中美 AI 半月观察 #05（补刊）：更便宜的模型与手机智能体

补刊先说结论

本期原定资料截止为 2026 年 10 月 1 日 09:00（北京时间），实际补发日为 10 月 16 日。 本文只用原截止前已公开、今天仍能核对的官方材料；无法重建的动态榜单继续留空，没有用现在的名次倒填 10 月 1 日。

9 月下旬有三个清晰变化：OpenAI 把接近旗舰能力的模型价格往下压，Anthropic 继续用 Sonnet 5.5 换速度和成本，阿里把 Qwen 智能体方案带到手机厂商的联合开发。竞争正从“谁的模型更强”扩展到“谁能更便宜地跑在真实设备和工作流里”。

但本期综合分仍然暂不发布。已完成当前证据复核的仍是 1 / 38 项，固定权重 0.75%。这个已知项小计不是国家总分，缺失也不代表双方打平。

更便宜的前沿能力

OpenAI 9 月 29 日发布 GPT-6.1 Sol，公布的标准 API 价格是每百万 token 输入 2 美元、缓存输入 0.10 美元、输出 10 美元。公司还给出了 DeepSWE、AutomationBench、OSWorld 和 Terminal-Bench Science 等任务的成绩与成本对比。OpenAI 官方发布页

这个变化的意义不是又多了一个模型名称，而是一部分原本只有旗舰模型才能承担的任务，开始出现更低价的运行选项。对开发者和企业来说，这会直接改变哪些 Agent 或专业流程能够长期运行。

但定价不等于“每个成功任务的全部成本”。重试、工具调用、失败损耗、上下文长度和服务等级都会改变真实成本；页面也没有中国模型在同一评测协议下的完整原值。所以 U2.1 继续留空。

Claude 5.5 继续压缩时间与成本

Anthropic 9 月 28 日发布 Claude Sonnet 5.5，称它相比 Sonnet 5 快 30% 以上，对多数工作的运行成本最多下降 30%。Anthropic 官方发布页

这与 GPT-6.1 Sol 的方向一致：美国前沿模型供给正在从“单一最强模型”变成多档能力、速度和成本的组合。这会降低企业部署门槛，也会迫使评估从榜单上的最高分移向任务成功率、时延和成本的联合曲线。

不过，这些数字来自厂商自己的发布页，评测脚手架、推理档位和成本统计与其他页面不完全一致。它能证明产品供给变多，不能单独证明国家能力份额变化。

Qwen 开始装进手机系统

阿里云 9 月 25 日披露 Qwen Intelligence 手机智能体方案，荣耀是首个联合开发合作方。公司披露的数字包括最高 91.8% 的任务准确率，以及对超过 100 步复杂流程的编排能力。阿里云官方说明

这比一个模型演示更接近产业落地：模型、工具治理、设备和操作系统开始被一起设计。如果后续出现实际出货、用户完成任务的留存和付费数据，它可能为产业采用指标提供更强证据。

现在还不能走那么远。91.8% 是供应商披露，页面没有给出完整任务集、独立复测、出货量和付费生产使用量。因此它是很有价值的观察，还不是 E2.1 的渗透率分数。

为什么补刊仍然不发总分

本次回溯时，Artificial Analysis、LiveBench、Arena、NIST / CAISSI 和 SWE-bench-Live 的当前页面都已重新检查。问题不是页面打不开，而是无法复原 10 月 1 日 09:00 当时的完整动态表，更无法在同一协议下组出知识推理、真实软件工程、长程工具和人类偏好四类任务的中美各前三基础模型家族。

这就是补刊不倒填榜单的原因。如果把现在的排名当成当时的排名，得到的只是一个看起来完整、其实无法追溯的数字。

唯一仍在有效期内的评分项是 IFR 的 2024 年普通工业机器人安装量：中国 295,045 台，美国 34,164 台。IFR 执行摘要它占总权重 0.75%，而且普通工业机器人不是 AI 机器人，所以不能借这一项发布国家总分。

下一期看什么

GPT-6.1 Sol 和 Claude 5.5 是否出现第三方同任务成功率、重试和成本原表。
Qwen Intelligence 是否公布实际出货、付费生产使用和用户留存，而不只是首发合作。
五类前沿榜单是否提供带版本、可下载原表，使四类任务能按统一协议复算。

局限与直接来源

本文是延迟补刊，最大限制是动态榜单的历史时点不能完整重建。OpenAI、Anthropic 和阿里的页面都是公司一方技术披露；它们可以证明产品、定价和合作存在，不能自动证明对称的国家优势。

评分不是胜率、增长率或经济预测。缺失项没有按双方打平处理，已知项也没有重新分配权重。逐项状态、原值、资料时间和缺口见本期机器可读数据；完整规则见方法 1.2。