2026.10.08 | AC | LLM | Gemini 4 Argon & Agent Competition

摘要

1. Argon模型性能达SOTA水平，在用户体感及响应速度上优于Opus 5.1Max，但综合评分及可读性仍逊于Opus 5.5Max。
2. 垂直领域需求分化：金融与法律行业对SOTA模型依赖度极高，编程领域模型差异化缩小，数据飞轮效应因外部高质量数据供给成熟而减弱。
3. B端市场具备强粘性：企业采购通常固化模型版本与工作流，迁移成本极高；C端用户粘性低，竞争核心在于算力补贴与产品设计。

算力供给持续紧缺：TPU v8预计2026年底交付，受限于算力瓶颈，行业短期内（2026年内）爆发价格战的可能性较低。

1. Agent产品形态分化：Meta Muse侧重C端模拟浏览器操作，OpenAI DOTS面向小B提供虚拟机环境，旨在替代传统文职助理工作。

商业模式演进：SOTA模型成为B端获客的品牌象征，实际营收仍以算力租赁为主，软件层收入规模尚远低于算力业务。

专家观点：

Q&A

新发布的 Gemini Argon模型似乎并未在资本市场获得强烈的积极反馈，这是否意味着市场认为SOTA（State-of-the-Art）的重要性正在下降，或者认为Argon的技术领先性有限，其他模型可以很快追赶？

市场对股价的反应机制尚不明确，但行业内的竞争确实非常激烈。Argon模型在内部的各项测试基准中，其表现与GPT的所有模型相当，甚至超越。然而，若将其与Opus 5.5 Max相比，Argon在一些评分上，例如Elo score以及Artificial Analysis上的综合分数，实际上是偏低的。Opus 5.5 Max在许多榜单上仍然是分数最高的模型，不过需要指出的是，某些榜单（例如限制了答题时间的榜单）可能对思考深度更深的大模型不利，这使得Opus 5.5 Max在这些特定场景下更具优势。因此，Argon可以被视为SOTA级别的模型之一，但并未形成绝对的、大幅领先的优势。

在具体的评估维度上，Argon模型与Opus 5.5 Max相比，其综合分数较低具体体现在哪些方面？

模型的综合性能评估主要参考两个维度。第一个是基于固定分数的排行榜，如Artificial Analysis。第二个是Elo score，这更多反映了用户的综合体感，不仅包括结果的正确与否，还涵盖了输出内容的可读性、解决问题的直接性（是否绕弯路）以及响应速度等因素。从这两个维度来看，Opus 5.5 Max的综合表现目前高于Argon。目前，除了Opus 5.5 Max，没有其他模型能在这两个维度上同时超越Argon。

从内部评估来看，Argon模型的发布是否达到了预期？

内部目标是发布一款达到SOTA水平的模型，最初的期望是能够超越Opus 5.1 Max。实际上，Opus 5.1 Max是在最近两周通过一些post-training才实现了性能上的超越。在Artificial Analysis榜单上，Argon的分数甚至比Opus 5.1 Max低零点几分，这可能与部分测试因模型规模大而未能完整运行有关。然而，在反映用户体感的匿名Elo score测试中，Argon的表现要强于Opus 5.1 Max，尤其在响应速度方面，体感上更快一些。综合来看，从用户实际使用体验的角度，Argon的表现优于Opus 5.1 Max。

在模型性能已经很高的情况下，未来的主要提升方向是什么？当前评估基准（如Tüv-NORD Benchmark 4.0）是否存在局限性？

当前单纯依赖排行榜分数来评判模型性能存在局限性。例如，在terminal Benchmark 4.0中，由于设置了40分钟的时间限制，像训练一个NanoGPT这样的复杂任务，一些更“聪明”、思考深度更深的大模型（如Opus 5.1 Max）反而因为无法在规定时间内完成而得分低于更小、更快的模型（如Sonnet 5.5）。这导致了Opus 5.1 Max在该榜单上的分数甚至不如Sonnet 5.5。

因此，除了刷榜，行业目前更关注几个关键领域的应用能力。首先是金融和法律领域，这两个行业对SOTA模型的需求持续存在，是公司非常重视的方向。其次是3D领域。当然，编程能力也极其重要。不过，在编程方面，模型间的差异化正在缩小。在大量的匿名Elo测试中，Argon在用户体感分数上低于Opus 5.5 Max，但分析用户反馈后发现，落败的原因并非Argon犯了错而Opus 5.5 Max做对了，主要差距在于Opus 5.5 Max的速度更快，并且其输出内容的可读性、条理性更佳，尤其是在处理开放式研究任务时。内部员工的测试也得出了相似结论，即在结果正确性上已难分伯仲。因此，下一步的优化重点将聚焦于提升效率和输出内容的可读性。

既然模型在编程能力上的差异正在缩小，这是否意味着此前行业热议的，基于用户数据的“数据飞轮”在编程领域的增益效应已经减弱或被打破了？

从当前时间点来看，这个结论是成立的。由于市场上高质量的数据提供商进步神速，单纯依赖自身用户数据形成的飞轮效应，其作用相比之下已经小了很多。但是，如果将时间回溯一个季度或更早，当时外部数据供给尚未如此成熟，数据飞轮的重要性依然非常突出。

在不同AI模型的性能表现上，Opus 5.5 Max、Argon和fable 5.1 Max在输出速度方面有何差异？影响模型输出速度的关键因素是什么？

在输出速度方面，Opus 5.5 Max的表现最快，其次是Argon，最后是fable 5.1 Max。这里的“速度”并非指每秒生成的token数量，而是完成特定任务所花费的总时间。

影响模型输出速度的因素主要有几个方面：首先是模型大小，例如fable 5.1 Max是这几款模型中最大的。其次是模型执行任务的方式或行为，例如一个模型在进行代码审查（code review）时，是仅仅检查代码的正确性，还是需要运行大量测试用例后再进行审查，这两种行为模式的耗时会有显著差异。此外，系统负载等临时性因素也会对速度产生影响，例如当系统繁忙时，即使是小模型的响应速度也会变慢。综合来看，fable 5.1和Argon在做事方法上都比较全面，甚至有些过于全面。

Argon模型相较于其他竞品，其核心优势体现在哪些特定领域？这种优势是源于其独特的模型能力，还是得益于特定的训练数据？

Argon模型最显著的优势体现在企业办公场景，特别是在操作各类SaaS软件（如CRM系统）方面。根据外部榜单（如LMSYS Chatbot Arena）的数据，Argon在SaaS相关的基准测试中得分远高于第二名。

这种优势主要归因于其训练数据。操作SaaS软件这类To B场景的数据，普通C端用户贡献较少。要获得高质量的训练数据，可能需要购买大量关于SaaS工作流的数据集。而Google内部员工在日常工作中会使用包括Workday、Salesforce以及Figma在内的多种SaaS工具，这些内部使用数据为模型训练提供了丰富的养料。不过，这并不意味着其他模型无法追赶，只要能够获取相应的训练数据，其他模型同样有能力实现类似的功能。除了SaaS操作这一突出优势外，Argon在其他方面的表现与其他头部模型相比，没有明显领先或落后的地方。

从行业趋势来看，头部AI模型之间的差异化是在缩小还是在扩大？特别是在3D等新兴领域，技术差距呈现出怎样的变化？

头部几家实验室之间的模型差距并未显著拉开，但在通用能力（如Agentic coding）方面，各家模型的表现已趋于接近，差别不大。然而，头部实验室与行业内其他参与者之间的整体差距正在扩大。

这种差距的扩大在3D等特定前沿领域尤为明显。差距拉大的主要原因之一在于战略性收购。北美的一些头部公司通过收购专门从事3D相关技术的公司，获得了独特的技术和数据积累，而其他地区的公司在这方面布局相对较少。

如何看待模型开发中普遍存在的“刷榜”行为？这种行为是否会导致模型在基准测试中表现优异，但在实际应用场景中用户体验不佳？公司内部是否有机制来平衡榜单分数与真实用户体验？

“刷榜”行为在当前阶段是必要的，因为它对品牌建设至关重要。以Argon模型为例，其在预训练完成、尚未针对性地进行“刷榜”优化时，综合性能介于fable 5.1 Max和opus 5.5之间。经过“刷榜”优化后，该模型在elo score上能够超越fable 5.1 Max，但在AA上仍以微弱差距（0.x分）落后。这表明，追求高分和提升真实体验之间可能存在一定的权衡。虽然“刷榜”是短期内的重要任务，但最终目标仍是长远利益，即确保模型在实际使用中的效果。

您提到每天会进行数万次的匿名Elo测试，能否详细解释一下这种测试的具体机制和目的？

这是一种在模型正式发布前进行的评估方式。具体来说，像Artificial Analysis和A1这类平台，它们拥有大量用户。这些用户可以通过对不同模型进行A/B打分测试，来免费使用最先进的模型。模型公司在发布新模型前，为避免因性能不佳而影响公司形象，会付费委托这些平台进行匿名测试。这种测试的“匿名”体现在两个层面：首先，参与测试的用户不知道他们正在评估的模型的真实名称，平台会使用内部代号来指代；其次，测试产生的分数和结果是不公开的，仅供委托的模型公司内部参考。这种方式的好处在于，模型公司可以根据自身需求创建定制化的“竞技场”，比如只将Fable 5.1 Max、Xtra 6 Max和Opus 5.5 Max这几个特定模型放在一起进行比较，从而更经济、更有针对性地进行基准测试，而无需将预算浪费在与不相关模型的对比上。目前，这已成为业内模型公司普遍采用的一种测试方法。

普通用户是否可以访问进行此类匿名测试的网站，并查看相关结果？

这些是公开网站，但普通用户在测试时无法分辨出哪些是已发布的公开模型，哪些是正在进行匿名测试的模型，这是一种“双盲”测试，保证了结果的客观性。对于模型公司付费进行的匿名测试，其完整的测试结果，包括用户提出的问题、两个模型的具体回答、用户的最终选择以及选择的理由（例如，因为速度更快或答案更全面），都会反馈给付费的模型公司。这使得公司能够事后深入分析，从最终用户的视角了解一个未发布模型与对标模型相比，具体差距体现在哪些方面。

在您看来，谷歌最新发布的模型是否使其重回第一梯队？

该模型应该位列第一梯队。从模型回答的正确性角度来看，如果不考虑其速度慢于Opus 5.5 Max这一点，实际上很难分辨出它与Opus 5.5 Max在能力上存在何种差距。

您认为未来大模型竞争的核心维度会是什么，是效率、通用能力还是垂直领域的专业能力？

短期来看，垂直领域的专业能力仍然非常重要，尤其是在金融和法律这两个领域，它们能够有效地区分第一梯队和第二梯队的模型。相比之下，在Coding领域，模型的差异化已经很难区分。目前在Coding Agent能力评估方面，行业最关键的指标是Terminal Bench 4.0。在这个基准测试中，Sonnet 5.5的得分明显高于Opus 5.5，甚至远超第二名。这在很大程度上是因为Opus 5.5由于模型规模过大而无法在规定时间内完成所有任务，而Sonnet 5.5的模型规模比Opus 5.5小几倍，因此能够跑完更多任务。这也引发了关于评估方法的讨论，即速度和效率本身也应被视为模型可用性的一个重要因素。

随着SOTA模型能力趋于同质化，未来模型是否会朝着更小、更高效、更专业的方向发展？

在金融和法律领域，模型的专业能力依然是关键。然而，随着模型能力的趋同，未来用户在选择时可能会更看重速度和输出结果的可读性。在Coding领域，区分模型的好坏已变得非常困难，即便是模型公司的用户也难以分辨，只能大致判断哪几个模型可能更好。

在AI模型应用方面，金融和法律等垂直领域与编程领域相比，用户对升级至SOTA（State-of-the-Art）模型的意愿有何差异？具体而言，金融场景主要涉及哪些应用，以至于需要持续追求最先进的模型能力？

当前，编程用户的模型升级意愿已显著降低。相比之下，金融和法律这两个垂直领域对SOTA模型的追求意愿要远高于其他行业。根据从GCP产品经理处了解到的信息，这可能是未来模型发展的重点方向。OpenAI大约在一两个月前已成立专门的法律agent部门，目前其在法律领域的模型能力在业界处于领先地位。金融场景的应用主要集中在金融产品分析，例如在一个名为“Finance Analyst 2.0”的基准测试中，模型的核心任务是分析数字和财务报告。

为什么金融和法律这两个垂直领域始终需要SOTA模型，而不能像编程领域那样，在模型能力达到一定水平后进入一个相对商品化的阶段？

这可能有两个原因。首先，金融和法律行业本身具有非常高的价值量。其次，与零售、客服或物流等场景相比，这些领域对模型能力的要求更高，一个Flash级别的模型可能无法满足其需求。此外，获取金融和法律领域的公开数据非常困难，通常需要专门的数据团队进行采集，并且这些模型主要由一小部分专业人士使用，而非普通用户。因此，要在这些领域取得进展，需要巨大的数据投入，这对开源模型公司构成了较高的追赶门槛。

考虑到未来模型发展的趋势，SOTA模型是会变得越来越小、更高效，还是会继续向更大规模的方向发展？

预计到明年（2027年），SOTA模型的规模会比现在更大，而非变小。模型的规模是一个相对概念，如果全行业的模型都变得更大，那么处理速度可能会普遍比以前更慢。

当前训练顶尖大模型的成本，例如GPT-4级别的模型，大概在什么量级？考虑到数亿美元的投入，所换来的模型性能提升是否具有合理的投资回报率，或者说是否存在资源浪费的现象？

训练顶尖模型的成本是巨大的。以此次训练为例，涉及了十几个模型，动用了20万张GPU卡，预训练耗时两个多月，如果将所有投入（包括失败的尝试）都计算在内，总成本可能达到数亿美元的量级。对于投入巨资追求SOTA模型的ROI，可以从几个方面理解：首先，这其中存在主观因素，即领导层在行业竞争中感受到的压力，无论是落后时的追赶，还是领先时希望保持优势，都会促使持续投入。其次，目前除了补贴免费用户（如Meta的策略）外，并没有其他公认更优的投资路径。最后，拥有SOTA模型能力对拓展To B业务至关重要。尽管客户在实际应用中最终可能选择性价比更高的Sonnet或Flash模型，但拥有SOTA模型本身就是一个强大的品牌象征，能显著增加客户选择你的可能性，为拿下业务提供有力帮助。因此，SOTA能力在实际工作中未必会被直接使用，但对于品牌建设和客户获取具有重要价值。

大模型技术在突破长文本或上下文粘性等关键瓶颈后，将如何改变其商业模式与市场规模，这种改变是渐进式的累积还是跳跃式的突破？

目前来看，大模型在B端的粘性非常强，而在C端则相对较弱。B端客户一旦将某个产品集成到其业务流程中，通常不会轻易更换或升级模型版本，这导致供应商需要持续支持许多旧版本模型。主要原因是，传统企业客户通常缺乏自主开发各类agent的能力，他们采购的是一套完整的解决方案或产品，而非单纯的模型能力。因此，模型性能的榜单刷新主要是为了吸引B端客户。

相比之下，C端用户的粘性并不高。用户可以较为容易地将其历史记录和个人记忆从一个agent导出至另一个，迁移成本很低，一两个prompt基本就能完成。如果其他公司提供比Meta更高的补贴，用户就可能流失。此外，C端产品正面临越来越多的使用限制，例如Gemini Flash的免费用户权限正在逐步取消，未来免费用户可能只能使用轻量级模型。此举主要是因为算力资源紧张，需要将算力优先分配给B端客户以及为新发布的模型（如Argon）预留资源。

为何大模型在B端市场的用户粘性会特别强？

B端市场的强粘性源于其采购模式。以北美市场的企业客户为例，他们采购的通常是针对特定业务场景的完整产品或工作流，例如用于增销的客服系统。在采购合同中，诸如使用哪个数据仓库、哪个AI模型（包括具体版本号）以及哪个agent框架等技术组件都是明确写死并固化的。企业客户在项目验收阶段，已经确认了当时选定的模型（例如Sonnet 5）足以满足其客服需求。

因此，绝大多数传统企业自身没有能力，也很少有需求去单独更换系统中的某个组件，比如将模型从Sonnet 5.5升级到Argon 4，或更换数据仓库和数据库。这种更换不仅技术上复杂，涉及大量的数据迁移和全面测试，其工作量甚至可能超过开发一个新软件。除非企业决定重新构建整个业务工作流，否则很难替换掉已经嵌入的供应商。这种模式下，供应商一旦进入企业客户的系统，就形成了很高的壁垒。

您所描述的B端客户采购完整工作流的模式，是基于云端部署还是私有化部署？

在北美市场，除了生物制药和政府部门等对数据安全有特殊要求的行业倾向于私有化部署外，绝大多数企业客户都采用云端部署模式。例如，企业采购一个基于GCP Enterprise的客服工作流，实际上是购买了一整套打包在云上的SaaS产品。这套产品需要与企业现有的IT系统进行集成，即便对方使用的是比较陈旧的Oracle CRM系统，也需要确保兼容和集成。这种模式下，企业采购的是一个完整的解决方案，而不是单独购买一定QPS的模型API再自行开发。

目前在云服务中，这类打包成完整产品的软件收入与传统的算力租赁收入相比，规模如何？

当前，软件层面的收入与算力租赁（例如租用GPU）的收入相比，规模仍然要低很多，二者不在一个量级。虽然没有最新的确切数据，但软件业务的收入还远无法与算力租赁业务相提并论。

GCP当前的营收结构是怎样的，例如算力租赁和企业级服务的收入占比分别是多少？

目前算力租赁业务是绝对的收入大头。许多新的招聘和资源都倾向于Cloud AI方面，例如CUDA和TPU。相比之下，Agentic FDE业务尚未完全发展起来。当前为了实现收入，普遍的做法是投入大量工程师帮助企业客户完成部署和落地。具体而言，一些原先从事软件开发的部门已整体转型为FdE，专注于云端软件的实施，帮助客户将Gemini和Opus模型构建成一个完整的系统。这种模式虽然工程师成本高昂，短期内难以直接盈利，但目标是通过前期投入，让客户一旦开始使用这套深度集成的系统，就会持续使用Gemini和Opus模型。

行业内先前有观点认为，出于安全等因素考虑，大模型的训练节奏正在放缓，但从目前情况看似乎并非如此，实际的训练投入和算力需求趋势是怎样的？

目前并未观察到明显的放缓迹象，尤其在模型训练方面，所有公司实际上都在加速投入，尽管在公开的排行榜上可能看不出某一家大幅领先。算力需求方面也未见减速，当前算力处于非常紧缺的状态，一个侧面证据是，此前被认为是免费用户最佳选择的Flash模型，其免费服务已被暂停。

从行业一线从业者的视角来看，当前大模型技术，尤其是在3D、多模态（4-size）和垂直领域应用方面，是否仍在快速迭代和发展？

是的，这些领域确实是目前领导层非常重视的方向，除了在排行榜上竞争，更注重模型能力的实质性提升。从硅谷一线从业者的感受来看，模型迭代的“推背感”或加速度依然非常强劲。虽然对于从事编程等常规任务的用户来说，这种进步可能不再明显，但在金融、法律等专业领域，以及3D建模等特定场景，新一代模型（如从5.1版本到Opus 5.5版本）在专业能力上的提升是极其显著和可感知的。不过，需要指出的是，能够深刻感受到这些进步的用户在整个白领群体中仍占极少数。

Flash模型目前的发展情况如何，例如Flash 4.0的推出计划以及用户对其评价的变化？

Flash模型即将发布Gemini Flash 4.0版本，目前似乎没有特别急于发布新模型的压力，因为模型本身已经准备就绪。近期用户对Flash模型的评价有所回升，主要原因是许多员工在免费使用了一个月的“Argon”模型后，普遍反映其速度过慢，处理简单任务也耗时较长，影响了工作效率。因此，许多人开始重新转向使用Flash模型来处理日常任务，仅在少数特定场景下才会使用“Agron”这类更强大的模型。

Flash 4.0的效果能否与“Argon”或Opus 5.1等顶尖模型相媲美？同时，Flash模型的迭代速度是否依然保持领先？

在当前新的评测体系下，Flash模型要媲美顶尖模型并不容易。新的排行榜为了增加区分度，引入了大量corner case和高难度问题，这种评测方式更有利于参数量在一两万亿（1-2T）规模的中大型模型，而对Flash这类较小的模型（如200B级别）和超大模型（5-10T级别）都不太友好，因为小模型在处理某些corner case时表现不佳，而超大模型可能无法完成所有测试任务。因此，榜单上的分数差距可能被放大，并不能完全反映在实际工作场景中的表现分布。不过，Flash模型本身的迭代速度没有问题，在新的评测体系下，大约每1到1.5个月，其A榜分数仍能稳定提升2到3分，其进化速度（斜率）依然比SOTA模型更快。

考虑到速度优势，未来在实际应用中，选择Flash这类轻量级模型的用户是否会越来越多？

很有可能。根据近期的匿名一流测试评估，用户之所以非常青睐Opus 5.5 Max，甚至超过“Argon”和5.1 Max，速度是一个关键因素。当前，许多模型为了在排行榜上获得高分，倾向于消耗更多token来进行一些可能并非必要的验证，这种做法如果持续下去可能会适得其反。当模型的准确率达到一个相近的水平，差异仅存在于少数corner case时，用户会开始更加关注使用速度。届时，那些在榜单上投入最多、分数最高的模型，反而可能不是用户的首选。

您认为未来市场主流的模型会是像Google Flash这样的小模型，还是参数量更大的模型？Flash未来的产品定位和参数规模是怎样的？

未来市场的主流模型可能并非Google Flash，而是一种参数量在一到两个T之间的模型，类似于Sona或轻量版的SOL。Google最初将Flash定义为一款面向免费用户的最佳模型，因此其参数规模设定在200B左右。根据目前了解到的信息，即将发布的Flash 4版本仍将维持这一规模，尚未有扩大参数量的计划。然而，即便是200B的模型，对于免费用户而言成本也已显得过高。相较之下，参数量在一T左右的模型，如一T多一点的Sonet，可能更能被市场接受。目前用户对模型的评价标准正在发生变化，除了关注模型的智能水平，也越来越重视其响应速度和内容的可读性。

如何看待近期OpenAI的模型降价行为？这是否意味着行业将进入价格战，以及未来的降价趋势如何？

OpenAI的降价行为需要具体分析。以SOL 6.1为例，虽然价格下降，但其处理的token数量也增加了，因此用户最终的实际支出是否减少尚不明确。OpenAI此次降价后应该仍保留了一定的利润空间，但利润率预计已处于较低水平。模型公司存在多种看似降价但并未实质降低利润的策略，例如通过增大batch size来降低单位成本，但这可能会牺牲处理速度。实际上，OpenAI所有模型的QPS（每秒查询率）都非常低，其TPS（每秒处理token数）在测试中仅为十几，显著低于其他公司同类模型的小几十水平。因此，其降价是否伴随着服务速率的下降，还需要进一步观察。

考虑到当前全行业算力普遍紧张的状况，预计未来三个月内不会出现大规模的价格战。以Germany为例，由于TPU v8的大规模交付预计将延迟到2026年年底，公司正在限制免费用户的流量以节省算力。在各家厂商算力都紧张的情况下，主动降价的必要性不大。因此，至少在2026年年内，行业打价格战的可能性较低，因为算力供给远未满足市场需求。

贵司是否有相应的降价计划？

原则上没有降价。仅在Argonn产品的首月推广期（introductionary period）提供半价优惠。

GCP业务的增长情况如何，尤其是在企业端的需求表现怎样？

GCP的业务增长非常迅速，其增长斜率依然很高。一个显著的迹象是，GCP正在将整组的员工，包括原先从事云端软件（如数据库、基础设施）开发的团队，全部转型为FDE（Field Data Engineer），以应对强劲的客户需求。在此之前，FDE团队的规模就已经超过万人。为了满足需求并控制成本，公司正在加拿大和墨西哥等地大规模招聘FDE，利用当地相对较低的成本和友好的时区服务美国客户。例如，Google在墨西哥城已建立一个相当规模的团队，专门为美国用户提供FDE服务。

企业级AI产品的市场规模和客户采纳情况如何？

企业级AI产品的市场规模仍在持续扩大，整体的采纳率（adoption rate）相当高。目前最大的客户是英特尔，它已将相关业务从微软全面迁移过来。不过，这类产品主要按照坐席数量进行销售，其增长模式与按token用量计费的爆发式增长有所不同。

Google是否有计划推出类似muse的自有产品？

目前没有计划。

Meta的Muse单用户月成本是否仍维持在100美金的水平？

目前Muse已经施加了诸多限制，例如不再支持电话呼叫功能，但查询价格、预订票务等操作仍然可行，这可能是Meta在尝试降低成本。关于具体的成本构成，100美金的成本中，虚拟机可能是主要部分，而非单纯的算力消耗。

为什么像Muse这样的Agent应用需要为每个用户配置一个独立的虚拟机？

为C端用户配置独立虚拟机主要是为了满足其“跑腿”类需求，这些需求通常需要通过浏览器（browser use）来完成。如果在用户本地电脑上直接运行，Agent会与用户争抢浏览器控制权，影响用户的正常使用。例如，早期的某些应用在本地运行时，会出现鼠标被程序控制的情况。为了避免干扰用户本地操作及可能的操作失误，提供一个隔离的、专属于Agent的运行环境（即虚拟机）是必要的。

与Muse为每个用户提供独立虚拟机不同，国内的千问或Google的Spark采用共享虚拟机模式，这两种模式在成本和功能上有何差异？

采用共享虚拟机模式，例如Google Spark，是将多个用户的查询任务分配到一批共享的虚拟机上，通过安全控制机制运行不同进程，这种方式能够显著降低成本。然而，共享模式在安全性上有所妥协，无法支持某些高级或系统级的任务。例如，对于需要进行编码、安装特定软件或编译系统级软件的任务，独立的虚拟机环境是必需的。因此，为了提供更优质和完整的用户体验，尤其是在处理复杂任务时，独立的虚拟机或容器（如Docker、Kubernetes engine）是更理想的选择。例如，OpenAI的DOTS.就允许用户在虚拟机上自行配置软件，有用户甚至通过技术手段控制了DOTS.的虚拟机，在上面免费运行Claude Code等应用。

OpenAI的DOTS与Meta的Muse在产品定位和目标用户上有何区别？

DOTS与Grok Bot的定位更为相似，主要服务于小型企业（小B）用户。其内置了多种角色的Agent，专注于处理整理邮件、处理发票、制定计划、为不同客户自动撰写营销邮件以及收集反馈等商业场景。其名称DOTS.也暗示了其未来将包含多种角色的定位。相比之下，Muse的定位是纯粹的消费级（C端）应用，专注于满足用户的个人“跑腿”需求，例如订票、比价、致电餐厅询问优惠券使用规则等。

DOTS与Codex在使用体验和目标客群上有何不同？

首先，Codex需要在本地安装运行，如果没有配置虚拟机，它在执行需要打开浏览器的任务时会与用户争抢电脑控制权。而D.O.T.S.则提供了虚拟机环境。对于有能力自行配置虚拟机的Codex用户而言，他们可以通过编写详细的任务脚本（如订票并发送邮件通知）实现类似D.O.T.S.的功能，因此可能不太需要D.O.T.S.。D.O.T.S.的目标用户是那些不愿或不擅长编程、非技术背景的小B用户。这些用户的需求场景通常是替代传统的文职助理工作，例如房地产中介整理资料、处理税务相关事务、运营小型公司进行邮件营销和工作流程自动化等，他们更倾向于使用现成的、类似SaaS工作流的集成工具，而非编写代码。

如何看待当前个人Agent市场的竞争格局和商业模式？

目前市场竞争激烈，创业公司估值高企，Meta通过高额补贴推广Muse，OpenAI也推出了D.O.T.S.。对于Google而言，其Spark项目内部优先级很高（P0级别），但受限于算力资源而未能正式发布。市场各方仍在观察个人Agent市场能否真正发展起来。这类产品的成功更多取决于产品设计，与模型本身的能力关联度并非最大。一旦有公司成功验证了模式，其他具备算力资源的竞争者也能够迅速跟进，因此该领域的护城河深度尚不明确。目前除免费的Muse外，其他产品的用户量并不高，因为它们通常要求用户为高阶付费订阅者。对于订票、比价这类简单任务，用户每月支付200元（人民币）的意愿较低。Muse的盈利模式尚不清晰，一种可能是通过分析用户的行程和兴趣进行广告精准投放，但这种模式的价值大小还有待验证。

Muse或D.O.T.S.这类Agent在执行任务时，是调用Google的API生态（如知识图谱、搜索、地图、Gmail等），还是模拟用户行为进行操作？

从Muse的实际使用体验来看，其操作更倾向于模拟人类用户通过浏览器进行交互（act as a user），而非直接调用API。例如，在预订餐厅时，可以看到其操作界面中展示了打开Google Maps、查询电话等浏览器行为的缩略图。这种模拟人类操作的方式导致其任务执行速度不是非常快。

海外市场对浏览器生态的依赖是否是造成Agent产品形态与国内差异的原因？

是的，海外市场浏览器生态依然非常重要。此外，从技术层面看，目前AI对设备本身（device control）的直接操控能力还比较弱，而通过浏览器进行操作的技术则相对成熟。

Google是否会限制Muse的访问，以及Muse这类产品的崛起是否可能颠覆Google的现有业务？

目前Google尚未对Muse进行限制。在使用Muse的过程中，虽然有时会遇到比平时更多的认证窗口，但Muse依然能够通过验证，这反映了其自身的技术能力。Muse这类产品的确存在颠覆Google的可能性。如果未来用户习惯于通过Agent完成任务，而不再是人类亲自点击网页，那么传统搜索引擎和网页广告的商业模式将受到冲击。这种颠覆的可能性最终取决于这类Agent产品的用户采纳率（adoption rate）能达到多高的水平。