AI 圈这两天被一篇论文刷了屏。Hinton、Bengio、Barto，再加上 OpenAI 首席科学家 Pachocki，22 位顶尖学者联名发布了递归自我改进领域的第一篇系统性论文，把「智能爆炸」这个老科幻命题，第一次严肃地摆上了建模和测算的台面。同一周里，何恺明团队用一套不训练新模型的外挂框架，把两个前沿模型在 ARC-AGI-3 上的成绩直接拉满；OpenRouter 的周度榜单上，一款匿名模型「太空兔」悄悄冲到第一，中国大模型的周调用量连续 23 周压过美国。三件事放在一起看，你会发现这个行业的叙事正在换挡——从「模型有多强」，转向「AI 能不能自己造更强的 AI，以及谁在真的用它」。

一、22 位学者联名：智能爆炸第一次被严肃建模

论文的标题很直白：《如果自动化 AI 研发触发智能爆炸会怎样？》。作者名单基本是 AI 学界的半壁江山：两位图灵奖得主 Hinton 和 Bengio、强化学习先驱 Andrew Barto、OpenAI 首席科学家 Jakub Pachocki、微软首席科学官 Eric Horvitz、Anthropic 联合创始人 Jack Clark、伯克利的 Dawn Song。有意思的是，这份名单里既有实验室的人，也有一贯谨慎的学院派，两边这次在同一个判断上达成共识：AI 研发自动化一旦越过某个临界点，进展速度可能被大幅压缩，反馈循环说启动就启动。

论文给出的测算很扎眼：今天需要一年才能完成的 AI 进步，极端情况下未来可能只需要约 5 周；如果 AI 研发完全自动化，技术进化速度可能在 17 个月内提升十倍。支撑这些判断的不是想象，而是各家实验室的内部数据——Anthropic 内部 AI 生成并获批的代码占比，2025 年 1 月还只是低个位数，到 2026 年 5 月已经超过八成；Claude 在仅接受高层次人类监督的情况下，自主完成的内部研发工作量占比，从 3 月的约百分之一涨到 8 月的百分之二十六，半年涨了二十多倍。截至 9 月，OpenAI 内部的 AI 系统已经能经常完成人类员工原本要花好几天才能做完的研发任务。这才是让老先生们坐不住的东西。

不过论文也没有一味渲染恐慌。作者明确列出了四道「摩擦力」：算力、数据、实验时间、边际收益递减，这四样东西决定了智能爆炸暂时还没有闭环。我读完的观感是，这篇论文真正的价值不在预言，而在把「窗口期」这个模糊概念变成了可以讨论的政策议题——监管框架得在反馈循环启动之前建好，事后补是来不及的。实验室的研发规模理论上可能从几千人跳到数百万研究员量级，权力结构都会跟着变。

同一时间线上还有个更具体的注脚：AIBuildAI 团队开源了 PostTrain Agent，一个专门做模型后训练的递归自我改进智能体。给它一个基座模型、一份目标能力清单和一个算力预算，它就自己设计后训练算法、收集整理数据、写代码、跑实验、迭代改进，全程不需要人介入，最后交出一个训练好的模型。在自主后训练基准 PostTrainBench 上，它拿了 46.6 分排名第一，压过所有前沿模型和智能体系统，人类专家的参照分是 51.1。距离被追平，可能就是一两个版本的事。

二、何恺明团队 VISTA：不训新模型，外挂一套「视觉记忆」就能满分

第二条主线来自 MIT 副教授、Google DeepMind 杰出科学家何恺明的团队。他们发布的 VISTA 框架有个反直觉的起点：研究团队没有训练任何新的基础模型，只是在现有多模态模型外面加了一套视觉交互与记忆机制。结果相当炸裂——Claude Opus 5 在 ARC-AGI-3 的 25 个公开游戏里，得分从 40.68 冲到 100；GPT-5.6 Sol 从 13.33 提到 99。两个模型最终都完成了全部公开关卡。

ARC-AGI-3 是目前公认最能区分「背题」和「真推理」的测试之一，模型要在陌生的交互环境里自己观察、试错、归纳规则。此前前沿模型的得分普遍难看，40 分上下已经算第一梯队。VISTA 的思路说穿了不复杂：给模型装上「视觉记忆」，让它把看到过的画面、尝试过的操作都记下来，推理时随时调用和修正。人类玩家玩新游戏也不是靠脑子里的参数，靠的就是「我刚才点这里发生了什么」的经验积累。

这件事对业内的启示很实在。第一，推理能力的提升路径不止「堆参数训大模型」一条，外挂式的记忆和交互机制可能是性价比更高的方向；第二，它恰好暴露了现有模型的一个短板——同期发布的 VA-Bench 测试显示，12 个多模态模型在「看懂目标」上接近满分，但完整任务的成功率只有一半左右，Qwen3.8-max、Opus 5、GPT-5.6 Sol 都在五成上下徘徊。看懂和做对之间的执行断层，正是 VISTA 这类工作要填的坑。

三、调用量 23 周领跑、太空兔登顶：Flash 模型成了开发者的默认选择

第三条主线看数据。每日经济新闻根据 OpenRouter 最新数据测算，上周（9 月 28 日到 10 月 4 日）全球大模型总调用量 166 万亿 Token，环比涨了约一成四。其中中国大模型周调用量 57.46 万亿 Token，美国是 16.2 万亿，差出三倍多——这已经是中国连续 23 周压过美国。全球调用量前五里，四个是中国模型。

单模型榜单更有意思。第一名是匿名上线的 Space Bunny Alpha，名字直译过来叫「太空兔」，周调用量 38.7 万亿 Token，环比暴涨一点八倍。这款模型 9 月 23 日才上线，主打快速推理和编程，支持百万 Token 上下文，前一阵还限时免费。第三方用分词器指纹做了测试：50 个测试字符串的 Token 计数与 MiniMax 系列完全一致，社区由此普遍猜测它就是 MiniMax 的马甲。官方至今没有确认，但 MiniMax 在 9 月 27 日上线的 M3.1-Flash-Preview 规格和它几乎一样。这种「隐身测水温」的打法，说明 Flash 赛道已经卷到了要匿名发布的程度。

榜单往下看，DeepSeek V4.1 Flash 以 25.6 万亿 Token 排第二，智谱 GLM 5.3 Flash、小米 MiMo-V2.6-Flash、腾讯 Hy4 预览版分列三到五名。另两组数据值得咀嚼：其一，中国模型的周调用量环比回落了约百分之七点六，太空兔这类匿名模型又不计入任何一国的统计，这个第一的含金量得辩证着看；其二，彭博行业研究测算，中美顶尖模型的基准测试差距已经缩到 2.3 分——DeepSeek V4.1 Flash 在 LiveBench 拿 81.1 分，Anthropic 最高 83.4 分，而今年 5 月这个差距还有 9 分上下。

Flash 模型为什么火？答案朴素得很：便宜、快、够用。DeepSeek V4 Flash 的输入价格大约每百万 Token 一毛四美金，而 OpenAI 旗舰模型 6 月的定价是 5 美金，差着三十多倍。开发者把代码补全、文本生成这类高频任务全部丢给 Flash 模型，把贵的旗舰留给真正难的推理。谷歌六周内连更三次 Flash 系列，说明这不是中国厂商的单边游戏，而是全行业的集体转向。

写在最后：三条新闻，一个共同的问题

把这三条主线放在一起，我看到的其实是同一个问题的三个切面：AI 的生产力到底落在哪。Hinton 们的论文说的是「AI 生产 AI」的效率已经可以量化；VISTA 说的是「外挂机制」比重训模型更能快速兑现推理能力；OpenRouter 的榜单说的是「便宜够用」的模型正在吃掉大部分真实调用量。

对我这样的小公司从业者来说，信号很清晰。别再只盯着参数和榜单排名，真正该关心三件事：你的业务流程里，哪些环节已经可以交给 Flash 级模型去跑；你的团队有没有把 AI 嵌进研发流水线——Anthropic 内部八成代码由 AI 生成的今天，再谈「工程师写代码」的人工效率对比意义不大；以及，你有没有一套机制去验证 AI 产出的质量，毕竟 PostTrain Agent 已经证明，连训练模型这件事本身都可以无人化。

智能爆炸也许还很远，但自动化滚雪球已经开始了。窗口期这个词，Hinton 们用的是政策语境，放到一家公司身上，就是你跟同行拉开差距的那段时间。南宁这边做企业数字化落地的团队最近都在算同一笔账，我们也是：先把便宜模型用到极致，再考虑微调和私有化，比一上来就追旗舰参数划算得多。窗口开着的时候不进场，等它关了，学费只会更贵。