AI 模型对比 2026 年中续篇：blog166 发布 52 天后，我 5 月的判断错了几条
为什么要写”续篇”，而不是又一版对比
blog166 是我 5 月 15 日发的 「AI 大模型对比 2026 年中版」，那时距离 blog080 刚过两个多月，模型层已经换了一轮。这篇是 blog166 之后52 天——2026 年 7 月 6 日。
52 天里我收到的读者反馈里，最高频的一句话不是”再更一版”，是这句：
“你 5 月说的那些建议现在还成立吗？”
按 blog166 的写作方式再写一版 “7 月版”，本质是重复劳动，也是硬撞 blog166。所以这次换个更诚实的做法——回头校验 blog166 具体说过什么、哪些成了、哪些错了。
对读者的价值在于：任何模型对比文章的正确姿势不是”当下最优”（当下最优每两个月都变），是”上一份分析里我错在哪，为什么错，如何避免下次再错”。这是别人复述新闻做不到的东西。
blog166 5 条主要判断的兑现表
先把 blog166 里做过的所有可校验判断列出来，逐条给现在的兑现状态：
| # | blog166 5 月的判断 | 7 月现状 | 兑现情况 |
|---|---|---|---|
| 1 | Opus 4.6 → 升 Sonnet 4.6（$3/$15）作为日常默认、复杂任务用 Opus 4.7（$5/$25） | Opus 4.8 / Fable 5 已发布，Sonnet 线 6-30 直接从 4.6 跳到 Sonnet 5，成本-能力曲线整体前移 | ❌ 过时 |
| 2 | 开源和闭源前沿差距 缩到 5-15 分（SWE-bench / MMLU 任意基准） | GLM-5.2 在 BenchLM 综合榜 91/100，Claude 系约 93 —— 差约 2 分 | ⚠️ 方向对，幅度严重低估 |
| 3 | Opus 4.6 退役时间 2026-06-15，API opus alias 会自动切 4.7 | 6/15 后 Opus 4.6 确实进入 deprecated 状态，Anthropic 发布节奏往后拉了 Opus 4.7 → 4.8 → Fable 5 三档 | ✅ 成立 |
| 4 | Anthropic 定价维持不变、在别人降价背景下相对变贵 | Opus 4.8 官方仍 $5/$25 input/output（GPT-5.5 已明显降价、GLM-5.2 官方 $1.40/$4.40 更是杀进腰斩线） | ⚠️ 成立但正在验证 —— Anthropic Fable 5 会不会开新档位待观察 |
| 5 | ”开发者经济门槛降一档”（独立开发者月预算从 3 月的 $50 降到 5 月的 $20 也能跑完整工作流） | 更极端：ZCode 官方 Coding Plan Lite $16.2/月、GLM Coding Plan 免费档 5M tokens/day，Ponytail 这类 skill 让同样任务代码量再省约 54%、token 省约 22% | ✅ 超预期 |
5 条里：1 条过时（#1 Sonnet/Opus 建议）、1 条方向对但幅度低估（#2 开源差距）、1 条成立（#3 Opus 4.6 退役）、1 条成立但仍在验证（#4 Anthropic 定价）、1 条超预期（#5 开发者门槛）。 严格算：完全成立 2 条、成立但需重估 1 条、方向对幅度错 1 条、完全过时 1 条。宽口径命中率 60%、严口径命中率 40%——看你怎么算，都不是”照抄就好”的档次。
下面分别拆 3 条最重要的：反悔 1 + 反悔 2 + 1 条仍在验证。
反悔 1：Sonnet 4.6 + Opus 4.7 这套建议已经过时
blog166 里我给读者的实操是：
如果你当时选的是 Claude 3.5 Sonnet 作为日常默认，升到 Sonnet 4.6（$3/$15）即可——同价位但编程能力大幅提升。如果选的是 Claude 3 Opus 处理复杂任务，应该直接升到 Opus 4.7（$5/$25）。
52 天后这条为什么过时：
- Opus 4.7 → Opus 4.8 已经发布，性能强化 + 部分 benchmark 反向下降（blog199 里我拆过 Semgrep IDOR 上 Opus 4.8 F1 = 28% 比 Opus 4.6 = 37% 反向低 9 个点 —— 新模型不一定所有细分任务都强）
- Anthropic 6 月发布 Fable 5（blog190 里我拆过它对 API 集成方的 5 个真正需要改的点）—— 名字换了 model family，但 API stop_reason 加了 refusal，dual-model fallback 变成事实上刚需
- Sonnet 5 于 2026-06-30 发布（Sonnet 4.6 直接跳到 5，中间没有 4.7 —— Anthropic 的 Sonnet/Opus 版本号不同步是刻意设计）—— 单看性价比曲线，Sonnet 5 已经比 5 月我推荐的 4.6 更值
修正后的实操建议（2026-07-06 版）：
| 场景 | 5 月建议（blog166） | 7 月更新 |
|---|---|---|
| 日常编码默认 | Sonnet 4.6（$3/$15） | Sonnet 5（$3/$15，2026-06-30 发布，性能更好同价） |
| 复杂多文件重构 | Opus 4.7（$5/$25） | Opus 4.8（$5/$25），但要注意 offensive security / IDOR 这类细分任务上 4.6 反而更强 |
| 长上下文 agent 任务 | Opus 4.7 | Opus 4.8 或考虑 GLM-5.2 1M context（价格 1/6，见反悔 2） |
| refusal 敏感的场景 | 未考虑 | 必须做 dual-model fallback（详见 blog190） |
教训：blog166 里”就选 X”这种指令性语气本身有问题。任何模型建议在 2 个月尺度就会变，写文章时必须明确写清”这是 5 月 15 号的数据、决策周期建议每 45-60 天复盘一次”——不然读者会把 3 个月前的推荐当今天的最优决策，那是我的锅。
反悔 2：开源和闭源”差 5-15 分”过时，实际差约 2 分
blog166 里我写的是：
blog080 写时，开源模型和闭源前沿的差距是 25-40 分（SWE-bench / MMLU 任意基准）。现在缩小到 5-15 分。
7 月现状：GLM-5.2 在 BenchLM 综合榜 91/100 第 4 名，Claude 系约 93 分。差约 2 分（blog199 里我详细拆过这条）。“5-15 分”这个区间上限低估、下限严重低估。
更值得注意的是这个”2 分差距”背后：
- 单场景：GLM-5.2 在 Semgrep IDOR 漏洞检测上 F1 = 39%，反过来超过 Claude Code Opus 4.8 的 28%（blog199 详拆）
- 成本：单次漏洞检测成本约是 Claude 的 1/6
- 权重开源：GLM-5.2 是 MIT 协议开源，任何团队都能特化训练
- 上下文：1M context 是 Claude Opus 系（200K）的 5 倍
修正后的判断：“5-15 分” 这个区间已经不能描述现状。“综合基线约 2 分差 + 单个特化场景反超 + 5 倍上下文 + 1/6 成本”是更准确的说法。这个变化意味着——闭源前沿的护城河不是”模型能力”，是”综合稳定性 + 生态成熟度 + 品牌信任”这些非技术侧。
对 5 月已经开始迁移的开发者，现在该更激进地在特化场景里替换。对还没迁的，先做小规模 pilot（一两个非核心场景，跑 30 天）比一次性大迁移安全得多。
仍在验证：Anthropic 定价策略
blog166 里我说：
Anthropic 定价维持不变、在别人降价背景下相对变贵。
这条现在仍成立但情况比预期复杂：
- Opus 4.8 仍 $5/$25——Anthropic 主线定价没变
- GPT 主线继续降价（OpenAI 官方定价页可查，这个方向 blog166 判断对）
- GLM-5.2 官方 $1.40/$4.40 input/output 直接杀进腰斩线（这个 blog166 没预判，是 GLM-5.2 6 月发布的新变化）
- Anthropic 没跟降：说明它选择的路径是”保定价 + 保能力增速 + 保企业市场信任”三头下注，而不是价格竞争
未解的问题：Fable 5 命名换了 family（不叫 Opus 5 或 Claude 5），可能对应新定价策略。7 月还没有公开数据表明 Fable 5 是”高端加价档”还是”平行新档位”，需要等 8-9 月市场反应再定论。
给读者的当前操作：如果你正在评估 Anthropic 长期投入，不要因为”竞品在降价”就假设 Anthropic 会跟降——它明显选了不同战略。规划 6 个月预算时，用 Opus 4.8 $5/$25 作为基线更稳。
我 blog 项目 6 个月路由的真实观察
从 2026 年 1 月到今天（blog080、blog166 两个复盘节点分别在 3 月和 5 月），我博客的 agent 层用过（或试过）以下模型路由：
- 1-2 月：主要 Claude 3.5 Sonnet（blog 生成 + 校对同一模型，token 单价 $3/$15）
- 3-4 月：切 Sonnet 4.6（blog166 里的推荐），生成 + 校对分离
- 5 月：Sonnet 4.6 生成 + Opus 4.7 二次校对（blog190 里讲的双模 fallback）
- 6 月：Fable 5 发布后短暂全线迁到 Fable 5，因为 stop_reason:refusal 触发率高、拒答风格改变，反而把校对切回 Opus 4.7
- 7 月当前：Sonnet 5（6-30 发布）生成 + Opus 4.8 二次校对——校对触发 refusal 的比例明显下降，同时 Opus 4.8 在数字/引用精度上比 4.7 有可感提升（blog199 发布时把综合榜差距错写成 9 分——真实约 2 分，9 分是 IDOR 单场景的数——就是这个组合抓出来的：校对 pass 抓到跨全文 8 处一致的方向错误）
尚未落地的：GLM-5.2 我在博客生成路径里没上生产。理由不是能力不够，是中文 SEO / AdSense 复审窗口期风险——我博客主市场是中文，AdSense 目前正在 7/10 复审，任何非 Anthropic 主线的模型引入都会打乱内容风格的可预测性。等 AdSense 通过后再评估 GLM-5.2 独立在特定任务上试点。
这不是最优路径，是保守路径。审慎的路由决策是”知道所有可选项，选适合当前风险预算的”——GLM-5.2 综合便宜 1/6，但目前对我不划算。
5 月说对的部分
不全否定 blog166。有 2 条 5 月我说对的：
成立 1：Opus 4.6 退役时间 2026-06-15。 真实发生。Anthropic 按预告节奏发布，API opus alias 平滑过渡到 4.7 再到 4.8。这条 5 月能预判是因为 Anthropic 官方 blog 明确写过。从 blog166 到 blog203 期间对模型 lifecycle 管理没打乱，是 Anthropic 值得信任的一个信号。
成立 2：开发者经济门槛降一档。 7 月更极端。ZCode Coding Plan $16.2/月起、GLM Coding Plan 5M tokens/day 免费、Ponytail 这类 skill 让单次任务 token 减约 22%、代码量减约 54%（blog202 里我实测了一个组件从 196 行砍到 25-30 行、约 -84%）。
这两条不是巧合成立——它们都不是对某个模型”能不能出”、“性能会不会强”的预判，都是对结构性趋势（Anthropic 内部 lifecycle 节奏、开发者定价 race-to-bottom）的判断。结构性趋势比单模型预测更容易命中——因为它们由市场和商业动力驱动，不由一次发布决定。
教训写进方法论：本次 5 条里，2 条结构性趋势判断全中，3 条模型级预测里只有 1 条完全对（Opus 4.6 退役日期）——2 条错（Sonnet/Opus 具体建议、开源差距幅度）。样本量 n=5 不足以推出稳定命中率，但方向明确：模型对比文章的预测部分应该多写结构性趋势，少写”哪个模型两个月后领先”。
下次校验：什么时候写下一版
blog166 → blog203 是 52 天，宽口径命中率 60%。下一版校验节点我想清楚三条硬指标：
- Anthropic Fable 5 定价明朗（预计 8 月）——如果开新档，第 4 条 “Anthropic 维持定价” 会翻转
- GLM-5.2 之后是否有 GLM-5.3 / K2.6 追加（预计 9 月）——如果综合分差进一步压缩到 1 分内，反悔 2 号需要升级为”闭源前沿差距已经不能用一个数字描述”
- AdSense 复审结果（2026-07-10）——直接影响我 dogfooding 观察里 GLM-5.2 会不会进入生产
我个人的赌注：下次校验 8 月中或 9 月初，按 Fable 5 定价明朗节点走。不会日更——这是我博客新 WRITE_RULES 里 “每周最多 2 篇” 的硬约束，也是这次校验最应该实践的教训。
收尾
blog166 和这篇 blog203 加起来，构成一份”模型对比文章的元规律”——不是告诉读者”选哪个”，是告诉读者”上一版建议里哪里错了、错的原因、下一版怎么写更靠谱”。
如果你正在做长期模型选型决策，比起”网上最新版对比表”，更值得看的是：你 3 个月前做的判断现在成立吗？成立的原因是结构性趋势还是运气？错的原因是模型层变太快还是判断维度不对？
52 天前我说的话，严口径 40% 过时、宽口径 60% 命中——但过时的判断本身是最有价值的数据。下次校验、下次预测，我会少写”哪个模型两个月后领先”，多写”这个降价 / 这个开源节奏 / 这个 API 命名变化背后的结构性动力”。
延伸阅读：
- blog166 - AI 大模型对比 2026 年中版 - 本文追问的原始版本
- blog080 - 2026 AI 大模型全景对比 - blog166 追问的更早原始版本，可看 5 个月连续演化
- blog190 - Claude Fable 5 上手两天 - Fable 5 命名变化和 API 集成方 5 件事
- blog199 - GLM 5.2 场景特化超越 - 反悔 2 数据基础
- blog202 - Ponytail 三周 73k star - 第 5 条”开发者门槛降一档”结构性趋势的验证案例