Gemini 3.7 Flash、MAI-Thinking-1 与 Claude Opus 5：新模型不再按参数排队
过去比较大模型，习惯把它们排成一条从弱到强的直线：参数更大、榜单更高、价格更贵，就被认为更先进。但 2026 年 7 月下旬至 8 月中旬的几次发布，正在把这条直线拆成一张分工地图。
Google 的 Gemini 3.7 Flash 把重点放在生产代码、网页开发、文档工作与工具调用；Microsoft 的 MAI-Thinking-1 用约 1 万亿总参数、每个 token 激活约 350 亿参数的稀疏 MoE，尝试在中等运行成本下提供更强推理；Anthropic 的 Claude Opus 5 则继续瞄准长时程编码、复杂研究与高判断成本的工作。
这三种选择没有共同回答“谁是世界第一”，而是在回答三个更实用的问题：高频任务应该多快完成？复杂推理需要激活多少计算？当一次错误的代价很高时，企业愿意为更稳健的判断支付多少？
三次发布，其实是三种产品哲学
| 模型 | 发布时间 | 主要设计信号 | 更适合先验证的工作 |
|---|---|---|---|
| Gemini 3.7 Flash | 2026-08-13 | 低价、可调思考、生产代码与工具调用 | IDE 交互、文档处理、批量自动化、前端生成 |
| MAI-Thinking-1 | 2026-08-12 | 约 35B 激活参数的稀疏 MoE、推理与 Agent 编码 | 数学推理、可执行代码任务、成本敏感的复杂工作流 |
| Claude Opus 5 | 2026-07-24 | 长时程任务、编码与高判断质量，另有快速模式 | 大型代码库改造、复杂研究、高失败代价任务 |
Google 公布 Gemini 3.7 Flash 时，特别强调它在生产代码、网页开发和文档自动化上的改善，并给出年内的引导价格：每百万输入 token 0.75 美元、输出 token 3.75 美元。模型卡同时说明它提供可配置的 thinking，并在网络安全能力评估中触及预警阈值、但未达到关键能力线。这说明“Flash”已经不等于只追求速度的浅层模型，而是在一个更低成本的壳里装入可按需分配的思考。
MAI-Thinking-1 的路线更有结构性：总参数规模接近一万亿，但每个 token 只激活约 350 亿参数。稀疏 MoE 的意义不是让总参数数字更壮观，而是把知识容量与单次计算量部分解耦。Microsoft 还强调用可执行、确定性的测试环境评估 Agent 编码，而不是只靠自然语言裁判。这一方向值得重视，因为 Agent 的代码“看起来合理”与“在环境里真正通过”之间，往往隔着依赖、状态和隐藏测试。
Claude Opus 5 则更像一个昂贵但审慎的高级工位。Anthropic 给出的标准价格是每百万输入 token 5 美元、输出 token 25 美元，并提供约 2.5 倍速度、价格约两倍的 fast mode。它的产品假设不是每个请求都需要旗舰能力，而是某些长时程改造、复杂调查和不可轻易回滚的决策，等待和失败本身比 token 更贵。
这些数据均来自厂商发布与模型卡。厂商自报榜单可以描述模型的设计意图，却不能直接代替跨供应商结论：测试集、提示词、思考预算、工具、采样参数和裁判可能不同，把三个页面上的最高分拼成一张排名表并不严谨。
真正的分水岭是“每个任务允许用多少思考”
模型推理正在从一个隐藏行为变成可配置资源。过去用户只能选择模型；现在还要选择模型在这一请求上投入多少推理、是否使用快速模式、是否保留中间状态，以及是否允许多轮工具执行。
可以把一次任务的计算过程简化成：
任务总耗时 = 排队 + 首 token + 推理 + 工具往返 + 验证 + 重试
任务总成本 = token 成本 + 工具成本 + 基础设施成本 + 人工复核 + 失败损失
低价模型如果需要三次重试、两次人工修正，就未必便宜；旗舰模型若对简单分类进行了过度推理，也是在浪费预算。模型选择因此不应是静态下拉框，而应成为策略路由。
图解：通过的任务直接交付；可恢复失败返回模型路由重试；高风险失败进入人工审批。
这里的关键不是模型品牌，而是验证器。代码任务可以运行测试、静态分析和最小复现；信息提取可以校验 schema、引用与数值；网页生成可以检查 DOM、截图和可访问性。没有验证器的路由只能根据输出的自信语气猜测质量，模型再强也会把错误包装得非常完整。
稀疏 MoE 不是免费午餐
MAI-Thinking-1 的 35B 激活参数展示了一个重要方向：通过专家路由，让单次 token 只调用总参数中的一部分。理论上，它可以在保留较大知识容量的同时降低计算量；实践中却会把难题转移到系统侧。
首先是内存。未激活的专家仍要存放在设备或更慢的层级中，总权重规模不会凭空消失。其次是通信。不同 token 被路由到不同专家，会造成 all-to-all 流量、热点专家和负载不均。最后是稳定性：路由器的选择会影响质量与吞吐，批处理越复杂，尾延迟越可能被最拥挤的专家拖慢。
所以“每 token 激活 35B”不能直接等价为“像 35B 稠密模型一样便宜”。真实成本还取决于量化精度、专家并行、网络拓扑、批量大小、上下文长度和服务框架。企业如果考虑私有化部署，至少要测量：
- 权重驻留和 KV cache 同时存在时的显存余量；
- 专家路由的负载分布与跨卡通信；
- 小批量低延迟和大批量高吞吐的不同曲线；
- 工具调用、多轮推理和长上下文下的 P95/P99；
- 量化后任务通过率，而不仅是困惑度。
旗舰模型的价值，不是平均分高一点
Opus 5 的定价把另一个问题摆到台面上：什么时候更贵的模型反而更划算？答案通常出现在错误不可被廉价发现或回滚的地方。
例如，给数千文件的代码库规划跨模块迁移，真正昂贵的是遗漏兼容性边界后造成的返工；调查一次生产事故，真正昂贵的是错误归因让团队修错方向；生成法律、金融或医疗建议，真正昂贵的是未经核验的确信。因此旗舰模型的评估不能只看一次回答，而要测长流程中的方向稳定性、证据追踪、发现矛盾后的修正能力，以及在信息不足时是否主动停下。
Anthropic 对 Opus 5 的安全材料也提醒了一个边界：模型在发现漏洞方面更强，并不意味着可以自主完成端到端利用。能力往往是分段出现的——侦察、推理、编写、执行、持久化各自有不同门槛。安全治理如果只用一个“模型危险/不危险”开关，会错过真实风险路径。
建模时应该比较“有效任务成本”
更实用的核心指标可以写成：
有效任务成本 =（模型调用 + 工具 + 人工 + 重试成本）/ 通过验收的任务数
它至少需要一组与业务同构的任务集，而不是只下载公共 benchmark。建议把样本分成四层：
- 高频标准任务：分类、提取、格式转换、简单代码修改；
- 可执行复杂任务：多文件改动、数据分析、带工具的研究；
- 长时程任务：跨小时运行、状态恢复、多阶段计划；
- 高损失任务：涉及权限、生产变更、合规或不可逆决策。
每层同时记录任务通过率、首次通过率、人工分钟数、总 token、工具次数、P95 完成时间和失败严重度。然后再决定哪些任务默认走 Flash，哪些进入中型推理模型，哪些才升级到旗舰。路由策略必须允许回退：模型超时、工具失败或置信不足时，系统要知道怎样缩小任务、切换模型或请求人工介入。
企业采购会从“选一个模型”转向“设计一个能力组合”
近期发布透露的共同趋势，不是模型越来越相似，而是产品层级越来越清晰。快速模型承担大多数交互和自动化；稀疏中型模型争夺需要推理但成本敏感的任务；旗舰模型服务长时程与高判断代价工作。它们之间还会通过思考档位、缓存、批处理和快速模式继续细分。
因此，一个成熟的模型平台不该把最强模型暴露成所有人的默认值，也不该把最便宜模型硬塞给所有任务。它需要有任务分类、能力路由、预算控制、独立验证、失败升级和供应商可替换层。
未来模型竞争的单位，不会只是单次生成的 token，而是“在给定时间、成本和风险预算内，完成多少个经过验证的任务”。看懂这一点，才不会在每次发布时被一张新榜单重新牵着走。