阿莫迪偷师姚顺雨，奥特曼偷师梁文锋

文 | 字母AI

正所谓天下文章一大抄，看你会抄不会抄。

刚刚发布的Opus 5.5和GPT-6 Luna，一眼望去，这两个模型上面满满是姚顺雨和梁文锋的影子。

或许是因为两家公司都已经将预训练做到了极致，为了提升模型的智能以及降低算力成本，所以这两个新模型都选择开辟新的战场。

Opus 5.5是对上下文动手，GPT-6 Luna是对缓存动手。

这我可熟啊！一个混元，一个DeepSeek啊！

但你别说，阿莫迪和奥特曼还真抄得挺像那么回事。

阿莫迪偷师姚顺雨

先看一组数字，Artificial Analysis的智能指数里，有一项统计是“跑完一道题平均要输出多少token”。

在这张榜单上，Claude Opus 5.5在max档位下，平均每题要吐出11.9万个输出token，其中8.4万个是“思考”，3.5万个是最终答案。而OpenAI的GPT-6 Astra，在同一档位下只用了2.7万个 token。

大模型想要提升模型的智能水平，传统路线是在预训练阶段堆数据、堆算力，把智力放进模型的权重里，一次训练、反复使用。

这条路线的模型在推理时几乎不做额外思考。模型训练时数据价值越高，模型的智能水平就越高。

但传统路线就怕出现没见过的题型，传统模型的泛化是插值。在训练数据覆盖的分布附近，它表现很好。一旦碰到没见过的题型，或者需要多步推理的题，它就开始瞎编。因为它的“智力”全在权重里，权重没见过的模式，它推理时也补不出来。

就像你对着木桩练了很久的拳法，结果发现上了战场以后，对方不会站着不动，而且还会使用武器。

另一条是test-time路线。训练完的模型只是个半成品，真正答题时，先让它写一大段推理，想得越久、答得越好。智力不再只来自权重，还来自于每次调用时现场的推理。

换句话说，智力被搬进了上下文。

Opus 5.5走的就是test-time路线。

官方有这么一条声明：除非特别注明，所有成绩都跑在“adaptive thinking at max effort”（最大力度的自适应思考）下。

而且从这一代开始，Opus 5.5不再提供“关闭thinking模式”的选项。变相就是在说，推理过程就是模型的一部分。

代价就是思考过程会消耗更多token，成本也会随任务难度飙升。Opus 5.5的核心逻辑是，该训练的数据都训练得差不多了，预训练边际收益见顶，因此智能的增量只能从推理里找。

这种从上下文中找智能的逻辑，姚顺雨很早就提出来过。

2023年，姚顺雨提出Tree of Thoughts（思维树）这个概念，其本质就是一种test-time。

推理时展开多条思路，边想边搜索最优解。

同一年，他还提出了ReAct架构，让模型“推理”和“行动”交替进行。

2025年4月，姚顺雨发表博客《The Second Half》。

文章的核心判断是，AI的上半场，拼的是“训练方法与模型”，比如更大的参数、更多的数据、更强的算力。到了下半场，拼的是“如何使用与评估模型”，增量正在从“训练”挪到“推理与行动”。

他在文中写到，“把推理放进动作空间之后，我们才获得了‘针对不同决策灵活分配test-time compute（推理时算力）’”的能力。

姚顺雨把“思考”称作一种“奇怪的动作”。

RL里的动作是用来改变环境的，比如打开一个箱子，那么箱子的状态就会发生改变。动作的意义，就在于“让世界发生变化，从而换来奖励”。

但思考不会，即使想了一万遍，箱子也不会自己打开。

姚顺雨在文章中举了个例子，说有两个盒子，一个有100万美元、一个空的，这时候，期望收益就是50万。

现在往里塞进无数个空盒子，期望收益就会越来越低，因为要从无穷多个盒子里挑那个100万美元的盒子。

然而，如果把“推理”这个动作加进去之后，模型反而更强了，会更容易选中那个100万美元的盒子。

姚顺雨的解释是，那些“空盒子”，你在生活里以及各种游戏里都见过。挑选它们的过程本身，就是在为“选中那个装钱的盒子”做准备。

Opus 5.5，就是把姚顺雨的这个理念给工程实现了。

奥特曼偷师梁文锋

如果说Opus 5.5的重点是“怎么想”，那GPT-6 Luna的重点就是“怎么便宜地想”。

GPT-6 Luna输入0.1美元/百万token、输出0.5美元/百万token，比上一代GPT-5.6 Luna直接砍半。

如果缓存命中，那么读一次缓存的价格是0.01美元/百万token，比标准输入价便宜90%。

模型的每一次调用，都要把你给它的全部上下文“读一遍”。比如系统提示、长文档、历史对话，一个字都不能少。

但是这段上下文，重复度极高。Agent每多走一步，前面那一大坨都要重读一遍。长上下文，就成了烧钱的黑洞。

GPT-6 Luna使用的缓存复用（prompt caching/KV cache复用），它所要解决的就是这件事。同一段上下文，算过一次就存起来，下次直接“读缓存”、不重算。于是“重复的那部分”，从最贵变成了最便宜。

但这套动作，DeepSeek早就做过了。

2026年8月2日，DeepSeek上线“Context Caching on Disk”（磁盘上下文缓存），把重复内容缓存在磁盘阵列上，命中时直接取用、跳过重算。

当时公告写着，缓存命中价砍到0.1元/百万token，比未命中便宜正好也是90%，和GPT-6 Luna一样。

到了V4 Flash这里，命中0.02元、未命中1元，差50倍。

GPU显存非常贵，所以能存的KV cache容量有限。但是硬盘很便宜，并且容量大，将KV cache存进去以后成本会大大降低。

OpenAI现在做的prompt caching和DeepSeek原理几乎相同，同一段前缀算过一次存起来，下次直接读。

不止价格，还有架构。

GPT-6 Luna的上下文窗口是105万token，DeepSeek V4是100万token，两边几乎对齐。

但是，100万上下文的KV cache，按标准注意力机制来算，一半的模型根本扛不住。

为此，DeepSeek使用了MLA架构，把Key和Value联合压缩进一个低维潜空间，缓存那个潜向量、用时再上采样还原。

DeepSeek-V2的技术报告里提到，MLA把KV cache砍掉了93.3%，生成吞吐提升到5.76倍。到了V4，又叠上压缩稀疏注意力和重度压缩注意力，V4-Pro在百万token上下文下，KV cache只有上一代V3.2的10%。

除此以外，OpenAI还“偷师”了一招：推测解码。

OpenAI在官方博客里说，他们跑一个更小的draft（草稿）模型，让它和主模型并行地“猜”接下来几个 token，主模型再批量验收。

猜对了，一次前向就能吐好几个token。OpenAI官方表示，这一项改进让token生成效率提升了15%以上。

这个思路在2024年的DeepSeek V3里就有了，DeepSeek使用的是MTP（Multi-Token Prediction，多token预测）。

其做法是在主干模型后面直接挂一个MTP头，训练时和主干一起训，共享主干的hidden state。推理时这个头知道主模型内部状态长什么样，猜得准、验收通过率高。

这个头可以直接丢掉不影响主干，也可以留着当草稿机。

OpenAI相当于是外挂了一个独立的小模型去打草稿。两个模型各跑各的，草稿不知道主模型在想什么，只是猜完由主模型验收。

虽然方法不太一样，但是两者的思想是同一个。小的先猜、大的批量验，把串行解码变并行。

天下文章一大抄

以前，定义模型的是硅谷，国内AI公司因为算力有限，所以会把这些定义转换成更便宜的解决办法。

这一轮，反过来了。学术范式和工程范式，都是中国公司做的。

美国的巨头们则负责最后一步，把它做成产品，卖给全世界。

过去几年，大厂的资源、人才、注意力全部all in在预训练这个主战场上。

大家根据Scaling Law来堆数据、堆算力、刷榜单。可头部公司都陷入了前文提到的，Anthropic如今的窘境，优质数据几乎全部训练完成，模型预训练边际收益递减。

那么这时，行业的增量自然而然就会出现在第二战场，比如推理时怎么想（test-time compute）、上下文怎么用（context learning）、长上下文怎么便宜（caching/MLA/稀疏注意力）。

这就好比武林里，大门派花了几十年练一门功夫。练着练着就发现，武功练到一定程度就不涨了，反而以前那些不起眼的“旁门左道”更能提高功力。

这里还有个反直觉的地方，主战场上的优势，到了第二战场，反而成了“累赘”。

手里攥着最多算力和数据的一方，恰恰最没动力去抠成本、抠效率。头部公司已经形成了“反正我堆卡就能解决问题，何必费劲去想更聪明的办法？”的想法。这就导致省显存、省钱这件事，从一开始就不是他们的议题，甚至有点“掉价”。

只有算力吃紧的一方，才会把每一分钱都花在刀刃上。

DeepSeek的MLA、磁盘缓存、稀疏注意力，本质上都是“穷则思变”。

当年它们只是“没钱的替代方案”，是没办法的办法。可真到全行业开始拼效率的时候，这些“土办法”忽然成了最硬的通货。

于是才会出现国外“偷师”国内的现状。