AI 模型发布加速，基准测试却跟不上

stale.jock.pl 的模型追踪页面显示，2026 年 9 月 1 日至 22 日共有 6 个模型发布。该页面列出了 8 家实验室 20 个现役模型的发布日期和训练截止日期。仅 OpenAI 就在 9 月 22 日发布了三个：GPT-6 Sol、GPT-6 Luna，以及 Anthropic 同日的 Claude Opus 5.5。这些信息来自页面表格和近期新闻。前沿 AI 模型的发布节奏现在以天计算，而非季度。

但用于评判这些模型的工具并未跟上。训练截止日期，即模型停止读取数据的日期，在这份名单上仅有一半的模型予以公布。追踪页面称，8 家实验室中有 5 家至少为一个模型公布了截止日期，分别是 Anthropic、Google DeepMind、Meta、OpenAI 和 xAI。空白条目意味着被核查的厂商来源未确认截止日期，并不等于不存在。

发布与知情之间的落差

追踪页面的表述很直接：两个日期决定一个模型到底有多新。发布日期是实验室交付模型的时间，训练截止日期是它停止读取数据的时间。据该页面，2026 年 9 月 3 日发布的 GPT-6 Astra 截止日期为 2026 年 4 月 30 日，这意味着它在发布当天已落后约四个月。2026 年 9 月 1 日发布的 Claude Fable 5.1 截止日期是 2026 年 6 月。2026 年 2 月 19 日发布的 Gemini 3.1 Pro 在 2025 年 1 月就停止了数据读取，比其发布早了一年多。

一个模型可以在 9 月发布，却仍在 4 月停止读取数据，这意味着它在上市那天已落后五个月。

发布周期越压缩，这一落差越重要。据追踪页面，Mistral AI 于 2025 年 12 月 2 日发布 Mistral Large 3，2026 年 3 月 16 日发布 Mistral Small 4，2026 年 4 月 28 日发布 Mistral Medium 3.5，三者均未公布截止日期。阿里巴巴的 Qwen3.8-Max（2026 年 8 月 3 日）、Qwen3.8-Flash（2026 年 8 月 26 日），以及 DeepSeek 的 V4-Pro（2026 年 8 月 13 日）和 V4.1-Flash（2026 年 9 月 10 日），同样未公布截止日期。Meta 的 Muse Glimmer 和 Muse Spark 1.3，以及 Google DeepMind 的 Gemini 3.8 Flash 也是如此。

该页面认为，搜索工具无法弥补这一缺口。会联网搜索的模型读取几页网页，在一次回答中使用后便遗忘；开启新对话，它就回到自己的截止日期。更糟的是，搜索必须由模型自行触发，使用的仍是那套存储过时事实的权重，因此错误恰好落在模型最自信的地方。页面引用了一项测量，覆盖 16 个模型、超过 2000 次调用，每次均赋予模型网页搜索工具。前沿模型几乎每次判断都正确，而较弱的模型则会陈述已改变的既定事实，甚至为水的沸点这类常识去搜索网页。

使用量的变化比基准测试更快

实验室忙于发布的同时，使用数据讲述了另一个故事：开发者实际选择哪些模型。据 CNBC 援引其获得的用量数据，2026 年中国 AI 模型在两个主要开发者平台上的份额从小比例变为多数。在 OpenRouter 上，9 月 14 日当周中国模型占所用 token 的 57% 至 67%，而 2 月仅为 6% 至 13%。在 Vercel 上，其份额从 1 月的 11% 升至 8 月的 55%。

这种采用集中在 OpenRouter 定义的全球南方，即中南美洲、非洲和亚洲的 82 个国家。据 CNBC 报道，这些公司使用的 token 中超过三分之二流向中国模型。OpenRouter 上约一半的 token 由美国公司使用。

据 CNBC 采访人士透露，价格是驱动力。OpenRouter 洞察负责人 Peter Walker 对该媒体表示，今年发布的中国开源模型“在高级智能体用例中确实能胜任，尤其是在编程方面，这在 2025 年底还做不到”。他说，它们“相比美国实验室的大多数模型，性价比极高”。Vercel 智能体基础设施负责人 Harpreet Arora 对 CNBC 表示，一旦模型达到某项工作的质量门槛，价格差异就变得极具吸引力，不过企业仍会为更复杂的任务选择美国的前沿模型。

据 CNBC 报道，本周早些时候 OpenAI 和 Anthropic 均发布了更便宜的新模型。Anthropic 研究实验室产品管理负责人 Dianne Penn 对该媒体表示，公司正努力让模型的回答“更高效，根据用户的投入设置消耗更少的 token”。

华盛顿在盯着 token 数

据 CNBC 报道，这一变化正在华盛顿引起审视，美国众议院两个委员会正在调查中国模型采用率上升的影响。美国已通过出口管制限制中国 AI 公司购买最先进的芯片；华盛顿担心它们通过海外数据中心远程使用 Nvidia 芯片，也担心“蒸馏”，即新模型模仿更早、更成熟的模型。

CNAS 技术与国家安全项目高级研究员 Daniel Remler 对 CNBC 表示，中国 AI 代表“美国面临真实的经济和安全风险”。他说：“最终的担忧是，中国 AI 模型的整合会将各国拉入中国技术势力范围，并固化为地缘政治上的站队。”Remler 补充道，东南亚尤其可能出现显著增长，“从拉各斯到圣保罗再到雅加达，凡是创业者和政府在寻找廉价、开放模型的地方，都会首先看向中国 AI”。

Nvidia 试图用软件而非芯片来改变这一格局。据 Rest of World 报道，Counterpoint Research 分析师 Marc Einstein 对该媒体表示，公司正在准备一个免费模型，预计名为 Nemotron 4，年底前推出，面向已在运行 Nvidia 硬件的买家。据该媒体报道，没有哪个国家比阿联酋更符合这一描述，其旗舰数据中心将运行 40万 块 Nvidia 芯片。据 Rest of World 报道，Nvidia 还同意支付近 130亿 美元收购 Hugging Face，即开发者分享和下载模型的平台。

这笔支出的背景是：据 Rest of World 援引 Hugging Face 8 月的一份报告，早期版本的美国 AI 模型远远落后于中国的免费模型，后者今年下载量约为 20亿 次，远超任何西方竞争对手。各国政府自建模型时，大多从 Meta 或阿里巴巴的免费模型起步。Einstein 表示，Nvidia 的支出旨在让 Nemotron 成为它们改选的基础。

基准测试漏掉了什么

这些均未解决根本的测量问题。模型的基准分数无法说明它是否知道截止日期之后发生了什么。stale.jock.pl 页面提出一种低技术含量的检查方法：直接询问模型其训练截止日期。该页面认为，行为规范的模型会回答或表示不确定；而编造出自信日期的模型，已透露了关于自身的一些有用信息。页面还补充说，答案应与追踪页面核对，因为模型并非关于模型的好来源。

该页面还提供机器可读导出文件 models.json，包含全部 20 个模型的发布日期、已公布截止日期和来源链接，并建议通过智能体已读取的 AGENTS.md 或 CLAUDE.md 指令文件将其指向该文件。导出文件随页面更新而重新生成，因此智能体读取的是当前日期，而非固化在权重中的日期。

这只是权宜之计，并非根本解决方案。实验室控制着披露内容，而追踪页面上现役模型仍有一半未公布截止日期。在这一点改变之前，仅凭基准测试比较模型的人，评估的是一张发布时已过期的快照。