把能力拆开看，真正追平的只有一类

「追上了」这三个字之所以能同时被证实和证伪，是因为能力本来就是分领域的。一个模型可以在写代码上追平对手，同时在别的领域差着好几代。把这篇分析里出现过的领域逐个摆出来，落差立刻显形。

写代码这一项恰恰是最容易被看见的：它有最多的公开榜单，也是所有人天天在用的能力。而下面几项要么需要专门的评测机构去跑，要么根本没被列进自评清单。舆论场上的「追平了」，基本是从第一行长出来的。

可写代码这一项，偏偏是最要命的那一项

目前测得最扎实的一条趋势就在软件工程上：AI 能独立完成的任务长度，大约每 4 个月翻一倍。作者也提到，这条趋势很可能在数学等其他领域同样成立，只是软件工程这边的测量最充分。这里的「任务长度」有个专门的说法，叫时间跨度。

照这条趋势再往前推两三年，就是「一个人要干几个月到几年的活，模型能接下来」。就算这条趋势只在写代码这一件事上成立，谁先握住超人类水平的程序员模型，谁就握住了一个很难被追平的战略位置。这就是为什么值得花力气去算清楚那几个月的差距。

AI Futures Model（2025 年 12 月版，参数于 2026-04-02 更新）。左下角两个日期是这套推演在中位参数下给出的结果：自动化程序员 2028 年 6 月、超级智能 2029 年 5 月；关键参数一栏里，编码时间跨度的翻倍周期填的是 4 个月。这是一套预测模型的输出，不是实测数据。来源：AI Futures Project

比较只在中美之间做，因为最好的模型、最多的 AI 研究和最多的算力都集中在这两边。欧洲理论上有钱也有人，但到目前为止没有表现出认真下场竞争的意思。

于是问题变成了：分领域看落差这么明显，为什么一到榜单上就成了「整体追平」？往下拆两层就清楚了。第一层是「差距」这个词本身，它其实同时在说两件事，而大多数人只用了其中一件。

「差距」这个词同时在说两件事

差距的定义只有一句话：一家实验室要花多久才能做出另一家已经做出的能力。但这句话里藏着两个方向完全不同的问题。

示意图，不是真实数据。图上的 6.3 个月和 10.0 个月是画出来解释概念的假想数字：左边那段量的是「领先方什么时候达到落后方今天的分数」，右边那段量的是「落后方什么时候能到领先方今天的分数」。来源：scaling01

还有一层容易被跳过：能力是分领域的。一个模型可以在写代码上追平另一个，同时在别的领域、或者综合起来仍然更差。所以「追平了」这三个字，必须问清楚是哪一项追平了。

模型是一批一批发的，中间没有连续曲线

真要动手算，会撞上一个现实问题：进步是离散的。模型每隔几周到几个月才发一次，两个模型的分数也不会正好相等，没法直接量中间隔了多长时间。三种办法各有取舍。

作者选了第三种，理由是它对称，更能反映底下那条大趋势，而且能看出差距在扩大还是在缩小。代价也说清楚了：结果取决于回归模型怎么选，而且会把趋势的断点抹平。这一点对 Kimi K3 是不利的，如果它真的是一次断点，回归线会把它按回去。

不过过去五年左右，能算得上趋势断点的只有一两次：2024 年第三季度的推理模型，以及 2025 年 11 月 Claude Opus 4.5 发布后 agentic 模型开始起量，可能算第二次。这两次都和模型大小无关，所以一个体量不到 DeepSeek-V4-Pro 两倍的模型，仅凭尺寸就打断趋势，说不太通。

因此后面每个结论都会给两组数：相邻模型区间（当下的瞬时差距，图里还会给一个区间内插值），以及趋势线估计（拉长时间看的长期水平）。方法定好了，接下来是分歧的第二层，也是最要命的一层：你拿哪些题去量。

榜单上的题目怎么选，直接决定了结论

「35 项里赢了 30 项」这句话的分量，完全取决于那 35 项是怎么挑出来的。把构成拆开看，缺席的题型比在场的更能说明问题。

视觉和 agentic 两类加起来 24 项，占了这份榜单的近七成。编码类里倒是有几项作者认为信号质量高的，比如 ProgramBench 和 SWE-Marathon，它们的任务范围更大、时间跨度更长。

第三方榜单也有同样的偏

那换成第三方的 Artificial Analysis Index 呢？它今天是最流行的指数之一，但作者认为它不该被用来判断模型的综合强弱，理由有两条。

第一条是权重。指数的构成明显偏向 Agent 和短时间跨度的编码题。

指数的四类权重：Agents 34%、Coding 24%、General 18%、Scientific Reasoning 24%，前两类合计 58%。占比最大的 GDPval-AA v2 是一套 220 个任务的 Agent 评测。来源：Artificial Analysis

第二条是难度。每项评测有多难、跑出成绩能提供多少信息量，这个指数完全不计。所有评测按人工设定的权重加权平均，一项随手能过的评测和一项几乎没有模型能做对的评测，进指数的分量是一样的。

这不等于说它没用。它的排名和日常使用体感对得上，因为它测的是经济上真正有用的活。作者的处理办法是给它换个定位：把它当成日常好用程度的指标，而不是综合智能的指标。所以在他的文章里，这个指数被叫作 Artificial Analysis Index，官方名字里的 Intelligence 那个词被拿掉了。那有没有一把尺子，能不靠人工挑权重、还能把题目难度算进去？有，而且 Anthropic 自己也在用。

ECI 怎么把题目难度也算进分数里

Epoch AI 的 Capability Index（简称 ECI）针对的就是上面那两个毛病。它想测的是模型底下那个综合能力值，并且把所有模型放到同一把尺子上。用的办法叫 Item Response Theory，中文常译作项目反应理论。

具体到评测上，每一项基准要估两个参数：

估完这些参数，再拟合一个统一的统计模型，去找那个最能解释全部观测分数的能力值。这个能力值就是模型的 ECI。

Anthropic 最近也采用了同一套办法来衡量模型强弱，在自家的系统卡里叫 AECI。他们那张图顺带把不同基准的难度画了出来。

拿其中一格验算一遍，就能看出这套方法在干什么。GPQA Diamond 的 50 分刻度落在 129 附近，意思是能力值约 129 的模型，在这项基准上大概能考 50 分。Claude 3 Opus 的 AECI 约 126，比 129 低一点，按这个模型该预测它略低于 50 分。实测是 50.4 分，比预期高了一点点。

据 Anthropic 系统卡数据绘制的 AECI 图。红点是各代 Claude 模型的能力值，彩色方框是各项基准的难度区间（框体覆盖 25% 到 75% 分数所需能力，中间横线是 50% 刻度）。从左到右，GPQA Diamond 的横线最低、GSO-Bench 最高，难度依次递增。来源：Mythos Preview 系统卡

能力值落在一把共享的尺子上，而且比人工挑选加权的指数更少偏见，这就是 ECI 的用处。两把尺子都齐了，现在把同一批模型分别放上去量一遍。

两把尺子量同一批模型，差距差了三倍多

同一批模型、同一段时间，换一把尺子，中美差距的数字和方向都变了。

先看 AAI 这把尺子

Kimi K3 在这个指数上拿 57.1 分。因为指数被卡在 0 到 100 之间，作者用 sigmoid 曲线拟合两国的前沿趋势。

按 AAI 拟合的中美前沿趋势。右下角信息框：相邻模型区间 37 到 49 天（1.22 到 1.61 个月），局部插值 45 天（1.48 个月），趋势线口径 88 天（2.89 个月），中美交叉点 2027-11-09。来源：scaling01

按这把尺子，中国前沿落后美国前沿一个多月，而且照趋势线推下去，2027 年 11 月 9 日就会反超。

换成 ECI，同一批模型的结论反过来

Epoch 放出 Kimi K3 的初步跑分之后，拿这些跑分加上月之暗面公布的成绩，一共 9 项基准，就能直接拟合出它的 ECI：155.53，90% 区间在 153.87 到 158.21 之间。这个数是作者自己算的，不是 Epoch 官方发布的 ECI。位置卡在 GPT-5.3 Codex 和 GPT-5.4 Pro 之间，离前者更近。

按 ECI 拟合的中美前沿趋势。右下角信息框：相邻模型区间 133 到 161 天（4.37 到 5.29 个月），局部插值 160 天（5.27 个月），趋势线口径 185 天（6.08 个月），中美交叉点一栏写的是 none。年进步速率美国 14.6、中国 11.0。来源：scaling01

拆到实验室这一层，排名几乎是翻过来的

只看国家前沿会盖掉单个实验室的节奏，所以两张图都做了分实验室的版本。把两边的年进步速率并排放，能看到这套评测方法的分歧有多大。

Moonshot 从左边的榜首掉到右边 OpenAI 的后面，Anthropic 从左边的第五位升到右边断层第一。七家里排名不变的只有 Google：21.4 和 6.3，两边都是最后一名。

按 AAI 的分实验室趋势，Moonshot 的斜率最陡，会在 2027 年 2 月 8 日穿过美国前沿线；原文正文的说法是超过 Anthropic。按 ECI 的分实验室趋势，Moonshot 的交叉点一栏同样写着 none；即便把 Mythos Preview 从 Anthropic 的数据里拿掉，它的进步速率仍是 18.1 分每年，最快。

两张分实验室趋势图，以及 Kimi K3 的 ECI 是怎么估出来的

AAI 分实验室趋势，右下角是七家的年进步速率与 Moonshot 的交叉点 2027-02-08。来源：scaling01

ECI 分实验室趋势，同一批实验室，速率排名与上图几乎相反。来源：scaling01

Epoch 的跑分出来之前，作者先做过一轮估算。社区投票认为 Kimi K3 的 ECI 会落在 158 到 159，他本人猜 156 到 157，分析者 Teortaxes 猜 157 到 158。

为了不靠直觉，他用 AAI 与 ECI 的高相关性来换算。直接套一条直线不行：AAI 被卡在 0 到 100 之间，越靠近两端分数越挤成一团，而 ECI 没有上限、是线性的。结果就是直线在很弱的 Claude 2 和 Claude 3 那头高估，在中间一段低估，到强模型那头又高估。

办法是先对 AAI 做 logit 变换，也就是 sigmoid 的逆运算，把被压扁的两端重新拉开，再去拟合。

做过 logit 变换后的拟合，平均绝对误差比直接线性拟合降了 37.2%。来源：scaling01

换算给出的估计是 158.33，bootstrap 80% 区间 154.49 到 162.02。随后 Epoch 的跑分放出来，用 9 项基准直接拟合得到 155.53，落在这个区间内，但比换算值低一些。后续分析用的是 155.53 这个数，换算公式留着以后备用。

Mythos Preview 这一侧也得估。Anthropic 只给了自家刻度的 AECI，需要换算：Substack 专栏 Point Estimate 按 ECI 方法算出 161.5，Ramez Naam 用最小二乘算出 161，作者自己得到 161，90% 区间 158 到 166。这个数和 Claude Fable 5 的实际 ECI 160（区间 158 到 165）很接近，判断依据是 Fable 5 很可能是从 Mythos Preview 蒸馏出来的更小模型，还额外做了安全训练，两件事都会把分数往下压一点。

前向差距：追到今天的最强要多久

把问题换成前向的那一问，答案是这样：按国家趋势线，中国模型要到 2027 年 3 月 7 日才够得着 Mythos Preview 的 161 分，也就是约 11 个月。90% 置信带给出的区间是 2026 年 12 月 28 日到 2027 年 6 月 18 日，换成滞后时长是 8.72 到 14.38 个月。

最难的那些题上，差距更明显

Epoch 放出的初步结果里，有一项特别能说明问题。在 FrontierMath Tier 4 这套研究级难度的数学题上，Kimi K3 拿到约 39 分，还落在七个月前发布的 GPT-5.2 Pro（约 45 分）后面。同一张图上，Claude Fable 5 是 88 分。

FrontierMath Tier 4（v2），Epoch AI 内部跑分，40 个模型，最高分 88%。红框标出的绿点是 Kimi K3，约 39 分；上方紫点 Claude Fable 5（max）约 88 分。来源：Epoch AI

这套算法还漏掉了五样东西

作者自己的判断是，上面两个差距数字都偏小，因为有几件影响很大的事根本没进公式，原因通常是这些数字没有公开。

一是模型大小。Kimi K3 是 2.8 万亿参数。Cursor 的 Michael Truell 说过，Opus 和 GPT 系列的体量和 Cursor 新发布的 1.5 万亿模型接近，指的多半是 Claude Opus 4.8 和 GPT-5.4；GPT-5.5 和 GPT-5.6 则被估计接近 3 万亿。也就是说，一个 2.8 万亿的模型在若干项上赢过 1.5 万亿量级的 Claude Opus 4.8，从架构角度说明不了太多。

二是推理效率。那 35 项基准里没有一项在量这件事，而按作者的判断，Kimi K3 的推理效率仍然差于美国模型。同样参数量级下多花 token 才拿到同样的分，这笔成本不进任何一张榜单。

三是真实服务成本和总算力。手里是一百万张最新的 Blackwell，还是一批吞吐更低的老 Hopper，决定了能同时开多少个实例、以多快的速度供给用户。真到了两国全力竞争的场景，这件事的分量不比模型分数小。

四是安全测试的时间。美国实验室的安全测试比中国实验室彻底得多，这部分工作可能再往差距上加一个月。

五是评测本身的代表性。多数基准不能代表真实工作里的任务，而且出于成本和时间限制，跑分时也没有把模型的最大性能榨出来。

不过差距被低估，不代表中国实验室没有真的在提速。它们确实变快了，快到反常。

还有一层：美国实验室手里压着没发的模型

Mythos 传闻是 10 万亿参数的模型。SpaceX AI、OpenAI 和 Meta 也都在做自己的 10 万亿级模型。作者的看法是，Kimi K3 这次看起来的追平，很可能是中国模型追上了上一代，而美国实验室已经走到下一代，只是因为网络和生化能力带来的法律不确定性，把最强的模型压着没发。

如果 Anthropic 和 OpenAI 真把 Claude Fable 5.1 和 GPT-6 发出来，就不会有什么追平的讨论，因为这批 10 万亿参数的模型完全是另一种东西。Lisan al Gaib，scaling01

中国模型从去年八月起为什么突然快了

中国实验室的进步速度确实变快了，而且起点很具体。作者试着用指数对时间的导数去找这个拐点，也承认这不是个特别好的估计办法。

瞬时进步速率（AA 指数分/年）。两条竖线是超车时点：Moonshot 从 2025-08-06 起超过 Anthropic，GLM 从 2025-10-19 起超过。峰值上 Moonshot 约 39.8、Z AI 约 36.5，而 Anthropic 约 31、OpenAI 约 30.3。来源：scaling01

这件事本身是反常的：美国实验室有更多算力、数据、人才，还有更强的模型来加速自己的研发，进步速度反而更慢。作者先排查了一个技术性解释：会不会只是因为指数有上限，美国那头分数已经高、往上爬更难，所以显得慢？他把 logit 变换套上去，把这层压缩去掉，Moonshot 和 Z AI 的峰值速度依然更高。

蒸馏是其中一条，但不是全部

严格意义的蒸馏需要拿到模型本身，不过用一个更强的模型去给弱模型的输出打分，也已经算这一类。Anthropic 多次报告说，他们能把蒸馏攻击追溯到中国的实验室。所以这件事是真实存在的，只是外界不知道规模有多大、到底帮了多少忙。作者的表述是：中国模型获得的能力里，多多少少有一部分来自蒸馏。

除此之外还有几种解释，作者认为实际情况是它们的组合：

还有一个限定条件要跟上：这套追赶叙事只在 AAI 上成立，在 ECI 上并不成立。

一个反向证据：任务越难越长，差距越露出来

英国 AI 安全研究所的网络靶场是目前最难的一类评测，任务本身很硬，模型要烧掉 1 亿 token 才能被推到极限。Epoch 的 MirrorCode 走得更极端，单个模型用到 10 亿 token。

在这套 32 步的企业网络攻击模拟里，GLM-5.2 平均走到约 11 步，和 Claude Opus 4.5 一个水平。而 GPT-5.6 Sol 走到约 29 步，Anthropic 更新的 Claude Mythos 5 约 27 步。可是在自报的那些编码基准上，GLM-5.2 的成绩接近 Claude Opus 4.8。

UK AISI 的「The Last Ones」网络靶场，32 步的企业网络攻击模拟，横轴是累计消耗的 token（对数刻度），每个模型跑 10 次、每次 1 亿 token。GLM-5.2（绿线）与 Opus 4.5 都停在约 11 步，DeepSeek-V4-Pro（蓝线）约 8 步。来源：UK AI Security Institute

同一个模型，在公开可见、容易针对性优化的编码榜上接近最新的 Claude Opus 4.8，在需要长链条推进的硬任务上退回到七八个月前的 Claude Opus 4.5，这个落差本身就是个信号。

文章最后留了一个观察：如果中国模型真的和美国前沿一样强，按理说也该解开一些此前没被解开的数学和物理问题。到目前为止，还没有看到。

把同一批模型、同一段时间，分别放进两套评测体系里量，出来的不只是数字不同，方向也反了。

连谁在加速都反过来：AAI 上四家中国实验室的年进步速率全部快过三家美国实验室，月之暗面 39.4 全场第一；换成 ECI，Anthropic 以 25.0 断层第一，月之暗面掉到 13.8，排在 OpenAI 的 14.3 后面。

办法借自考试测评，叫项目反应理论（Item Response Theory）。一句话：两个人都考 60 分，一个考小学卷子一个考奥数卷子，说明的水平天差地别；要比，就得先知道每张卷子有多难。

「差三倍」听着抽象，换成天数就有体感了。同一个问题，中国前沿今天的水平，相当于美国前沿多少天以前，两把尺子给出的答案是这样：