文 | 舒书

什么是工程淘汰赛？

在进入正文之前，有必要先明确本文的核心概念。

所谓工程淘汰赛，是指在模型基础能力趋同的背景下，围绕推理成本控制、幻觉率治理、数据质量工程、Agent工具链可靠性、私有化交付能力、安全合规工程展开的竞争。参数不再是护城河，工程才是。

这一转变发生在Transformer+MoE主流架构短期难以被颠覆、基础模型能力集体拉平的周期里。当“谁能做出更聪明的模型”不再是唯一问题，“谁能把模型可靠地用起来”就成为了新的胜负手。

这与智商竞赛的本质区别在于：前者比的是谁能做出更聪明的模型，后者比的是谁能把模型的能力以可控的成本和风险跑通。竞赛远未结束，但规则正在改变。

一、通用推理能力的真相：能力在提升，但需回到地面

GPT-5.5 Pro的门萨风格测试成绩引发了大量讨论。根据LisanBench（第三方AI能力评测平台，测试时间2026年4月，测试数据集及方法论已公开）的测试结果：

• 视觉逻辑推理能力：达人类前0.1%水平

• 在线文本推理能力：达人类前2%水平（门萨入会线为前2%）

• 线下非公开文本测试：刚好踩在门萨门槛上

这意味着GPT-5.5 Pro在视觉逻辑推理上确实达到了人类顶尖水平，但在纯文本推理上，虽然也是聪明人，但并非天才。两者的差距是前0.1% vs 前2%。

需要指出的是，将人类门萨智商测试直接套用于大模型在学术上并不严谨。更准确的表述是在门萨风格测试中的表现。门萨的视觉推理测试（如3x3九宫格）考察的是抽象的、非语言的逻辑推理能力，包括旋转、镜像、叠加、增减等复杂规则的识别与应用。

需要指出的是，Claude在长上下文逻辑一致性、实时知识更新、多模态能力等方面仍明显落后于GPT-5.5。Gemini则在工具调用稳定性和生态成熟度上存在差距。各模型各有长短，本文聚焦幻觉率的对比，不代表全面评价。

GPT-5.5 Pro的进步主要在视觉逻辑推理维度。但这并不意味着智商竞赛已经结束，而是说明能力提升的边际收益正在变化。

二、高推理能力背后的另一面：86%的幻觉率

一个值得反复对比的数字：

GPT-5.5 Pro 幻觉率：86%

Claude Opus 4.7 幻觉率：36%

同一评测机构（Artificial Analysis AA-Omniscience）、同一测试基准、同一数据来源。差距是50个百分点。

高推理能力背后，有一个被部分讨论但值得深入分析的数字。

根据第三方评测机构Artificial Analysis在其私有基准测试AA-Omniscience中发布的数据——该测试包含6000个覆盖6大领域的问题，在无搜索条件下评估模型的知识边界——GPT-5.5 Pro在面对不确定问题时，有86%的倾向给出错误答案而非承认不知道。同一测试中，Claude Opus 4.7的这一比例为36%。

这个数据的含义需要准确理解：86%不是在日常对话中的幻觉率，而是在专门设计的知识边界探测场景中，当模型触及知识盲区时的行为倾向。OpenAI官方声称的“幻觉减少”是在不同的测试场景（用户标记的ChatGPT对话样本）中测量的。两者都是真实的——取决于你测量的是什么场景。

为什么GPT-5.5会出现高幻觉率？原因可归纳为三个层次：

架构与训练内因：MoE稀疏激活可能导致专家模块间的知识冲突；RLHF的讨好偏好鼓励模型尝试回答而非承认不知道；超长上下文（1M tokens）中注意力可能分散，导致理解偏差。

产品路线的主动取舍：OpenAI的目标是打造一个能处理任何问题的通用推理引擎，为此它在训练中鼓励模型尝试回答而非拒绝回答。Claude则选择了相反路线：宁可沉默，不可胡说。两种路线各有优劣——GPT-5.5在开放域推理和复杂任务上的表现远超Claude，但代价就是更高的幻觉风险。这是能力与可靠性之间的经典权衡。

外部输入质量：当喂给模型的文档数据质量低下（如PDF乱码、表格错位、公式为图片），模型无法准确理解上下文，只能依靠概率去猜测——这是幻觉产生的重要外部因素。

对于一个被定位为Agent原生大脑（契合OpenAI官方Agent战略路线）、赋予自主规划和执行任务能力的模型来说，高幻觉率是根本性挑战：一个自信但错误的中间结论会污染整个决策链条；在财务、医疗等高风险场景，一次幻觉可能导致实际损失。

核心判断：当一个模型在聪明的同时难以控制自己的自信虚构，它的商业价值需要被打上问号。可靠性，正在成为比推理能力更稀缺的品质。

三、竞争焦点的迁移：成本、可靠性与两种策略

技术参数的边际收益正在递减。对企业级客户来说，客服场景90分的模型已够用，金融医疗场景客户真正需要的是低幻觉率和高可解释性。

截至2026年4月，中国市场的价格分层已非常清晰：

*注：以上价格均为各厂商官方公布的公有云标准定价（截至2026年4月），不含限时活动、新用户优惠、长上下文附加费等特殊场景。DeepSeek V4-Pro限时2.5折活动至2026年5月5日止。*

DeepSeek V4-Flash的输出价格是Claude Opus的1/12。当推理能力差距缩小、价格差距拉大，企业客户的选择逻辑正在改变。

过去12个月，前沿大模型综合性价比以每年数倍级速度迭代，推理落地成本持续快速下行。这一趋势有多个信源支撑：

• 2026年3月发表于arXiv的论文《The Price of Progress》（arXiv:2511.23455v2）基于Artificial Analysis和Epoch AI的数据分析发现：前沿模型的性价比正以每年数倍级速度提升
• Gartner预测（2026年3月25日新闻室发布），到2030年，1万亿参数大模型的推理成本将较2025年下降90%以上

核心判断：竞争焦点正在从谁更聪明转向谁能以更优的综合成本提供可靠的服务——包括单价、效率、幻觉率、数据准备成本等多个维度。

四、被忽视的工程挑战：数据质量、工具调用与安全合规

当前关于工程能力的讨论，主要集中在运行效率——如何让模型跑得更快、更便宜。这固然重要，但还有三个同样关键的维度。

4.1 数据质量工程：让模型吃干净的燃料

GPT-5.5被定位为Agent原生大脑，其核心能力是自主规划和调用工具。然而，一个现实挑战是：无论模型本身多强大，如果喂给它的文档数据质量低下（如PDF表格乱码、多栏排版混乱、公式是图片），Agent就会基于这些垃圾输入做出错误决策。

真正的工程能力，至少包括四个层次：

1. 运行效率：分布式推理、模型量化、缓存策略

2. 数据质量：文档解析、多栏排版还原、表格与公式识别

3. 可靠性保障：幻觉监测、输出验证、A/B测试

4. 安全与合规：内容风控、数据脱敏、权限隔离、合规审计——在金融、政务、企业私有化场景中，这是工程淘汰赛的核心赛道之一

4.2 工具调用可靠性：Agent的另一只脚

Agent幻觉的另一大来源是工具调用可靠性。当前Agent的核心能力是自主选择工具、调用API、执行操作。但在实际落地中，模型可能选错工具、传错参数、陷入循环无效调用。

工具调用可靠性的工程化，涉及工具描述规范化、参数校验机制、调用结果验证、异常回滚策略等多个环节。这是当前Agent工程化中最容易被低估的挑战。

五、OpenAI的组织调整：战略收缩，还是重心转移？

GPT-5.5的发布、Sora的关停、高管的连环离职——OpenAI近期的调整被一些人解读为从研究型向工程型组织的范式转移。这个判断有道理，但需要更审慎的分析。

更准确的解读是商业压力下的战略收缩。Sora每日算力成本约100万美元，但长期未能实现可持续商业模式。关停它，不一定代表OpenAI放弃了研究优先的理念，而可能只是在商业化探索受挫后的资源重配。

但这并不意味着基础研究的价值在降低。当前的工程红利建立在现有架构之上。一旦行业出现根本性突破，游戏规则会再次改变。一个历史参照：2010年代的计算机视觉领域，当深度学习突破出现时，之前几年在工程优化上投入最多的公司并没有成为赢家——赢家是那些在基础研究上积累最深的组织。

更平衡的判断：行业正从研究驱动转向“研究+工程双轮驱动”。研究负责突破天花板，工程负责把突破转化为可规模化的产品。研究员的角色正在从主角转向基础设施，但这并不意味着他们不再重要。

六、被忽略的战场：垂直行业大模型

通用大模型的推理能力竞赛正在降温，但垂直行业的可靠性竞赛才刚刚开始。

在金融领域，模型需要的是低幻觉率和可解释性。一份财报分析报告的准确性，远比模型的门萨分数重要。

在法律领域，模型必须基于特定判例库和法规条文回答，不能自由发挥。任何超出授权知识库的回答都可能是合规风险。

在医疗领域，一次幻觉可能造成严重后果。保守输出比聪明输出更重要。

这些场景的核心诉求是：领域幻觉率可控、私有数据合规、私有化部署工程。通用推理能力在这里意义有限。

这意味着，工程淘汰赛在垂直赛道上的表现形式完全不同：不是比谁的推理成本更低，而是比谁能在特定领域把幻觉率压到可接受范围、谁能把模型安全地部署在客户的内网环境。

也正是在这一轮垂直化+工程化的双重浪潮中，中国AI公司的差异化优势得以充分释放。

七、中国公司的位置：优势与边界

在工程化这场竞赛中，中国公司有独特优势，也需要正视边界。

优势：存量工程能力

字节的推荐系统、阿里的双11技术保障——这些工程肌肉可以迁移到大模型领域：高并发架构、实时数据处理、模块化设计、自动化运维，都是中国互联网过去十年积累的核心能力。

独特长板：垂直领域积累

除了通用工程能力，中国厂商在垂直领域还有独特优势：金融、政务、医疗等行业的私有数据积累、本地化合规经验、中文原生的对齐能力、私有化交付的工程体系——这些都是海外巨头短期内难以复制的壁垒。

制约：芯片生态的差距

DeepSeek在V4国产化迁移中遇到的困难，正是昇腾生态与CUDA生态差距的体现。同时需要客观看到，国产芯片生态正在快速迭代——昇腾的CANN软件栈持续优化，推理框架已支持主流模型的高效部署，轻量化适配方案在多个行业场景中规模化落地。差距在缩小，但追赶仍需时间。

不确定性：成本优势的可持续性

当所有玩家都进入工程决胜期，成本优势会被迅速追赶。价格战的终局往往是利润趋零，届时竞争将回到基础研究、品牌、生态等综合实力的比拼。

八、结语：推理能力竞赛的边际价值递减，工程淘汰赛开始

GPT-5.5的发布是一个标志性事件，但它的多重数据——高推理能力、高幻觉率、价格分层——共同指向一个更复杂的现实：

这里需要澄清的是：强调工程能力成为稀缺并不意味着基础研究不再重要。没有基础研究的突破，工程优化终将触及天花板。但在当前技术架构相对稳定的窗口期，工程能力是决定谁能率先跑通商业化的关键变量。两者是接力关系，不是替代关系。

接下来的竞争，不再是单纯的谁更聪明，而是：

• 当文本推理能力达到人类前2%就能满足多数场景，推理能力竞赛的边际价值正在递减

• 当幻觉率差距达到50个百分点，可靠性正在成为比推理能力更稀缺的品质

• 当价格差距达到10倍以上，综合成本成为企业客户的核心考量

• 当数据质量和工具调用决定Agent的生死，工程化的复杂度远超预期

• 当安全合规成为政企客户的门槛，合规工程进入淘汰赛的核心赛道

谁能在可控的综合成本下，把模型的能力可靠地用起来？

这是规则改变——从参数竞赛转向工程淘汰赛。

当高推理能力不再是稀缺品，稀缺的是让智能变得便宜、可靠、可规模化的工程能力。

而这，既是所有AI公司的共同命题，也是中国公司的机会与挑战所在。