观察站

用数字看 AI 的采用。

每个维度都是一篇来自公开数据源的数据短文 — 有图表、图表背后的故事，以及得出数字的公开算法。选择一个维度开始探索。

选择一个维度…

能力

从文本到工作：AI 已经会做什么

0%更便宜

要在 GPQA Diamond 上追平 GPT-4，每百万输出 token 的价格从 60 美元跌到 2.19 美元 — 同一场考试，便宜近 30 倍，用了不到两年。

三年多一点的时间里，模型从「补全句子」跃升到解决研究生难题、独立关闭代码 issue、支撑起数百亿美元的公司。这个维度用三个镜头度量这次跃升 — 它们知道什么、能执行什么、已经带动多少钱 — 最后落在那场为「不可战胜」而设计的考试上。

每个点是一个前沿模型：何时发布（横轴）、在 GPQA Diamond — 「谷歌搜不到答案」的研究生难题 — 上得了多少分（纵轴）、处于哪个价格档（颜色）。天花板在上升，同时更浅色的点显示同样的智能正在变得便宜：DeepSeek-R1 以每百万 token 2 美元交出了 71%。

Preço (saída, US$/M tokens):≤ US$5US$5–25> US$25

这张图说明了什么

纵轴是 GPQA Diamond 的准确率（100% = 全对）。2023 年 GPT-4 以每百万 token 60 美元拿到 36%；不久后 DeepSeek-R1 以 2.19 美元做到了 71% — 翻倍。这就是大数字的由来：超越 GPT-4 变便宜了 96%。能力上升，价格崩落。

方法: GPQA Diamond (198 questões de pós-graduação, 'à prova de Google'), score oficial pass@1 na data de lançamento. Preço = tabela de saída do provedor (US$/M tokens); cor = faixa de preço, linha = recorde acumulado.
来源: Epoch AI — GPQA Diamond
数据快照: 2026年7月05日

答得好是一回事；端到端完成任务是另一回事。SWE-bench Verified 度量的正是这个：500 个真实的 GitHub issue，模型必须修改代码库直到测试通过。不到两年，前沿从三分之一到了几乎全部。

方法: SWE-bench Verified: 500 issues reais do GitHub resolvidas de ponta a ponta (editar o repo até os testes passarem) — o padrão de capacidade agêntica de código. Escada = recorde por data; barras = líder atual em três suítes. Nota: em 2026 um estudo de Berkeley mostrou que essas suítes podem ser 'gameadas' — leia como tendência.
来源: SWE-bench (leaderboard oficial)
数据快照: 2026年7月05日

能力以前所未有的速度变成了收入。OpenAI 在这个十年开局领先，但 2026 年 Anthropic 曲线交叉反超 — 由企业级编程用途拉动。数字为年化 run-rate（月收入乘十二），来自公司披露与媒体报道。

OpenAIAnthropic

当模型开始在 MMLU 这类测试中拿满分，基准测试就失去了意义：再也分不出谁领先。2025 年 1 月，Center for AI Safety 与 Scale AI 给出了答案 — 汇集人类能写出的最难的一场考试。

最佳分数随时间变化（%）

2026.45 53.3

最早的模型只能答对 3% 到 8%。十八个月后，前沿越过了一半 — 在一场被设计为短期内不可攻克的考试上。这正是这个维度想要捕捉的速度。

方法: Center for AI Safety (CAIS) + Scale AI. 3,000 questões (2,500 públicas + 500 secretas) em 100+ disciplinas, filtradas contra a fronteira. Lançado em 24/01/2025.
来源: Humanity's Last Exam (CAIS + Scale AI)
数据快照: 2026年7月05日