新模型又登顶了，但我只想问 AI 一件事：这活能干完吗？

最近 AI 圈有点热闹过头了。

一个模型刚发布，大家先抢首发，然后看跑分，再和其他模型比较。这个超过那个，那个又超过另一个。国内平台也一样，模型一出来就开始测，测编程、测推理、测做网页，恨不得当天就把排行榜重新排一遍。

看多了会有一种感觉：模型之间的差距还在快速拉大，自己如果不赶紧换，就要落后了。

实际呢？

模型当然还在进步，也还会继续变强。只是对大多数日常任务来说，能力已经开始够用了。写文档、整理资料、处理表格、总结会议、做普通分析，甚至完成一些常见的开发工作，现在已经很少是“AI 完全不会”的状态。

问题是：AI能不能按要求做出来，有没有把事情做完（符合用户期望）。

01.

AI 进入“能力够用”时代

9 月 1 日，Anthropic 发布 Fable 5.1 和 Mythos 5.1。前者在 Artificial Analysis 的综合智能指数中以 66 分暂列第一。[1][2]

9 月 2 日，Google 又发布 Gemini 3.8 Flash，距离 3.7 Flash 只有三个星期，也是六周内第三次 Flash 更新。[3]

一个登顶，一组六周更新三代。看发布现场，模型之间的竞争还是谁更聪明、更快、更强大。

但回头看 AI 进入普通人工作的过程，问题已经变了。

ChatGPT 刚火起来的时候，能像个正常人一样接住各种问题，就已经足够让人惊喜了。再后来，就是尝试进入工作：写文章、写代码、写小红书。去年开始，风向逐渐变化，大家开始看它能不能理解复杂问题、做研究、处理长文档。

到现在，这条能力线基本上已经被跨过去了。

在写文档、整理资料、处理表格、总结会议、做普通分析这些日常任务里，主流模型的最低能力已经够用。按我目前的观察，最近几个月发布的主流模型更是如此。

这不是一个行业统计，也不是说某个模型已经能通吃所有任务。我想说的是，对日常任务来说，换一个跑分更高的模型，已经不能直接改变最后的结果。

但“能力够用”和“能力没有差距”是两回事。

模型厂商继续宣传自己的产品更聪明、更强大，这很正常。能力是最容易拿出来展示的东西，发布一张榜单，远比解释一个任务为什么少返工两次更直观。

但问题是：同一个模型，放到不同任务里，结论可能完全不一样。

有测试者用两章书、18 个模型跑了大约 60 次翻译，认为更便宜的 3.5 Flash Lite 反而排在 3.8 前面。[4] 另一项 3D 测试里，模型运行了 30 分钟、花了 2.30 美元，结果还是没有达到预期。[5]

翻译、3D、写代码、做研究，本来就不是同一件事。用一个任务的结果去证明某个模型整体更强或更差，本身就不太可靠（以偏概全）。

如果只是写一份会议纪要、整理一批资料、改几段文字，或者把一个普通功能做出来，很多模型基本上都已经能做。这个时候，继续追“最强”，很可能只是把注意力放在了不那么重要的地方。

再沿着排行榜比下去，就真跑题了。

02.

用户的问题已经变了

AI发展到现在，大家关注的问题其实变了几轮。

一开始关心的是 AI 有多聪明，后来开始关心 AI 能帮我做些什么，最近又逐渐转向 AI 能做多好。

AI 还停留在聊天框里的时候，模型本身几乎就是全部。你问它答，聪明不聪明，看回答就知道了。

但 AI 真正进入到我们的工作之后，场景就不一样了：AI要读取资料，理解上下文，调用工具，记住前面已经确认过的内容，有时候还要连续跑很多步。

这时候，模型本身只是其中一部分。

模型决定它会不会，上下文、记忆和执行环境决定它能不能在这次任务里把能力用出来。

它能不能理解当前任务，能不能记住你的限制条件，能不能拿到正确的资料，能不能在中间出错之后继续处理，或者发现路径不对时停下来，这些都会影响最终结果。

一个任务只要做到一半忘了前面的限制，工具没有真正执行，或者报错以后还沿着错误的路径继续跑，前面表现得再聪明，最后交出来的也只是半成品。

所以，大家开始谈 Agent、上下文、记忆系统和 Harness。说的还是几个很具体的问题：

AI 到底看到了什么？
能不能记得前面说过的话？
手里的工具能不能真的用？
出了问题之后，是继续乱跑，还是换条路？

这些东西没有模型发布会上的跑分好看，但会直接影响使用体验。

同一个模型，放在不同的上下文、记忆和执行环境里，做出来的事情可能完全不是一个感觉。

以前只用聊天框的时候，一个回答看起来聪明，基本上就够了。现在把 AI 放进真实工作，一个答案、一次调用、一个生成出来的文件，都不能直接算完成。

这里说的“做完”，是要求没有漏，关键结果能够验证，经过必要检查以后可以直接进入下一步，而不是最后还要人从头接管一遍。

参考资料

[1]: Anthropic,《Introducing Claude Fable 5.1 and Claude Mythos 5.1》,Anthropic,2026-09-01,https://www.anthropic.com/claude-fable-and-mythos-5-1

[2]: Artificial Analysis,《Claude Fable 5.1 tops the Artificial Analysis Intelligence Index》,Artificial Analysis,2026-09-01,https://artificialanalysis.ai/articles/claude-fable-5-1

[3]: Google,《Introducing Gemini 3.8 Flash and Gemini 3.8 Flash Cyber》,Google,2026-09-02,https://blog.google/innovation-and-ai/models-and-research/gemini-models/3-8-flash-and-3-8-flash-cyber/

[4]: @matgrimm,Gemini 3.8 Flash 翻译测试帖,X,2026-09-03,https://x.com/matgrimm/status/2095327171627594028

[5]: @Bhavani00007,Gemini 3.8 Flash 3D 测试帖,X,2026-09-03,https://x.com/Bhavani00007/status/2095231702813802562