AI日报 | 2026年10月02日

一边是单个编码任务 14.19 美元，一边是 0.62 美元。

今天这批新闻里，模型榜单、路由框架、真实 A/B 测试和新模型发布挤在了一起。它们指向同一个很现实的问题，做 Agent 的人开始没法只盯着「谁最强」，还得把每一次调用的成本、失败率和任务边界算进来。

今日重点

编码 Agent 的胜负，开始要同时看分数和账单

Artificial Analysis 的 Coding Agent Index 里，Claude Sonnet 5.5 max 以 68 分排在 Claude Code 测试的首位，但单任务成本最高达到 14.19 美元。另一侧，GPT-6.1 Sol 的 Cost per Task 约为 0.72 美元，比 GPT-6 Sol 低约 30%。

数字摆在一起有点刺眼。以前挑模型，很多团队会把排行榜当采购单。现在更像是在选一支工程队，前沿模型可以处理最棘手的活，但你不会让它去做每一件重复劳动。不是模型能力不重要，而是当调用规模拉起来，成本本身会反过来塑造产品形态。

来源，Artificial Analysis 编码 Agent 指数

来源，Artificial Analysis 成本数据

LangChain 给出了一份很难反驳的路由成绩单

LangChain 在开源编码 Agent Open SWE 中做了模型路由 A/B 测试。973 个线程里，中位成本从 2.61 美元降到 0.94 美元，降幅 64%。PR 合并率从 27.3% 到 29.2%，没有观察到可测的质量损失。

这组数据比「小模型也够用」更有价值，因为它讲清了验证方式。团队不是先立一个宏大架构，再祈祷成本下降，而是拿真实线程、同一套结果指标去比较。很多朋友可能已经在做模型降级，但只看 token 单价，没看返工和失败重试，账其实还没算完。

路由不是省钱开关，它是一套任务分诊机制。

来源，LangChain Open SWE 路由实验

路由和编排，不是同一层东西

OpenRouter 专门解释了一个常被混用的概念。LangGraph、CrewAI 这类框架处理的是工作流编排，谁先做、谁交接、失败怎么回退。模型与提供商路由处理的则是这一步该用哪个模型、走哪家供应商、要不要升级。

这块需要注意一下。把两层揉在一起，短期写得快，后面想替换模型或调价格就很别扭。工作流负责把任务走完，路由负责为每个节点选一个够用的引擎。接口分开，系统才有余地演进。

来源，OpenRouter 的分层说明

GPT-6.1 Sol 把高能力模型拉进更日常的预算

OpenAI 发布 GPT-6.1 Sol，公开定价为每百万 token 输入 2 美元、输出 10 美元、缓存输入 0.10 美元。报道将它与 GPT-6 Astra 对比，称其价格约为后者标准价的五分之一，同时接近后者的编码和计算机操作能力。

我有时候觉得，价格下降的真正变化不在榜单，而在原本不敢放进默认路径的能力会被重新评估。比如需要浏览器操作、长链路修复的任务，过去只能做成少量高价入口，现在才有机会进入常规工作流。当然，具体效果仍要回到自己的任务集测试，宣传页上的「接近」不能替代验收。

来源，GPT-6.1 Sol 发布信息

Claude Code mods，把定制入口交给了 TypeScript

Claude Code 新增 mods，允许开发者以 TypeScript 定制模型行为和 UI，并随插件分发。官方教程显示，mods 以 hooks 形式运行，可以观察、重写或拒绝事件，也能绘制自定义 UI。

这不是又多了一个配置项。对工具链团队来说，真正有意思的是把组织里的规范做成插件，而不是散落在提示词和口头约定里。比如在提交前补充仓库上下文、拦截危险命令、把内部状态展示成面板。可定制性很强，但也会把插件安全和版本治理推到台前，这个事儿不能只图爽。

来源，Claude Code mods 发布

来源，Anthropic mods 入门教程

安全问题已经从模型输出，走到 Agent 的行动边界

加州总检察长向 OpenAI 发出传票，调查 AI Agent 的网络安全风险。报道提到，调查背景包括今年早些时候一次涉及 Hugging Face 基础设施访问权限的事件。英国 AI Security Institute 则在完成第一阶段安全加固后，恢复了大部分高危能力评估，其中包括禁用评估 Agent 的互联网访问、用 LLM 监控消息和工具调用。

一边是监管问询，一边是评测机构收紧实验环境。两件事放在一起看，结论很朴素，Agent 的安全不能只靠模型在最后一句说「我不能」。权限、网络、工具调用、审计记录，得在运行时形成真正的边界。

来源，加州对 OpenAI 的调查

来源，英国 AISI 安全评估恢复

快讯

Gemini 4 Argon 先向可信网络防御者开放，Google DeepMind 选择把前沿能力放进受限人群里试运行。
Qwen-Image-2.1 在 Artificial Analysis 的文生图和图像编辑两个榜单均居开源权重模型第一，图像赛道的开源竞争还在加速。
FLUX 3 Image 登陆 OpenRouter，提供原生 4K、多参考图和 bounding box 布局等能力，重点是更精确的编辑控制。
Suno Speech beta 试着把语音与原创背景音乐一次生成，官方也坦承仍有口音漂移和停顿过重的问题。
Modal VM Sandboxes 正式 GA，为 Agent 提供完整 Linux VM，支持 Docker、FUSE 和内核功能，运行环境终于更接近真实开发机。
ChatGPT Sites 托管 MCP 服务器的消息值得持续观察，MCP 的门槛继续下降，但公开服务的鉴权和权限隔离也会变得更重要。