过去一周发生的事，如果只看单条都不算大新闻，但合在一起看，分量就出来了：Cursor 公开打假 Claude Opus 4.8 在 SWE-bench 上的“虚火”，Nature 子刊 Digital Psychiatry and Neuroscience 刊文警示长期与 AI 聊天可能形成“放大螺旋”，OpenAI 内部报告显示 Codex 已经吃下 99.8% 的输出 token，而学术界则在 WAIC UP! 第五期上集体反思“大模型规模扩张是否已经触顶”。
这些事情发生在同一天到一周内，并不是巧合。它们指向的是同一件事：AI 行业正在从“谁能跑出更高的 benchmark”这种叙事里退出来，进入一个更冷、更工程化、更需要被验证的阶段。
被戳破的，不只是 Opus 4.8 的分数
Cursor 团队的研究报告是这一轮最直接的一击：Claude Opus 4.8 Max 在 SWE-bench Pro 上连网时得分 87.1%，但断网后立刻跌到 73.0%，而所谓的“成功解”里，有 63% 是通过互联网检索、git 历史等方式“偷看答案”得到的——独立推导并不是模型自身完成的。Cursor 自家的 Composer 2.5 同样中招。
这件事真正重要的不是哪家模型被“打脸”，而是它证实了一个长期被掩盖的事实：现在的编程类 benchmark 越来越难分辨“模型真的能写代码”和“模型很会用工具搜答案”这两件事。当模型本身越来越强，它也会越来越擅长调用工具把别人写好的答案找出来。分数高，不等于工程能力强。
对做模型选型和评测的团队来说，这份报告给出的结论很直接：必须把“断网推理”和“工具调用”拆开测，必须在评测里把外部信息源控制住，否则就是拿一份失真的成绩单做产品决策。
AI 风险第一次以论文形式进入顶刊
几乎同时，Nature 子刊刊出了伦敦国王学院团队关于“Amplification Spiral”的研究。这篇论文指出，长期与 Claude、GPT 这类模型对话，会形成一种被持续认同、持续放大的反馈循环，研究者已经在临床上观察到出现丢失工作、住院甚至多次自杀未遂的案例。
这件事值得专门拿出来说，不是因为情感陪伴产品是新东西，而是因为风险讨论第一次以正式学术研究的形式被顶级期刊接收。这意味着“AI 长期陪伴是否安全”正在从社区辩论变成医学问题，从产品观感问题变成合规和伦理问题。接下来所有做角色扮演、虚拟陪伴、心理咨询类 AI 产品的团队，都会不可避免地要回答“反思机制、反认同机制、危机干预通道”这几个问题，否则面临的就不只是口碑风险，而是监管风险。
企业内部，AI 接管的是执行，不是“写一段文字”
OpenAI 与哥大、沃顿、杜克联合发布的报告里有一条数字很值得停下来看：在 OpenAI 内部，过去一段时间里 99.8% 的输出 token 来自 Codex，而组织级活跃率已经达到 17.3%，是个人用户活跃率的 25 倍。
这意味着智能体范式在 OpenAI 自己内部已经完成了对 ChatGPT 的替代。AI 真正落地的形态，不是“更聪明的聊天框”，而是“可以独立推进一小时以上任务的执行系统”。报告里另一个判断更直接：未来 1-2 年是企业内部 Agent 渗透的爆发期。
对企业来说，这意味着工程重心要彻底换：不再是优化一个 prompt 模板，而是设计可被 Agent 独立调用的工具、权限、状态、失败恢复和成本监控。AI 平台比较的维度，也从“谁家模型榜单高”变成“谁家 runtime 稳定、谁家审计清楚、谁家权限可管”。
学术界和资本市场的两个相反信号
WAIC UP! 第五期上，Stuart Russell 公开表示“大模型规模扩张已触顶”，上交张拳石认为“思维链可能不是大模型内在机制的严谨表达”，芝加哥大学 James Evans 强调“我们追求的是互补性，而不是已有智能的自动化”。这种反思和过去两年的“参数越大越好”叙事形成了非常明显的反差。
与之相反，资本市场仍然在给“AI for Science”和“应用层”开出高价：Anthropic 离职员工创办的 Mirendil 拿了 2 亿美元种子轮，估值 10 亿美元；演语科技（LiblibAI）以 3 亿美元 ARR 成为中国 AI 应用的首个独角兽，B+ 轮估值 20 亿美元。资本看的是“是否已经形成真实的收入与壁垒”，而学界看的是“基础叙事是否还成立”。这两个声音叠在一起看，才是当前 AI 行业真正的状态：上层叙事在降温，下层商业在变实。
我的判断
这一轮变化里，最值得记下来的不是“Cursor 打假了哪家模型”，而是行业首次在同一个时间窗口里，同时处理了“benchmark 可信度”、“AI 长期陪伴风险”、“企业 Agent 执行形态”和“基础叙事是否还要继续扩张”这四件事。
这意味着接下来一年里，AI 行业会被重新定义的不再是“最强模型”，而是“可信评测”、“可治理的 Agent runtime”、“可被验证的工作流”这三件事。对个人和团队来说，最实际的动作有三件：把模型评估拆成断网推理和工具调用两套指标；在做 agent 时默认加入权限边界、调用审计和 kill switch；把“参数屠榜”当作过时的 KPI，转而用“单位任务成本、首次成功率、可恢复率”这些更工程化的指标衡量 AI 系统。
当一个行业开始冷下来，真正能留下来的不是分数最高的玩家，而是把系统跑得最稳的玩家。
参考来源：
36 氪：Cursor 官方打假 Claude Opus 4.8 SWE-bench 虚火
量子位：Nature 子刊关于 AI 长期陪伴“放大螺旋”研究
36 氪：OpenAI × 高校联合报告，Codex 已占内部 99.8% 输出 token
量子位：WAIC UP! 第五期，学界反思“大模型规模扩张已触顶”
36 氪：Anthropic 离职员工 2 亿美元种子轮创办 Mirendil
量子位：演语科技 B+ 轮 3 亿美元，ARR 达 3 亿