旗舰模型值得多花多少钱？Matthew Berman 谈 AI 模型的任务表现、成本与分工

一、主讲人与议题背景

本期由 Matthew Berman 主讲，节目元数据将播客标为 Matthew Berman / Forward Future，时长为 1,098 秒，约十八分钟。现有材料没有可核实的嘉宾背景，内容也应按主持人对模型发布、使用体验和产品演示的个人分析来理解。讨论围绕模型如何完成工作，以及能力、价格和部署方式之间的取舍展开。

Berman 表示，自己曾获得 Carbon 的提前访问资格并进行了测试。谈到 Fable 5.2 时，他引导观众前往另一支视频观看更完整的评测和演示。他的偏好因此有其声称的实际使用基础，但本期能够审阅的证据，仍限于这一集的讲述、榜单转述和有限演示。另一支视频中的完整评测未附在当前材料中，不能作为已经审阅过的佐证。

二、本期主要内容

Berman 对 Fable 5.2 的实际偏好，比他转述的榜单差距更强烈。在 Artificial Analysis 排名中，三个 Fable 5.2 配置领先 Carbon，Carbon 与 High、Extra High 配置相差约两分；在他自己的使用中，Fable 的任务质量、决策和假设更符合需要，让他在尝试 Carbon 后仍反复回到 Fable。但这种偏好受到成本约束。他认为，单项任务的支出要同时看 token 消耗和单价，而高思考强度会迅速耗尽 Fable 额度。他说，即使获得 Anthropic 提供的三次免费重置，额度仍消耗很快。Carbon 因而保有价格上的吸引力：并非所有工作都需要支付前沿能力的成本。

Carbon 的编程演示呈现了不同方面的表现。浏览器版 Excel 克隆获得了 Berman 对外观、响应速度和预期功能的肯定；有关耗时的信息则来自 Gemini 自己的回答，token 数也分散在不同转录片段中，不能据此精确核算开发成本。Fall Guys 克隆的问题更直观，包括穿模、碰撞检测有限和物理效果不理想。相比之下，他更认可鲁布·戈德堡装置的演示，球能够推动多米诺骨牌并带动后续机构。这些演示各自揭示了一部分能力，也各自留下了尚未验证的部分。

随后介绍的模型覆盖了不同规模和部署条件。Berman 将 Longcat 2.5 介绍为可下载的多模态模型，总参数为 1.6 万亿，激活参数为 480 亿，同时承认多数人无法在本地运行。Recursive Intelligence 的 Ripple 65b Preview 则被介绍为一个 650 亿参数的稠密开放权重模型：他引用的 Terminal Bench 2.1 成绩为 80.5%，上下文最长可达 100 万 token，每百万输入 token 的价格为 0.20 美元，每百万输出 token 为 0.60 美元。Thinking Machines 的开放权重模型 Inkling2small 在他引用的 Artificial Analysis 智能指数中得分为 31；节目还展示了它生成的城市模拟、Python PC 模拟器和折纸风格游戏。模型规模、部署方式与特定任务表现，共同构成了这些产品的比较维度。

图像和视频生成部分关注的维度也不相同。Berman 说，GPT Image 2.6 支持 GIF 生成，速度提升约 50%，其中 Sunburst 偏重质量，Flare 偏重速度。他将 Gemini Omni 1.2 Flash 描述为成本降低 30%、支持更长片段和对话式编辑，并在语音自然度、镜头可控性上有所提升。对 C Dream 5.5，他的赞赏主要来自展示图中的头发、皮肤、织物和背景虚化细节，以及所称的多轮编辑一致性。这些是节目中的转述与展示，其中的速度和成本百分比并非本文独立验证的结果。

三、核心观点：推理、例子与边界

Berman 评价模型时，很看重它如何处理没有写完整的需求。他偏爱 Fable 5.2，理由包括任务完成质量、替他作出的决定，以及更符合他需要的假设。他说，自己用过 Carbon 后，仍会反复回到 Fable。这种偏好反映出一个评价维度：需求尚不完整时，模型作出的判断是否合用，会影响用户需要介入多少次。不过，这仍是从他个人体验中提炼出的判断。本期没有提供同一组任务、相同工具权限下的多次运行记录，无法把这种偏好换算成普遍适用的领先幅度，也不足以据此认定榜单失效。

他转述的 Artificial Analysis 排名中，有三个 Fable 5.2 配置排在 Carbon 之前；Carbon 与 Fable High、Extra High 配置的差距约为两分。但综合排名并不能涵盖所有任务。他列出的专项领先者分别是 AA Briefcase 中的 Sonnet、Automation Bench 中的 Carbon、gdp.pdf 中的 Muse Wonder，以及 Terminal Bench 4.0 中的 Kimi K 3.1 Pro。即使接受这些转述，也需要保留榜单、任务和配置的区别。用户处理文档、执行自动化还是编写终端代码，会影响值得优先测试的模型。Berman 对 Fable 的偏好与这些专项结果可以同时成立：前者来自他的个人工作流，后者说明比较结论取决于具体条件。

Carbon 的几个演示也需要分别判断。Berman 肯定了浏览器版 Excel 克隆的外观、响应速度和预期功能，但这些观察并不能证明复杂公式、文件交换或数据正确性已经过关。Fall Guys 克隆中的穿模、碰撞检测不足和物理效果欠佳，则暴露了交互实现上的具体问题。他对另一个鲁布·戈德堡装置演示的反应更积极，其中的球能够推动一连串机构。因此，一个游戏演示的不足，也不能直接推导出模型不擅长所有机制任务。比笼统的好评或差评更有用的，是辨认每次演示究竟验证了什么、在哪里失败。

成本判断同样取决于证据来源。Excel 项目累计约三小时、端到端约一小时四十分钟的耗时说法，来自 Berman 向 Gemini 提问后得到的回答；token 数又跨越了转录分段。因此，无法据此重建精确成本，也不宜把他概括的“几美元”当作已经核算过的软件开发替代价格。Berman 将单项任务的成本与 token 消耗量、token 单价联系起来，认为价格较低的 Carbon 仍有价值，因为并非每项任务都需要前沿模型的能力。他还说，Fable 的 High 和 Extra High 思考强度会迅速消耗额度，即使 Anthropic 已向他提供三次免费重置，也仍然如此。对他的使用方式而言，能力上限与日常可负担性是两个都需要考虑的问题。

Berman 还提出了一个解释 Anthropic 优势的商业与研发假说：编程能力带动企业销售，销售带来收入，使用带来数据，再由收入和数据支持算力投入及后续模型。他据此推测，公司内部可能已经拥有更后续的 Fable 版本，但也明确表示不确定。本期没有证明使用数据如何进入训练，也没有量化上一代模型对后续研发的贡献。这套飞轮可以作为理解其判断的机制假说，尚不能视为已经证实的内部路线图。

四、学习与应用

将这些讨论用于选型，首先需要按任务确定验收条件。Carbon 的表格演示获得了外观和响应方面的肯定，但若要据此评估表格工具，还需分别检查操作是否顺畅、关键计算是否正确、异常输入是否可控，以及结果能否按需求保存或交换。这些是从演示延伸出的测试建议，并非节目已经完成的验证。对游戏或交互原型，碰撞、状态变化和物理规则也应单独检查。Fall Guys 克隆暴露的问题说明，视觉完成度无法代替对交互行为的验证。

Berman 推荐的另一种用法，是让昂贵的大模型负责规划，再将执行交给较小模型，以延长可用额度。他将 Muse Ember 定位为小型工作模型，称其价格约为 Haiku 的三分之一，在智能指数上与 Haiku 5.5 持平，但在不同专项测试中的表现有所差异。他还介绍了 Cognition 的 Suite 2 Flash，称它由 Inkling Small 经后训练而来，面向编程子代理的快速、高效执行。这些定位支持一种可以试行的分工：先由能力较强的模型明确任务边界、输入输出和验收条件，再交由较小模型完成能够独立检查的修改。如果任务的主要困难在于不断重新定义需求，拆分和交接本身也可能抵消节省，此时仍需由较强模型持续承担核心判断。

这套分工是否节约，应以完成一次合格交付的总成本衡量。除执行 token 外，规划、上下文交接、验证、失败重试和人工修订都需要计入。Muse Ember 约为 Haiku 三分之一价格的说法，以及 Suite 2 Flash 快速高效的定位，可以成为测试它们的理由，却不能直接证明整套项目流程会便宜三分之二。本期没有提供覆盖规划、执行、验证、返工和最终质量的端到端对照，因此，延长额度的建议仍需要在具体工作中检验。

本地部署则需要把模型规格与设备条件逐项对应。Berman 介绍的 Ripple 65b Preview 是 650 亿参数的稠密开放权重模型，引用成绩为 Terminal Bench 2.1 的 80.5%，上下文最长可达 100 万 token，报价为每百万输入 token 0.20 美元、每百万输出 token 0.60 美元。他还转述了它可以在 MacBook 或 DGX Spark 上运行的说法，但没有给出硬件配置、精度或实测性能。Longcat 2.5 的 1.6 万亿总参数与 480 亿激活参数也需要分别看待：每次只激活部分参数，并不消除完整权重带来的部署负担，Berman 本人也承认多数人无法本地运行。对于他介绍为可下载开放权重的 MiniMax h3 image，68 GB 原版和 18 GB 量化版同样只是部署信息的一部分。他声称量化版可以在多数电脑上运行，但该段没有提供硬件测试，下载大小也不足以证明设备能在所需分辨率和等待时间内完成工作。

视觉工具的评估则应围绕用途展开。需要反复修改时，重点是延迟与编辑后的一致性；需要写实成图时，重点是主体细节、背景关系和多次输出的稳定性；需要 GIF 或视频时，则要核对实际输出形式和控制范围。Berman 所述的 GPT Image 2.6 约 50% 的提速，以及 Sunburst 偏质量、Flare 偏速度的定位，可用于安排速度与质量的比较；Gemini Omni 1.2 Flash 所称的 30% 降价、更长片段、对话式编辑、更自然的语音和更可控的镜头，需要在相应用途中验证；C Dream 5.5 展示的头发、皮肤、织物和背景虚化细节，以及多轮编辑一致性的主张，则对应成图质量和持续修改的表现。只有把这些说法放回具体任务，才能形成可复查的成本、质量、等待时间与部署条件比较。

来源

• 原始节目：Gemini Carbon, NVIDIA CEO AFFAIR, Fable 5.2, Meta Muse Ember, GPT Image 2.6, Minimax H3: AI NEWS