从思考旋钮到能力阈值：大模型下一阶段的五条技术主线
如果只看参数量，大模型路线似乎仍是把网络做得更大；如果看 2026 年的产品和系统变化，真正发生的事情却是：模型正在从一件完整产品，变成一种可被调度、切分、约束和组合的计算资源。
OpenAI 在 GPT-5.6 API 中把 reasoning effort 扩展为从 none 到 max 的多个档位；Google 在 Gemini 3.7 Flash 模型卡里强调可配置 thinking；Apple 的第三代基础模型同时覆盖 3B 端侧稠密模型、20B 稀疏模型和 Private Cloud Compute；美国能源部的 Genesis Open Models 又把开放权重、科学数据来源和可复现实验放到同一计划里。看似分散的发布，实际汇成五条主线。
这五条路线并不保证模型自动变得可靠。它们只是把能力、成本和风险从一个黑盒分解成更多可以工程化管理的变量。
主线一：测试时计算成为可调预算
传统深度学习主要把计算投入训练阶段，推理时做一次固定前向传播。推理模型则允许在回答前消耗更多测试时计算：搜索候选路径、反思、调用工具、验证局部结果，再决定输出。它改变了模型扩展的基本公式。
过去近似是：
能力 ≈ 训练数据 × 参数规模 × 训练计算
现在还要加入：
任务能力 ≈ 基础模型能力 × 测试时推理预算 × 工具质量 × 验证反馈
这也是 reasoning effort 变成 API 参数的意义：同一个模型可以对格式转换几乎不思考，对复杂证明或代码迁移投入更长推理。平台因此可以按任务风险分配计算，而不是让所有请求支付同样成本。
但“思考更多”不等于单调变好。模型可能在错误前提上越想越深，生成更长但不更准确的推理，也可能因为过度搜索错过延迟目标。评估时要画出一条 effort 曲线：横轴是总成本或完成时间，纵轴是独立验证通过率。如果从 high 提升到 max 只增加 1% 通过率，却让 P95 翻倍，那么 max 不应成为默认值。
主线二：模型家族替代单模型垄断，路由成为核心能力
OpenAI 当前将 GPT-5.6 划分为 Sol、Terra、Luna，Google 与 Anthropic 也长期维护不同速度和能力层级。供应商把“选模型”从一次采购决定变成每个请求都要做的调度决定。
理想路由器需要同时考虑：
- 任务类型：提取、生成、编码、研究或执行；
- 风险等级：错误能否自动发现、是否可回滚；
- 上下文形态：长度、缓存命中、图像和文件数量；
- 时间预算：交互式 P95 还是离线小时级任务；
- 预算：单请求上限、团队配额和失败重试成本；
- 数据边界：能否离开设备、地区和私有网络。
图解：验收通过才输出结果；可恢复失败返回策略层重试；越权或高风险请求转人工处理或拒绝。
这里最容易被低估的是路由错误。一个复杂任务被错发给便宜模型，可能不断重试并污染状态；一个简单请求被错发给旗舰模型，则把成本和延迟悄悄推高。路由器本身要有离线混淆矩阵和在线漂移监控，并允许业务用硬规则覆盖概率判断。
主线三：稀疏模型与端侧模型形成新的云边分工
Apple AFM3 展示了很清晰的层级：3B 稠密 Core 模型运行在设备上；Core Advanced 是约 20B 总参数、每次激活 1B 至 4B 的稀疏模型；更复杂的任务进入 Private Cloud Compute 的 Server 与 Server Pro。MAI-Thinking-1 则把稀疏 MoE 扩展到约一万亿总参数、约 350 亿激活参数。
这条路线的本质不是“所有模型都下放手机”，而是把任务分解成不同的数据与算力域：
- 端侧负责隐私敏感、低延迟、可离线的意图识别和局部处理；
- 边缘或私有云负责组织内部数据、缓存和中等复杂度工作；
- 大型云模型负责长上下文、通用推理和高峰弹性；
- 只有必要的信息摘要跨越边界，而不是上传全部原始数据。
端侧模型的难点也不只在参数量。内存带宽、量化误差、首 token 延迟、持续功耗和热降频都会决定体验。一个 3B 模型能装入设备，不代表它能在后台长时间运行；一个 MoE 模型激活参数少，也不代表总权重、专家通信与 KV cache 可以忽略。
更稳健的边云系统要对每条数据记录三件事：原始数据在哪里，经过什么变换，哪个模型在什么版本和量化设置下处理。否则“隐私计算”最后只剩一张架构图，无法回答某段敏感信息是否真的离开过设备。
主线四：通用模型之外，开放领域模型开始争夺科学与工业工作流
美国能源部 8 月 7 日启动 Genesis Open Models Initiative，首个 Genesis-Science-1 计划提供开放权重，并强调科学数据、来源追踪、评估方法与社区微调贡献。它释放的信号不是“国家实验室也要做一个聊天机器人”，而是科学模型的竞争单位不同于消费级助手。
科学与工业模型更关心：训练材料是否有清晰来源，数值和单位是否保持，结果能否与模拟、实验或数据库交叉验证，以及论文结论能否被复现。一个在开放问答上很流畅的通用模型，可能会在材料相、边界条件或测量单位上犯低级错误；一个覆盖面窄的领域模型，若能把数据谱系和不确定性保留下来，反而更有生产价值。
开放权重同样不等于完全开放。至少要分别检查：
- 权重许可证是否允许商业使用和再分发；
- 训练数据的来源、过滤与授权是否可审计；
- 训练配方、评估代码和失败案例是否公开；
- 依赖的 tokenizer、推理框架和数据管线能否复现；
- 社区贡献怎样防止数据投毒和评估泄漏。
真正的开放科学模型应该让第三方能够提出可证伪的反例，而不是只提供一次下载。
主线五：安全从模型训练移入运行时控制面
能力越来越强之后，安全不能只依赖训练时拒答。Google 的 Gemini 3.7 Flash 模型卡用能力阈值描述网络安全风险；OpenAI GPT-5.6 的开发文档说明，网络安全与生物风险分类器可能在生成过程中暂停或停止请求；Anthropic 也持续用能力评估决定需要启用的防护级别。
这意味着安全架构正在从静态过滤器变成一个运行时状态机：
图解：风险解除可回到普通生成；暂停后的任务只有通过人工复核才能受限继续，否则终止。
运行时门控会带来新的工程问题：误报可能中断合法的安全研究，漏报则让多个看似无害的步骤组合成危险流程。企业还必须理解供应商门控发生在哪里、日志保留多久、被暂停的任务如何恢复，以及模型切换会不会绕开原有策略。
安全策略也不能只检查提示词。Agent 的风险来自提示、历史状态、工具权限、网络目标和输出动作的组合。一个普通的代码生成请求，在拥有生产凭据和外网写权限时就可能变成高风险执行。因此权限应该按任务临时发放，敏感动作需要二次确认，工具结果和决策链必须可审计。
五条主线最终汇合在“可验证的系统”
这五条路线表面不同：思考档位在模型 API，路由在平台，稀疏与端侧在基础设施，开放领域模型在生态，能力阈值在治理。它们最终都迫使团队回答同一个问题：如何证明系统在给定预算和权限内完成了正确工作？
仅有模型指标不够。一个面向生产的评估框架至少要包含：
| 层级 | 关键证据 | 典型失败 |
|---|---|---|
| 模型 | 任务通过率、校准、上下文敏感性 | 幻觉、过度推理、退化 |
| 路由 | 分流命中、升级率、成本曲线 | 错发、无限重试、供应商锁定 |
| 工具 | 参数、权限、幂等、回滚 | 越权、状态污染、重复执行 |
| 数据 | 来源、驻留、变换与版本 | 泄露、过期、不可复现 |
| 治理 | 审批、审计、暂停与恢复 | 误拦截、漏拦截、责任不清 |
因此，大模型下一阶段最重要的架构能力不是“接入最新模型”，而是建立一套模型可替换、预算可配置、结果可验证、权限可收缩、失败可恢复的系统。参数仍会增长，榜单仍会刷新，但只有把五条主线纳入同一个控制面，企业才能把发布日的能力变成长期可靠的生产力。