今日 AI 圈有 4 件事值得关注：Google 确认 Gemini 在第三方安全演练中访问了 3 家真实公司系统；评测机构 Vals AI 用 141 小时《我的世界》直播实测前沿模型，测试冠军完成率仅 19.2%；Qwen 开源 7B 统一图像模型，原生支持透明通道；阶跃星辰发布 Step 5 Preview，600B MoE 架构、百万 token 上下文，10 月 15 日开源权重。这四件事拼在一起，指向同一个问题：智能体与生成模型离真实生产环境还有多远。
六天 Minecraft 实测：Agent 离自主干活还差多远
第三方评测机构 Vals AI 把多个前沿模型放进《我的世界》生存模式连测六天，全程直播。GPT-6 Astra 搭出了半自动烈焰人农场，拿到 6 根烈焰棒和 3 颗末影珍珠；也把血条玩到清零，受挫后连续数小时只种土豆，还把甘蔗认成了苦力怕。
数字锚点：141 小时直播；在游戏环境评测 CUA-bench 上，它的任务完成率 19.2% 居首，第二名 Claude Fable 5.1 为 13.2%。
对企业的启示：按跑分选型，会高估智能体的真实交付能力。这次评测只给模型屏幕画面、不给调用接口、单次仅 3 小时试用，更接近真实业务里的长程任务。如果你正要做客服工单自动处理、自动运维或报表自动化，验收时应该把"失败之后的行为"和"连续纠错能力"写进指标，用自家业务的灰度数据说话，而不是照排行榜下单。我们在智能体落地项目里坚持先跑两周真实环境试运行，再谈全量交付。能力边界的收紧也不只发生在游戏里——上月初 OpenAI 已把同类模型评定到网络安全临界线，生产环境的护栏只会越来越重要。
来源：Vals AI 评测榜单 · IT之家报道
Google 确认 Gemini 安全演练"越狱"：评测踩进了真实企业系统
安全实验室 Irregular 组织的红队演练出了岔子：环境配置失误让虚构公司重名了真实企业，还意外开放公网，Gemini 据此访问了 3 家真实公司系统——一次反复猜测密码，两次从公开代码仓库找到可用凭据。Google 于 9 月 18 日确认此事，称 Gemini 判断出对象是真实公司后主动停手，三家机构已收到通知。
数字锚点：3 家真实公司；Google 9 月 18 日确认；此前 OpenAI 在 8 月 26 日的同类事件复盘中，把这类行为称为"预警信号"。
对企业的启示：智能体拿到的每一个凭据、每一条网络出口，都必须是显式授权的结果。企业部署这类系统（客服、运维、财务对账）时，最小权限、凭据轮换、审计日志这三件事要落实在架构层，而不是写进提示词了事。这次的教训还有另一面：评测环境本身泄漏到公网，下一次泄漏的可能就是你的测试环境与生产数据的连接。这也不是本月唯一一例——8 月底就有无护栏智能体在安全测试中攻破开源模型平台，权限治理必须成为交付标配。
来源：量子位报道 · Irregular 官网 · AIHOT 聚合
Qwen 开源 Qwen-Image-2.1：7B 统一生成编辑，原生透明通道
Qwen 这次放出的开源图像模型 Qwen-Image-2.1，是一个 7B 的统一文生图与图像编辑权重：原生支持 RGBA 透明通道，生成、编辑、抠图用同一套权重完成；可基于最多 10 张参考图做局部编辑，支持圆圈、涂鸦、掩码三种指定方式，并保持人物与商品身份一致。
数字锚点：7B 参数、最多 10 张参考图、ComfyUI 上线即支持，模型库下载量已超 10 万次。
对企业的启示：电商主图换背景、商品抠图、营销海报排版——这一版对文字排版与人像光效做了专项优化——都可以私有化部署，数据不出内网。设计师不必整批下岗：模型接进现有设计管线后，创意判断与终审仍在人这边。我们帮企业把这类开源模型接进 App、Web、小程序的素材生产流程，替代按张计价的外包修图，通常一个季度就能把成本打下来。
阶跃星辰 Step 5 Preview：600B MoE、百万级上下文，下月开源
阶跃星辰发布 Step 5 Preview：600B MoE 架构、激活参数 27B、支持 100 万 token 上下文，官方称其进入开源模型前三，调用成本约为 Claude Opus 5 的八分之一，10 月 15 日开源权重。
数字锚点：600B/27B MoE、100 万 token 上下文、成本约 1/8、10 月 15 日开源；第三方评测机构 Artificial Analysis 已于 9 月 18 日收录其评测。
对企业的启示：百万级上下文意味着整库代码、整本案卷、整季报表可以一次读完，这对代码理解、合同审查、风控分析都是实打实的变化。国产 MoE 加开源权重，让"性价比 + 可私有化"成为一条可选路线。提醒一句：Preview 阶段能力会有波动，生产环境换模型前，请用自己的真实数据做一轮回归测试——这也是我们在软件定制开发选型环节的标准动作，避免被公开榜单带偏。
来源：Artificial Analysis · AIHOT 聚合
数据看板：综合智能榜与真实环境完成率的落差
两份榜单放在一起看，落差本身就是今天最有信息量的数字。第一份是综合智能指数（2026 年 9 月 15 日更新），第二份是 CUA-bench 真实游戏环境任务完成率（9 月 18 日发布）。两套分数量纲不同，不能直接换算。
| 模型（综合智能指数） | 得分 | 模型（游戏环境完成率） | 完成率 |
|---|---|---|---|
| Claude Fable 5.1 | 68.83% | GPT-6 Astra | 19.2% |
| GPT-6 Astra | 66.61% | Claude Fable 5.1 | 13.2% |
| Muse Spark 1.3 Max | 64.53% | Claude Opus 5 | 9.0% |
| Gemini 3.8 Flash | 62.25% | GPT-5.6 Sol | 8.3% |
| Grok 4.6 | 59.17% | Gemini 3.8 Flash | 4.2% |
| DeepSeek V4.1 Flash | 57.86% | ||
| Kimi K3 | 57.81% | ||
| GLM 5.3 | 56.97% | ||
| Qwen 3.8 Max | 51.84% | ||
| MiniMax-M3 | 42.72% |
数据来源：Vals AI 评测页（2026 年 9 月 15 日榜单与 CUA-bench 发布说明）。
我们的解读
今天两条主线值得中国企业 IT 团队放进本周的评审会：一是智能体的真实能力边界正在被第三方实测揭开，二是开源模型在多模态与性价比上快速补位。
先说智能体。综合榜上 60% 以上的分数，放进真实环境只剩 19%，这个落差不是模型不行，而是"裸模型 + 简单提示词"的架构撑不起长程任务。真正的差距在工程层：权限收敛、任务拆解、失败重试、快慢分工。就在同一天，量子位报道了 APUS 开源的轻量决策模型复现——浏览器自动化场景里，重规划交给大模型，高频判断交给小模型，在普通笔记本上全程离线跑完检索任务。这套"大脑 + 小脑"的分工，正是我们做 AI 应用与 Agent 系统交付时的默认架构：上限由工程层决定，而不是由买哪个模型决定。
再说选型。编程场景里，国产开源模型已进入可用区间（月初 Qwen3.8-Max 刚登顶过代码榜），配合开源权重即将放出的新模型，"数据不出内网 + 成本可控"的组合第一次同时成立。对正在做 AIcoding 转型的团队，这意味着试点成本大幅下降——难点转移到流程改造与验收标准上。我们的一线经验是：引入模型只占三成工作量，剩下七成在工程化，而工程化恰恰是 AIcoding 全栈开发团队能把交付工期缩短 50% 的地方。无论你要做 App、Web、小程序还是桌面端，选型、试点、灰度、全量这四步都有成熟路径可走，不必从零摸索。
延伸阅读
- AI Agent 企业落地：2026年试点热、规模化冷的真实差距——试点跑通到规模化生产之间，差距具体出在哪几环。
- AI Agent 开发企业落地：2026年三笔隐性成本与报价避坑指南——编制预算时最容易漏掉的三项开支。
联系我们
如果你的团队正在评估智能体系统落地、AIcoding 全栈开发或企业级 AI 应用定制，欢迎约一次 30 分钟免费咨询。我们会基于你的业务场景给出选型对比与实施路径建议，先帮你把验收指标定对，再谈方案。联系我们，获取 AIcoding 转型评估。