一边是 1733 分的 Image-to-WebDev 新榜首，一边是把 10 人销售团队压到 1.25 人。今天的 AI 新闻看下来，最刺眼的不是又多了几个模型名，而是同一件事正从两头发生，模型在抬高能力的天花板，Agent 在挤压具体岗位里的重复劳动。

别急着把这读成「人要被替代了」。真正先被替代的，往往是没有被拆清楚的流程。

🔥 今天最值得盯住的几件事

1. GPT-6 Astra 登顶 Image-to-WebDev，网页开发正在变成一场端到端考试

Arena 更新了 Image-to-WebDev 榜单，GPT-6 Astra Max 以 1733 分排在第一，领先 GPT-5.6 Sol xHigh 129 分。这个榜单有意思的地方不在于「谁第一」，而在于它把输入图像、理解布局、生成可运行前端揉成了一道题。

过去看代码模型，大家习惯盯补全和 benchmark。可真实开发里，需求常常从一张设计稿、一段模糊描述开始。模型若能稳定吃下视觉语义和交互约束，再给出能改、能跑、能接进现有工程的页面，它才真正碰到 Web 开发的工作流。

不过榜单分数还不是交付质量。组件边界、无障碍、响应式细节、后续迭代时的可维护性，都可能把漂亮的首版打回原形。开发者该测的，不只是它第一次写得多快，而是第三次改需求时会不会把页面拆散。

来源，Arena

2. Perplexity 自研 CobbleDB，省下的可能不只是云账单

Perplexity 宣布用 CobbleDB 替代 AWS DynamoDB，用于快速抓取网页内容的键值存储，预估一年最多节省 1 亿美元。项目据称只有两名工程师和数百个持续运行的计算单元参与。

这个数字当然需要按企业口径看，节省上限不等于已经兑现的现金流。但它还是点出了一个容易被忽略的事实，AI 产品把抓取、检索、缓存和推理绑在一起后，基础设施不再只是后台成本中心。数据路径跑得多快、每次读取花多少钱，会直接决定产品能不能承受规模。

很多团队上云时买的是确定性和少操心。Perplexity 这种体量开始自己做，不是说 DynamoDB 不行，而是它的工作负载已经足够特殊，通用服务的便利费变得太贵了。

来源，Aravind Srinivas

3. Google 把语音模型推向 Agent，真正的门槛仍是任务闭环

DeepMind 发布 Gemini 3.8 Live 和 3.8 Live Extended Thinking，定位近实时语音对话和复杂任务执行。语音 Agent 的下一段竞争已经很清楚，不是谁的声音更像人，而是谁能在打断、澄清、调用工具和完成任务之间不掉线。

语音是一个残酷的交互界面。文字里用户愿意忍受两秒钟的停顿，电话里一次不合时宜的插话就会让人立刻出戏。Extended Thinking 若只是把沉默拉长，体验并不会变好。它得学会什么时候应该快速确认，什么时候值得多想一轮。

来源，Google DeepMind

4. 代码 Agent 压力先落到 CI 身上，Anthropic 给了一个不太浪漫的答案

Anthropic 工程团队复盘了测试影响分析服务的扩容过程。Claude 编写约 80% 的代码后，测试数量增长 10 倍，六个月里的 CI 任务增长 25 倍。团队先后试过扩容、按包分片、每日重启，三个临时补丁都只顶住了一小段时间。

这篇复盘比「AI 写了多少代码」更有价值。代码产出被加速后，验证系统会先感到窒息。没有测试影响分析、可靠缓存和可观测的任务队列，Agent 写得越快，CI 只会越像收费站。

这也是给工程管理者的提醒。把 Copilot 或 Coding Agent 接进来之前，先看看构建时间、测试分层和失败归因。别等产能起来了，才发现交付被验证环节堵住。

来源，Claude Blog

5. Vercel 的 90% inbound 自动化，展示了最容易被 Agent 改写的岗位切面

Vercel COO 表示 inbound 销售开发已实现 90% 自动化，团队从 10 人缩至 1.25 人，AI 销售开发 Agent 年成本只有数千美元。

这个案例很容易被拿来制造焦虑，我反倒觉得它把边界讲得很具体。inbound 线索分流、信息补齐、基础问答、预约这些工作有明确输入、有明确动作、有可衡量结果，本来就适合自动化。复杂的客户判断、关系建立和非标准谈判，并没有因为这组数字消失。

所以别泛泛地问 AI 会不会取代销售。更有用的问题是，你手上的流程里，哪些部分已经足够清晰，可以交给一个能被审计的 Agent。

来源，Tomer Tunguz

💡 另外几条，不该漏掉

  • TranslateGemma 发布，Google 说其语言技术已覆盖 300 多种语言，轻量开源翻译模型支持 55 种语言和离线运行。多语言能力正从云端 API 慢慢下沉到端侧和私有环境。
  • 小红书开源 Iris，这是 Search Agent 模型，提供 35B 与 397B 两个版本。权重和评测代码已放出，训练数据与配方还要继续等。
  • DeepSeek-V4.1-Flash 进入 Agent Arena 开源模型第三，中位任务成本为 0.07 美元。对团队来说，便宜模型能否覆盖足够多的日常任务，比榜单位置更值得做一次实测。
  • Fireworks 给出的 DeepSWE 成绩是 74.34% pass@1、每任务 0.43 美元，并称精度进入 GPT-6 Astra 所在区间。供应商成绩可以当候选名单，别直接当采购结论。
  • Trail of Bits 质疑 1Password 的 AI 补丁基准，并放出两个补丁验证 Agent 技能。模型评测最怕的不是分数低，而是实验设计把答案悄悄写进了题目里。
  • OpenAI 的 Project Lily 被曝光，报道指人工审核员会查看匿名化对话，用来判断回复是否切题、是否出现谄媚口吻。用户该关心的不只是功能，还包括数据会怎样进入评估链路。

📝 今日想法

今天这些新闻其实围着同一个问题打转，模型能力变强以后，组织里最先该重做什么。

不是把每个人都换成 Agent，也不是买一个模型就等效率自然发生。先挑一个高频、边界清楚、结果可验收的流程，把输入、权限、失败处理和人工接管写出来。Vercel 的销售分流、Anthropic 的测试影响分析、Perplexity 的抓取存储，路径不同，起点却一样，都在把原本模糊的工作拆成可执行的系统。

1733 分的网页生成能力很吸睛。但真正会留下来的，可能是那些没有出现在榜单上的流程改造。