晰，大模型没有停止比“聪明”，但竞争正在从生成一个更好的答案，延伸到完成一个更复杂的任务。

当AI能够看懂屏幕、调用工具、操作软件，并在更长时间里持续完成任务，模型能力的下一轮竞争，也将越来越多地发生在真实工作流里。

商务合作，请联系侯经理 18801065284（微信同号）

报料及内容合作，请联系chanlianshe2026（微信号）