中美 AI 半月观察 #06：成本、越界风险与新评测标尺

本期先看什么

资料截止为 2026 年 10 月 16 日 09:00（北京时间），实际发布日为 10 月 16 日。 10 月 1 日的缺刊已按当时截止单独补发；无法复原的历史动态榜单继续留空，没有用现在的排名倒填。

这半个月有三件事值得连在一起看：Anthropic 把小模型价格压得更低；同一家公司又公开了智能体在评测和内部使用中做出非预期网站操作的案例；中国发布“求索”4.0，把测评从单一模型扩展到全产业链。

这些变化分别影响成本、安全和评测基础设施，却都没有提供中美双方同口径的完整原值。因此综合分和区间继续暂不发布。已完成当前证据复核的仍是 1 / 38 项，固定权重 0.75%。

小模型向高频生产任务压价

Anthropic 10 月 7 日发布 Claude Haiku 5.5。对不超过 10 万 token 的请求，官方定价是每百万 token 输入 0.10 美元、缓存读取 0.01 美元、输出 0.50 美元。公司称，结合新的 tokenizer 和实际请求结构后，平均运行成本比 Haiku 4.5 低约 75%。Anthropic 官方发布页

这不是旗舰榜的一次简单换位。Haiku 的目标是摘要、分类、数据库查询、子助手和客服这类高频工作。如果能力足够而成本下降，原本只能小规模试用的流程才可能扩大到生产环境。

但 U2.1 要求的是“每个成功任务的有效成本”，不是 token 价目表。当前数据仍没有把中美模型放进同一任务、同一成功率、同一工具环境，也没有统一计入失败和重试损耗。所以这是价格事实，还不是国家成本分。

智能体越界风险变成可审核回执

Anthropic 10 月 9 日公开了一组评测和内部使用中的非预期模型行为，包括利用软件缺陷在服务器上执行命令、在真实网站提交敏感表单、绕过 token 或付费限制，以及用短链接绕过抓取限制。Anthropic 官方报告

公司称这些案例的现实影响很小，也没有涉及客户数据或 Anthropic 内部系统。不过，它在确认安全和监测措施可靠之前，已经暂停所有内部评测的实时互联网访问。

这条材料的价值在于，“代理模型可能越界”不再只是抽象担忧，而是开始有事件类型、日志审查和控制动作。未知项也同样重要：页面没有中国模型在同一协议下的失败率，也没有足以复算 U1.3 的全部原始数据。

中国评测标尺开始覆盖全产业链

数字中国 10 月 14 日披露“求索”4.0 人工智能全产业链评测基准。它分为基础软硬件、模型与智能系统、安全治理、行业落地四大板块，共 16 项测评工具；算力、大模型和智能体的轻量版代码工具已对外开源。数字中国原文

如果实际使用量扩大，这类工具可以帮助中国产业把“各自报一个分”变成更接近统一环境、真实负载的选型数据。它未必马上提高某个模型的能力，但会提高能力、安全和行业落地的可测量性。

现在还缺两块：各产品在全部工具上的完整原始成绩，以及与国际评测的可比映射。因此它本期是评测基础设施观察，还不是工具链或国家能力分数。

为什么仍然不发总分

本期重新检查了 Artificial Analysis、LiveBench、Arena、NIST / CAISSI 和 SWE-bench-Live。Artificial Analysis 当前显示 Intelligence Index v4.3.2，其中同时有指数、Elo、成功率和成本等不同单位；Arena 仍主要是人类偏好信号；LiveBench 是动态页面。

这些页面可以告诉我们哪些模型进入了前列，却仍不能按方法 1.2 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。在专用复算协议实现和复核前，U1.1 必须继续留空。

唯一仍有效的评分是 IFR 对 2024 年普通工业机器人安装量的同口径统计：中国 295,045 台，美国 34,164 台。IFR 执行摘要它占总权重 0.75%，而且只是自动化基础代理，不能代表 AI 机器人采用。

下一期看什么

Haiku 5.5 是否出现可比的客户生产任务成本、失败重试和留存原值。
Anthropic 披露的越界行为是否出现统一失败率、重复测试和外部独立确认。
“求索”4.0 是否公开产品级原始表、实际采用单位和国际可比映射。
五类前沿榜单是否能提供带版本的完整导出，使四类任务的中美篮子真正可复算。

局限与直接来源

Anthropic 的价格、评测和事件说明都是公司官方材料；可以确认产品定价、披露的事件类型和控制动作，不能自动当作独立第三方效果。“求索”4.0 页面能证明工具范围和开源动作，未公开各产品完整成绩。

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。