过去一年，基座模型在公开基准上的差距迅速缩小。当头部模型的 MMLU、GPQA 分数挤进同一个区间，“更强一点的模型”不再构成护城河。真正的分水岭正在转移到智能体：谁能把模型变成可靠完成数小时任务的”数字员工”。
从分数到续航
传统评测衡量的是单轮能力，而智能体评测衡量的是续航：长任务中的错误恢复、上下文管理、工具调用的一致性。Claude 4.5 的 30 小时连续编程与 GPT-5.2 的 89% 长链路完成率，指向同一个方向。
三条护城河
- 工程化能力：检查点、回放、沙箱——这些”模型之外”的基础设施决定智能体的可用性。
- 生态绑定：办公套件、代码仓库、浏览器，谁占据高频工作入口，谁就掌握数据飞轮。
- 成本曲线：推理价格每降一个数量级，可自动化的任务范围就扩大一圈。
推演
到 2027 年，模型本身大概率进一步商品化，价值将集中在两层：上游的算力与数据，下游的智能体编排与分发。中间的”纯模型公司”如果找不到自己的入口，将被迫在上游与下游之间选边。
对创业公司的启示同样明确：不要做”更好的模型”，要做”更好的员工”。