《AI HOT 0629：Grok 4.5、VibeThinker 与长期任务评测》

导语

这一期 AI HOT 汇总了模型训练、轻量推理模型、路由工具、开发者工作流和长期任务评测。它的共同线索是：AI 竞争已经不只是单次回答能力，而是基础模型、工具链、路由、睡眠管理、商业模拟和游戏执行这些环节一起推进。

1. 模型能力：Grok 4.5 和 VibeThinker-3B 分别代表大模型与小模型路线

• Grok 4.5 基于 1.5T V9 基础模型，并在补充训练中加入 Cursor 数据，目前已在 SpaceX 和 Tesla 私测。初步评估显示，它的性能接近甚至可能超过 Opus；同时，强化学习仍在持续改进模型，Grok Build 工具链也在完善。SpaceX 还计划今年每月发布完全从头训练的新模型。
• 新浪发布仅 3B 参数的 VibeThinker-3B，在 AIME26 等数学编程基准上持平 DeepSeek V3.2 等大 200 到 333 倍的模型，LiveCodeBench 超越所有 20B 以下模型，LeetCode 竞赛解决 123/128 题，超过 GPT-5.2、Kimi K2.5 等。
• VibeThinker-3B 的短板也很清楚：知识密集型 GPQA-Diamond 大幅落后。它基于阿里 Qwen2.5-Coder-3B，经 SFT、强化学习、自蒸馏等多阶段后训练，并提出“参数压缩-覆盖假说”：逻辑推理依赖少数可压缩模式，广泛世界知识仍需要大参数。模型已开源。

2. 工具链：Wayfinder Router 和 Adrafinil 都在处理 AI 工作流的边缘问题

• Wayfinder Router 通过分析提示词结构和措辞，在微秒级完成路由决策，完全离线且无需调用其他模型。它默认使用长度、标题、列表、代码等结构特征；“证明、数学、硬约束”等词汇线索因盲测未泛化，默认关闭。
• 与 RouteLLM、NotDiamond 这类依赖模型调用的路由器相比，Wayfinder Router 避免了延迟、成本和随机性。用户可以在自有数据上校准评分阈值，支持 OpenAI 兼容 API，包括 Ollama、Anthropic、Groq、vLLM 等，也可自托管，并提供终端、网页演示、基准和 FAQ。
• Adrafinil 是一款 macOS 菜单栏应用，只在 Claude Code、Codex、Cursor、Gemini CLI、Aider、Hermes、OpenCode、Cline、Pi 等 9 种 AI coding agent 持有活跃会话时阻止系统睡眠，包括合盖睡眠；没有 agent 工作时，Mac 正常睡眠。
• 它通过各 agent 的钩子系统调用 CLI，往返延迟低于 50ms，支持引用计数断言、热切出、空闲释放和进程嗅探。它需要 macOS Tahoe 26.4、Xcode 26+ 构建，并以签名公证磁盘映像提供。

3. 长期任务评测：CEO-Bench 把智能体放进 500 天经营模拟

• 普林斯顿大学推出 CEO-Bench，让 AI 智能体在模拟环境中运营订阅软件公司 NovaMind 500 天，起始资金 100 万美元。14 个测试模型中，只有 Claude Fable 5、Claude Opus 4.8 和 GPT-5.5 在最佳运行中超过起始资本。
• 具体数字很有意思：Claude Fable 5 最佳轮次盈利 4715 万美元，Claude Opus 4.8 为 2780 万美元，GPT-5.5 为 2130 万美元。一个不调用语言模型的简单规则启发式方法，靠固定定价、配额和针对性开发达到 1576 万美元，超过除上述三款外的所有模型。
• 这个基准的重点不是“AI 会不会当 CEO”，而是多数模型无法保持连贯策略，甚至在模拟结束前破产。长期战略决策要求持续感知、资源分配和策略一致性，不能只看单次推理分数。

4. 游戏智能体：文明 VI 对局暴露感知和执行短板

• 英国前首相府数据科学家 Liam Wilkinson 搭建 76 个 MCP 工具，把 Claude Opus 4.6、GPT-5.4、Gemini 3.1 Pro 等四个模型放入《文明 VI》进行 23 场对局。
• 其中一个戏剧性案例是，Claude 扮演葡萄牙时，因为法国文化胜利逼近，花 50 回合研发核弹并核平图卢兹，但法国最终仍以外交胜利获胜。
• Wilkinson 的关键发现是：AI 主动检查全局状态只占 1% 到 2%，这是感知盲区；计划后 10 回合内执行率只有 48% 到 66%，这是知行差距。结论不是智商不够，而是感知与执行才是当前瓶颈。

思想框架

这一期 AI HOT 先给出两条模型能力线：Grok 4.5 代表大模型继续通过基础模型、Cursor 数据和强化学习推进，VibeThinker-3B 则说明小模型在数学和编程推理上可以通过后训练逼近大模型，但知识覆盖仍受参数规模限制；中段转向工具链，Wayfinder Router 解决低延迟路由，Adrafinil 解决 AI coding agent 长时间运行时的系统睡眠问题；后段用 CEO-Bench 和文明 VI 对局把评测拉到长期任务，说明真正困难的不是一次答对，而是持续感知、执行计划和保持策略。整组信息共同指向：AI 系统的短板正在从“会不会想”转向“能不能稳定感知、路由、执行和长期运营”。