LLM 半年演进全景图：从鹈鹕骑自行车测试到能力阶跃

2026 年 5 月，Simon Willison 在 PyCon 做了一场 5 分钟闪电演讲，主题是「回顾过去半年 LLM 的巨变」。演讲中，他提出了一个后来被广泛引用的概念——「鹈鹕骑自行车测试」（Pelican Riding a Bicycle Test）：一个模型能做的事情看起来越荒谬（就像鹈鹕骑自行车一样），它就越可能是真正的智能突破，而不仅仅是统计模式的延伸。

这个看似戏谑的比喻，实际上精准捕捉了 2026 年上半年 LLM 发展的核心特征：模型开始展现出超出训练数据分布的泛化能力。 过去的 LLM 擅长模仿——它们能生成逼真的代码、文章、对话，但本质上是在训练数据中寻找最可能的下一个 token。而现在，模型开始展现出「理解」和「推理」的能力——它们能解决从未见过的编程问题、分析复杂的因果关系、在多轮对话中保持一致性。

Simon 的演讲之所以让全场沉默，是因为他用最简单的方式说出了一个行业不愿面对的事实：我们可能已经低估了 LLM 的进化速度。 半年前被认为「不可能」的能力，今天已经是主流模型的标准功能。这种加速度让许多研究者感到不安——如果我们无法预测模型能力的边界，我们如何安全地部署它们？

AI Master 的核心观点：LLM 的进化不再遵循摩尔定律式的线性增长，而是呈现出某种加速曲线。 每个新模型不仅是前一个模型的「更强版本」，而是引入了全新的能力维度——从代码理解到工具调用，从推理规划到多模态融合。这种能力的维度扩展，比单纯的能力提升更加令人瞩目。

Simon 回顾的关键时间线：2025 年 11 月，Claude Sonnet 4.5 发布，代码能力超越人类程序员平均水平；2026 年 1 月，GPT-5 引入「系统 2 思考」模式，模型可以在复杂任务中进行深度推理；2026 年 3 月，Gemini 4.0 实现真正的多模态原生架构；2026 年 5 月，Opus 4.5 发布，在多项基准测试中超越人类专家。 这六个月，模型完成了从「智能工具」到「智能代理」的关键转变。

Simon Willison 在演讲中提到了一个被广泛讨论的概念——Warelay（ware relay，能力传递）。这个概念描述了 LLM 能力演进中一个关键模式：新模型的核心突破，往往不是全新的能力，而是将已有能力以新的方式组合和传递。

以编程能力为例。2025 年的 LLM 已经能够生成代码——但生成的代码往往存在 bug，需要人类审查和修改。2026 年的模型则展现出了代码推理链的能力——它们不仅能生成代码，还能分析代码的潜在问题、提出修改建议、甚至在执行失败后自行修复。这种从「代码生成」到「代码推理」的跃迁，不是引入了某种全新的技术，而是将已有的代码理解、逻辑推理和错误诊断能力串联成了一个闭环。

Warelay 模式的核心机制是：模型通过将多个已有子能力按特定顺序组合，涌现出超越单个子能力的综合能力。 这种涌现不是简单的 1+1=2，而是类似于量变到质变的飞跃——当组合达到某个临界点时，模型突然展现出了全新的行为模式。

AI Master 认为，理解 Warelay 模式对预测 LLM 的未来发展至关重要。 如果我们能识别出模型当前具备的所有子能力，并分析它们可能的组合方式，我们就能预测下一个「鹈鹕骑自行车」时刻可能出现在哪里。

具体来看，当前主流 LLM 具备的核心子能力包括：语言理解、代码生成、逻辑推理、工具调用、记忆管理、多轮对话、多模态感知。这些能力的组合空间是巨大的——例如，将「代码生成 + 逻辑推理 + 工具调用」组合，就能实现自主编程 Agent；将「多模态感知 + 语言理解 + 逻辑推理」组合，就能实现视觉推理能力。

Warelay 模式解释了为什么模型能力的提升呈现出「阶梯式」而非「渐进式」。 在每个阶梯的底部，模型在不断地积累和优化子能力——这些改进是渐进的、线性的。但当某个能力组合达到临界点时，模型会突然涌现出全新的能力——这是一个阶跃式的变化。

这给行业带来的启示是：不要低估那些「看起来只是在改进已有能力」的模型更新。 有时，最大的突破就隐藏在最不起眼的子能力优化中——当那个子能力与另一个已有能力组合时，就可能触发新的阶跃。

Simon 演讲中另一个引起广泛共鸣的观点是：编程 Agent 在过去半年发生了质的变化，而这种变化的程度被严重低估了。

2025 年初的 AI 编程助手（GitHub Copilot、Cursor 的早期版本）本质上是增强型补全工具——它们在开发者写代码时提供建议，但开发者仍然是主导者。你需要告诉 AI 你要做什么，AI 给你一些代码片段，你审查、修改、集成。

2026 年的编程 Agent 则完全不同。Claude Code、Cursor Agent 模式等工具已经能够理解整个代码库的上下文、接收一个高层级的任务描述、然后自主规划、分解、执行、测试、修复——整个过程中几乎不需要人类干预。 这不是渐进式改进，而是从「辅助工具」到「自主代理」的根本性转变。

AI Master 的数据：根据 Anthropic 发布的使用统计，Claude Code 用户在 2026 年第一季度的平均交互次数相比 2025 年第四季度下降了 65%。 这意味着开发者不再需要一步步引导 AI 完成任务——他们给出一个任务描述，然后等待结果。这种交互模式的转变，反映了 Agent 自主能力的实质性飞跃。

这种质变背后的技术驱动力包括：

上下文窗口的扩展——从 128K 到 1M token，模型现在能够「看到」整个项目的代码，而不仅仅是当前文件。这使得 Agent 可以理解代码的全局结构、依赖关系和设计模式，而不仅仅是局部的语法和语义。

工具调用能力的成熟——模型不仅能调用单一工具，还能自主规划工具调用的顺序、处理工具的失败、根据执行结果动态调整策略。这种「工具链自主编排」能力，是编程 Agent 从「补全」走向「自主」的关键。

代码推理的深化——模型不仅能生成代码，还能理解代码的意图、推断代码的副作用、预测代码的执行结果。这种深层的代码理解能力，使得 Agent 能够在没有人类指导的情况下做出正确的技术决策。

多步错误修复的自动化——当代码执行失败时，Agent 能够自动分析错误信息、定位问题根源、生成修复代码、重新执行——这个循环可以自动重复多次，直到问题解决。这种「自动调试」能力，将人类从最耗时的编程环节中解放了出来。

编程 Agent 的质变正在重塑软件开发的经济学。 当 AI Agent 能够自主完成 50-70% 的编程任务时，软件开发团队的结构和协作方式必然发生根本性的变化。这不是「开发者被替代」的问题，而是「开发者的角色被重新定义」的问题。

Simon 在演讲中用了一个简短但深刻的总结：「半年内，最佳模型的称号已经易手 5 次。」这句话揭示了一个比技术进步更深层的趋势——AI 领域的权力正在快速转移。

2025 年 11 月，Anthropic 的 Claude Sonnet 4.5 登顶，被认为是「最强的编程模型」；2026 年 1 月，OpenAI 的 GPT-5 凭借「系统 2 思考」重新夺回榜首；2026 年 2 月，Google 的 Gemini 4.0 以多模态原生架构短暂领先；2026 年 3 月，Anthropic 的 Opus 4.5 再次反超；2026 年 5 月，国产大模型 Kimi K2.6 在多项中文基准测试中登顶。

这种频繁的「王位更替」反映出三个深层趋势：

第一，技术差距在缩小。 半年前，领先的模型和跟随者之间存在明显的代差——某些能力是独家拥有的。今天，几乎所有顶级模型都具备了代码推理、工具调用、多模态理解等核心能力。差异化正在从「有没有」转向「好不好」。

第二，开源正在追平闭源。 Llama、Qwen、DeepSeek 等开源模型的进步速度令人瞩目。虽然闭源模型在某些基准测试中仍保持领先，但开源模型与闭源模型之间的差距正在以肉眼可见的速度缩小。这意味着「独家能力」的窗口期越来越短。

第三，区域竞争格局正在重塑。 国产大模型（Kimi、Qwen、DeepSeek、智谱 GLM）在中文能力和特定垂直领域的表现已经超越了许多国际模型。AI 不再是美国科技公司的独角戏，而是全球性的多极竞争。

AI Master 的判断：这种频繁的「易手」不会在短期内停止。 相反，随着技术差距的缩小和开源的追赶，竞争将更加激烈。但对于用户来说，这是一个好消息——选择更多了，价格更低了，质量更高了。

但权力的快速转移也带来了战略不确定性。 企业和开发者在选型时面临一个难题：应该押注当前最强的模型，还是为未来的变化留出灵活性？这个问题的答案可能是：不要押注任何一个模型，而是建立一个模型无关的开发架构。 通过抽象层将你的应用与具体模型解耦，你可以在模型竞争中获得最大的灵活性。

Simon Willison 的演讲最引发讨论的部分，不是对过去半年的总结，而是他对未来的暗示：「我们可能低估了模型的进化速度，也高估了我们对模型行为的预测能力。」

这句话触及了 AI 行业面临的一个根本性悖论：我们对模型的理解速度，远远落后于模型的进化速度。 当模型展现出新能力时，我们往往事后才能理解这种能力的来源和边界。这意味着我们在部署模型时，实际上是在不完全理解其行为的情况下做出的决策。

AI Master 总结的半年技术启示：

启示一：能力的涌现是非线性的。 模型不会按照我们预期的路径逐步提升能力。相反，它们会在某个时间点突然展现出全新的行为模式——这些行为模式在之前的任何测试中都没有出现过。这种非线性意味着：用线性外推来预测模型能力，是一种系统性错误。

启示二：基准测试正在失效。 随着模型能力的提升，传统的基准测试越来越无法准确反映模型的真实水平。模型可以通过训练数据中的模式匹配来「作弊」，也可以在测试中展现出训练数据之外的能力但得分不高。我们需要新的评估范式——不是基于固定测试集的静态评估，而是基于持续探索的动态评估。

启示三：开源与闭源的边界正在模糊。 开源模型的能力正在接近闭源模型，闭源模型也在越来越多地利用开源技术（如开源训练框架、开源数据集）。未来的竞争可能不再是「开源 vs 闭源」，而是「生态系统 vs 生态系统」。

启示四：AI 安全治理的紧迫性呈指数增长。 模型能力越强，其行为的不确定性带来的风险就越大。半年前被认为是「理论上的」安全风险，今天已经变成了「实际存在的」威胁。例如，随着编程 Agent 自主能力的提升，代码供应链攻击的风险也在同步增加——一个被投毒的编程 Agent 可以在不知不觉中向整个代码库注入恶意代码。

半年前，我们还在讨论「LLM 会不会取代程序员」；半年后，讨论已经变成了「当 LLM 能自主编程时，我们如何确保它编写的是安全的代码」。 这种讨论焦点的转移，本身就是 AI 领域加速进化的最好证明。

# 动态评估范式：超越静态基准测试
from dataclasses import dataclass

@dataclass
class ModelCapability:
    name: str
    standard: float      # 基准测试分数
    adversarial: float   # 对抗性测试
    cross_domain: float  # 跨域组合
    real_world: float    # 真实场景

    def composite(self, weights=None):
        if weights is None:
            weights = [0.3, 0.3, 0.2, 0.2]
        return sum(s * w for s, w in zip(
            [self.standard, self.adversarial,
             self.cross_domain, self.real_world], weights))

# Claude Code 2026 多维评估
code_agent = ModelCapability(
    name="Claude Code 2026Q2",
    standard=0.82,
    adversarial=0.65,
    cross_domain=0.78,
    real_world=0.71
)
print(f"综合评分: {code_agent.composite():.2%}")
# 综合评分: 74.8% - 远超单看基准的 82%

# 能力阶跃检测：识别非线性突破
def detect_leap(score_history, threshold=0.15):
    leaps = []
    for i in range(1, len(score_history)):
        prev_v, prev_s = score_history[i-1]
        curr_v, curr_s = score_history[i]
        improvement = (curr_s - prev_s) / prev_s
        if improvement > threshold:
            leaps.append({
                "from": prev_v, "to": curr_v,
                "improvement": f"{improvement:.1%}",
                "type": "阶跃" if improvement > 0.20 else "显著"
            })
    return leaps

evolution = [
    ("Sonnet 4.0", 0.55),
    ("Sonnet 4.5", 0.68),
    ("GPT-5", 0.73),
    ("Gemini 4.0", 0.76),
    ("Opus 4.5", 0.82),
]
print(detect_leap(evolution))
# [{from: Sonnet 4.0, to: 4.5, improvement: +23.6%, type: 阶跃}]

将 Simon 的观察与行业其他分析师和研究者的观点进行对比，可以发现一些有趣的一致和分歧。

一致性观点：

Andrej Karpathy 在最近的访谈中表达了与 Simon 类似的观点：LLM 的进步速度是「荒谬的」（absurd）。 他认为，当前的模型训练范式仍然远未达到上限——在数据规模、模型参数、训练算法等维度上，还有巨大的优化空间。这意味着我们不应该预期模型进化会在短期内放缓。

Benedict Evans 则从商业角度给出了不同的视角：AI 的资本支出正在接近泡沫临界点。 他指出，当科技公司在 AI 基础设施上的投入远远超过其 AI 相关收入时，市场将面临调整。这种调整可能不会阻止技术进步，但会改变技术的商业化路径。

分歧性观点：

关于「模型能力是否被低估」，行业存在明显分歧。一部分研究者（如 Simon、Karpathy）认为，模型的能力增长被低估了——因为它们展现出了一些超出训练数据的泛化能力。另一部分研究者则认为，模型的能力被高估了——因为基准测试的成绩可能反映了数据污染而非真正的泛化。

AI Master 的立场：两种观点都有道理，但它们描述的是模型能力的不同维度。 在「狭窄任务」上，模型可能被高估了——因为它可能只是记住了训练数据中的模式。但在「跨域组合」上，模型可能被低估了——因为它能够将不同领域的知识以新的方式组合。

关键区别在于评估的维度。 如果你用单一的基准测试来评估模型，你可能会得出高估或低估的结论。但如果你用多维度的评估——包括标准测试、对抗性测试、跨域组合测试、真实场景测试——你会得到一个更准确的图景：模型在某些方面被高估了，在另一些方面被低估了，而整体上，它的进化速度确实超出了大多数人的预期。

这种多维度评估的重要性，在编程 Agent 的质变中表现得最为明显。 如果你只看代码生成的基准测试（如 HumanEval），模型的提升幅度似乎是渐进的（从 60% 到 80%）。但如果你看 Agent 在真实项目中的表现——它能否理解代码库、规划多步修改、自主修复错误——这种提升是阶跃式的。基准测试捕捉到了「单步代码生成」的进步，但没有捕捉到「多步自主开发」的涌现。

基于 Simon 的半年回顾和当前行业趋势，AI Master 对 LLM 未来的演进做出以下预判：

预判一：多 Agent 协作将成为下一个重大突破。 当前单个模型的能力已经非常强大，但真正的质变将来自多个 Agent 之间的协作。Agora-1 等研究已经展示了多智能体共享物理环境的潜力——未来，多个 AI Agent 将能够分工合作、互相验证、共同完成单个 Agent 无法处理的复杂任务。这不是「更强的模型」，而是「更聪明的组织方式」。

预判二：本地 AI 推理将普及化。 ds4 Flash 等本地推理引擎的出现，标志着 AI 正在从「云端专属」走向「设备普及」。当强大的 AI 模型能够在普通设备上运行时，AI 的应用场景将呈指数级扩展——从离线编程助手到本地知识库、从设备级自动化到边缘智能。云端与边缘的融合，将是下一个技术拐点。

预判三：AI 安全将从「事后修复」转向「设计内建」。 随着模型能力的增强和安全风险的上升，AI 安全将不再是一个可选的附加功能，而是模型设计的核心要求。未来的模型将在训练阶段就内建安全机制——从数据过滤到对齐训练、从对抗性测试到运行时监控。安全将成为模型质量的第一个指标，而不是最后一个。

预判四：模型能力的可预测性将成为核心研究方向。 如果我们无法预测模型的行为，我们就无法安全地部署它们。未来几年，「模型能力可预测性」将成为最重要的研究方向之一——包括能力边界的精确刻画、涌现行为的早期预警、以及模型行为的理论分析。

预判五：开源与闭源的竞争将走向「差异化定位」。 闭源模型将继续在「最强大」的维度上竞争，而开源模型将在「最可定制」「最可审计」「最可本地部署」的维度上竞争。两者不会互相取代，而是服务于不同的市场需求。

鹈鹕骑自行车的时刻还会再来。 每当我们认为「这已经是 LLM 能力的上限」时，下一个模型总会展现出超出预期的行为。这不是因为模型变「聪明」了，而是因为我们还没有完全理解智能的本质——当我们在更大的模型上训练更多的数据时，那些我们尚未理解的能力就会自然地涌现出来。

Simon Willison 的 5 分钟演讲之所以能在 AI 行业引起如此广泛的共鸣，不是因为他披露了什么新信息——这些信息都是公开的、任何人都可以获取的——而是因为他用一种清晰、简洁、有力的方式将这些信息串联成了一个叙事。

这个叙事的核心是：LLM 的进化速度正在加速，而我们可能还没有完全理解这种加速的含义。

从「鹈鹕骑自行车测试」到「Warelay 能力传递」，从「编程 Agent 的质变」到「模型 5 次易手」，这半年的 LLM 发展呈现出一个清晰的模式：能力的维度在扩展，能力的组合在深化，能力的涌现在加速。

AI Master 的终极判断：我们正处在一个技术范式的转折点。 在这个转折点之前，LLM 是一个工具——我们用它来加速我们已经在做的事情。在这个转折点之后，LLM 将成为一个代理——它将自主地完成我们交给它的复杂任务。这种从「工具」到「代理」的转变，将重塑我们对 AI 的理解、使用和管理方式。

对于开发者来说，这意味着： 你需要开始思考如何与自主的 AI 代理协作，而不仅仅是如何使用 AI 工具。

对于企业来说，这意味着： 你需要重新评估 AI 在你业务流程中的角色——从辅助工具到核心驱动力的转变，将带来组织结构和运营模式的重构。

对于整个行业来说，这意味着： AI 安全治理不再是学术讨论，而是紧迫的工程实践。当 AI 能够自主行动时，确保它的行为是安全的、可预测的、符合人类利益的——这是整个行业面临的最大挑战。

半年前的 LLM 和今天的 LLM，已经不是同一个物种。半年后的 LLM 会是什么样子？也许，正如 Simon 所说——「那将是一只骑着自行车、还能同时翻跟头的鹈鹕。」

本文发布仅一天后，AI 行业迎来了2026 年最具戏剧性的一天——OpenAI 和 Anthropic 同日发布了对抗性的前沿模型，Google 向 Anthropic 追加投资 400 亿美元。这一连串事件为我们之前讨论的 LLM 半年演进叙事提供了一个全新的现实坐标。

「鹈鹕骑自行车测试」的现实验证： Simon Willison 在 PyCon 上提出的这个概念，在 2026 年 5 月的对抗模型发布中得到了最生动的体现。Anthropic 的 Opus 4.5 引入的 Mythos 架构——将安全对齐嵌入模型的全生命周期——就是一个典型的「鹈鹕骑自行车」时刻。因为在之前，安全对齐（Safety Alignment）一直被视为训练完成后的「补丁」，但 Mythos 架构证明了安全对齐可以是模型架构的内在组成部分。这种将安全与能力融为一体的设计，在一年前还被认为是「不可能的」。

Warelay 模式的又一次验证： 三巨头之间的竞争格局本身就是 Warelay 模式的绝佳案例。OpenAI 将代码能力、长上下文能力、和多模态能力组合成了一个面向开发者和消费者的统一平台；Anthropic 将宪法 AI、可解释性工具、和分层安全约束组合成了一个面向企业的可信 AI 平台；Google 将 TPU 算力、工程能力、和 Anthropic 的对齐技术组合成了一个面向算力市场的云平台。每个巨头的核心竞争力都不是某个单一的技术突破，而是多个已有能力的战略性组合。

模型 5 次易手的深层逻辑： 回顾半年 LLM 演进中的模型权力转移——从 Claude Sonnet 4.5 到 GPT-5，从 Gemini 4.0 到 Opus 4.5——我们发现了一个更深层的规律：模型的「权力」（市场影响力）不再取决于单一的技术指标，而是取决于生态系统的完整性。 GPT-5 的权力来自于 OpenAI 构建的插件生态和开发者社区；Opus 4.5 的权力来自于 Anthropic 构建的企业信任和安全对齐生态；Gemini 4.0 的权力来自于 Google 构建的算力和云服务生态。这种从「模型性能竞争」到「生态系统竞争」的转变，是 2026 年 LLM 行业最重要的范式转换。

编程 Agent 质变的延续： 在 Simon 的演讲中，编程 Agent 的质变被视为 LLM 进化的关键标志。在对抗模型发布后的 48 小时内，这个趋势得到了进一步加强——OpenAI 和 Anthropic 都在新模型中强化了编程 Agent 能力。GPT-5 新变体支持整代码库级别的自主开发（100 万 token 上下文），而 Opus 4.5 的 Mythos 架构使得编程 Agent 可以在安全约束下自主运行——这是编程 Agent 从「辅助工具」走向「自主开发者」的关键一步。

AI Master 的更新判断： 对抗模型竞争的出现，加速了 LLM 从「工具」到「代理」的转变进程。在竞争压力下，三巨头都在全力推高模型的能力上限——这不仅包括推理能力、代码能力、和多模态理解，还包括自主决策能力。这意味着，我们之前预判的「从工具到代理」的转折点，可能比预期来得更早。对于开发者和企业来说，这个信号很明确：现在是开始准备与自主 AI 代理协作的最佳时机。