10 月下旬,一家国产头部厂商发布新旗舰,把「智能指数」刷到全球第 4,更惹眼的是它在 Agent 实战测试里拿了第一。大模型竞争,正从比谁更会聊天,转向比谁更会干活。
过去两年大模型比的是问答、写作、理解,榜单也围着这些转。可企业真正想要的,是模型能接上系统、调用工具、把一串活干完。这次发布的模型在 Terminal-Bench 4.0 上拿了 67%,这是真实终端环境里的 Agent 任务:装环境、改代码,再到跑测试,资源给得很紧。这个分数不只在国产里领先,也压过了多数海外闭源模型。大模型开始把「连续干完一串活」当成硬指标。
对企业智能体是实打实的利好
底层模型「动手」能力变强,最受益的是上层的业务智能体。以前让智能体去跑一个长程流程,模型中途容易丢目标、调不动工具,事就黄在半路。现在长上下文、长程编码和工具调用更稳,企业智能体才真正能接进业务系统,做跨步骤的处置而不是只给建议。这次发布的模型还把上下文开到 100 万,一次任务能塞进更完整的资料和规范。
跑分近,不代表现实等价
也要泼盆冷水。榜单分数接近,其实不代表真实场景里能力完全相同。开放式任务里,较大模型仍可能展现出更细的洞察和表达。企业用智能体,别只看榜单就下单,其实要看真实业务场景里的验证:同样的活,它能不能稳定跑完、出错能不能被拦住、接进内部系统顺不顺。这次模型计划开放权重,一旦放出,就能自己部署在信创环境里,数据不出域,这点和很多行业的合规要求正好对上。
对做企业智能体的团队来说,把业务接稳、把权限划清,才是接下来要补的功课。
模型会一代代换,能动手干活的底线却越抬越高。企业智能体真正的考验,从来不在榜单,而在真实系统里跑不跑得顺。