Opus 5.5 与 Sol 让团队分道扬镳

原文：https://every.to/context-window/opus-5-5-and-sol-split-the-team

你好，周日快乐。本周有三款新模型发布，我们每一款都做了 Vibe Check：Opus 5.5 把我们的几位团队成员拉回了 Claude，GPT-6 Sol 成了 Dan Shipper 的新日常主力，而 Grok 4.7 赢回了一位重度用户（但也仅此一位）。随后，偷师这些汇总了本周的工作流：Mike Taylor 谈基准测试与写作，Jack Cheng 和 Douglas Brundage 谈 Jev，Becky Isjwara 谈视频。另外有几件事务通告：Micah Rich 将在 10 月 2 日周五主持一场提示词工作坊，而 Thesis: 2027 只剩最后几张票了。——Kate Lee

Vibe Check

两款模型在周二发布，另一款在周一。以下是我们对每一款的结论。

《Vibe Check：Opus 5.5 正把我们的 Codex 用户拉回 Claude》 由 Katie Parrott/Vibe Check 撰写：Katie 和团队发现，Opus 5.5 在产品与设计工作上追平、甚至超过了 Fable 5.1，而每 token 成本低了 60%——足以成为 Kieran Klaassen 的新日常主力，也让几位 Codex 用户心动着回归 Claude。但仍有两个重要的权衡：Opus 会把重点埋在冗长的叙述里，而且除非你设定预算，否则它一跑就是好几个小时。

《Vibe Check：GPT-6 Sol 对决 Opus 5.5》 由 Dan Shipper/Vibe Check 撰写：Dan 的结论是：如果你想要一个在 Codex 里快速、更便宜的日常主力，并且能开门见山地给出主旨，就选 Sol；如果你愿意为更有野心的编程和视觉任务多付钱——比如它做出、而 Sol 没能完成的那个网络摄像头心率监测器——就选 Opus 5.5。

《Mini-Vibe Check：Grok 4.7》 由 Laura Entis/Context Window 撰写：Mike、Kieran 和 Tyler Nishida 在 Grok 4.7 周一发布时，就已经在为一次 Vibe Check 做测试，所以我们在周四推出了一个简短版本。它赢回了 Tyler，后者觉得它足够便宜、足够好操控，可以重新当回他的日常主力，但没能赢回其他人：Kieran 在 Opus 5.5 面前根本不会考虑它，而 Katie 觉得它的写作没有节奏，也不懂读者。

偷师这些

本周四篇操作指南里，九个可以直接上手的工作流：

为你自己的工作构建一个基准

来自 Mike Taylor 的《如何创建你自己的个人 AI 基准》

  • 从 AI 做错的任务入手。 Mike 让他的编程智能体在过去一个月的会话中检索出 10 个需要大量来回、或者干脆被放弃的任务，然后把它们放到几个模型上跑，并排比较输出结果。提示词
  • 把品味变成测试。 Mike 口述他对每个输出的喜欢与不喜欢，让模型把这些转成一套可复用评分标准上的"是/否"检查项。方法
  • 验证你的基准。 为了从一个私人测试变成一个站得住脚的基准，Mike 把每一个任务简报、输出和每一轮反馈都存进每个任务对应的一个 skill 里，这样每个 skill 会累积 20 个以上的案例，外加一个"金星"范例和一个评测脚本。文件夹结构

用 AI 写作而不丢失你的声音

来自 Mike Taylor 的《好的 AI 写作始于提示词之前》

  • 提示之前先思考，初稿之后再判断。 Mike 用 AI 写作的 12 步流程把一天的写作压缩到不到两小时：他先在 Monologue 里想出标题、收集素材、随口发散，然后才让模型起草；从每个版本里挑出他最喜欢的部分后，结尾由他自己写，细节的分寸也由他自己与编辑们辩论。流程
  • 亲眼看它发生。 周四，Mike、Katie Parrott 和 Jack Cheng 在镜头前用 AI 写作和编辑，为我们"我们如何写作"系列收官。录像

让 Jev 干活

来自 Laura Entis 的《如何充分利用 Jev》

  • 把瞬时判断交给 Jev。 Mike 的经验法则是：如果一个人能在 10 秒内做出决定——整理这封邮件、标记这个短语——就把任务交给 Jev，把任何更慢的事情留给语言模型。原因在此
  • 把模糊的问题变成检查项。 对于"这件事紧急吗？"这类主观问题，Jev 无法回答，除非你定义清楚这个术语，所以这个工作流会让你的智能体来采访你，把定义转成 Jev 能打分的"是/否"检查项，再用你已经判断过的条目来测试它们。步骤
  • 从 X 上抄一个 demo。 Douglas Brundage 把一个 Jev demo 交给为他撰写早晨新闻扫描的 Grok 机器人，问它："你能直接做这个吗？"如今这个机器人每天早上审阅 500 多条帖子，包括他在 X 上从未见过的那些。提示词

把一篇文章变成视频

来自 Laura Entis 的《为什么评测现在这么火》

  • 先做分镜，再动画。 Becky 给 Claude 一个文章 URL，批准一个采用封面配色的静态图分镜，让 Hyperframes 把它变成一个 18 秒的片段，然后在预览里逐个场景修改。步骤

知识库

《为什么评测现在这么火》 由 Laura Entis/Context Window 撰写：Lenny Rachitsky 上周分享的产品管理职位中，近一半要求有撰写评测的经验，而 Nityesh Agarwal 解释了原因：如今模型的能力已经足够强，决定你用哪一个的，是速度、价格和品味。个人基准就是你知道一次发布是否改变了自己处境的方式。本期还有：Willie Williams 谈为什么 Slack 智能体是新的网站。

《Copilot 在组织架构图里获得了一个席位》 由 Ryan Sloan 撰写：Ryan Sloan 前往华盛顿州雷德蒙德参加微软的发布会，试用了新的 Copilot，它把聊天、代码、Office 以及一个名为 Autopilot 的常驻智能体整合进同一个应用，而这个应用拥有你的文档、对话和权限。当他让 Copilot 把一张表格从 Word 移到 Excel 时，它找到了两个文件，却说它没有编辑该工作簿的权限：那些让它在公司内部值得信赖的 IT 管控，同样也会阻止它完成一项普通任务。

论点陈述

在论点陈述中阅读来自前沿构建者和思想者的另外五条预测，这是一组关于"人类与 AI 协作的优秀工作之未来"的、具体且可争论的主张。

加入我们于 2026 年 11 月 5 日举办的首届 Thesis: 2027 大会。仅剩不到 50 张票。

上手

亲手体验 Every 如何使用 AI。在这些[现场训练营、工作坊和聚会](https://every.to

三个模型分裂一个团队的发芽报告

材料核心

一周内三个新模型（Opus 5.5、GPT-6 Sol、Grok 4.7）落地，Every 团队的判决不是"谁最强"，而是"谁最适合我"——三个人选了三个日常主力。当模型能力已经"够用"，决定选择的不再是分数，而是速度、价格和品味；而这也解释了为什么 evals 突然成为热门技能，以及为什么一个"可信"的企业工具反而做不了简单的事。

发芽 01：当模型好到"没有赢家"——公共基准饱和与私人基准的崛起

种子

材料的判决里藏着一个反常识：三个模型同时发布，团队却没有一个统一赢家。Nityesh Agarwal 给出的解释是关键——"模型已经足够强，决定你用哪个的是速度、价格和品味"。换句话说，能力已经退出了竞争，能力之外的东西成了新的战场。

这其实是 AI 领域一个已经发生过一轮的剧本。2010 年代，ImageNet 是判断视觉模型强弱的公共标尺，由李飞飞团队在 2009 年发布，2010 年开启竞赛。它的错误率从最初约 28% 一路下滑，到 2017 年降到约 2%——标尺本身被刷爆了。随后是 GLUE（2018）、SuperGLUE（2019）、MMLU（2020），几乎每一代公共基准都在几年内被推到人类水平，然后失去区分度。这就是 Goodhart 定律在 AI 里的重演：经济学家 Charles Goodhart 在 1975 年提出，当一项指标变成目标，它就不再是好的指标；Marilyn Strathern 在 1997 年把它提炼成那句名言。

公共基准的宿命就是饱和——因为它对所有人是同一个任务，所以注定被集体刷爆。这也正是 Mike Taylor 的方法为什么重要：他的"个人基准"不是从公共题库里抽题，而是从 AI 搞砸过的、需要反复拉扯或被你放弃的那 10 个任务开始。这样的基准不会饱和，因为它是从你的失败里长出来的，而你的失败是私有的、持续更新的。

材料里还有一个信号与之呼应：Lenny Rachitsky 分享的 PM 招聘中，近一半要求会写 evals。这说明"把品味翻译成测试"正在从个人技巧变成职业能力。

Aha 瞬间

"公共基准的任务是证明模型变强，私人基准的任务是证明模型对你变强——前者会被刷爆，后者永远在生长。"

发芽 02：一个团队，三种"日常主力"——能力过剩之后，市场按品味分裂

种子

Opus 5.5 把几个 Codex 转换者拉回 Claude，Sol 成了 Dan 的日常主力，Grok 4.7 只赢回 Tyler 一个人——Kieran 看都不看它，Katie 嫌它写东西没有节奏。这不是团队意见不合，这是一个市场成熟的标志。

历史上有过一个几乎一模一样的转折。福特 Model T 在 1909 年问世后长期只提供黑色（那句"任何颜色，只要它是黑的"出自福特 1922 年的自传），因为当时的竞争焦点是"能不能造出便宜可靠的车"。但到了 1920 年代，Alfred Sloan 执掌的通用汽车推出了"为每一种钱包和用途造一辆车"（a car for every purse and purpose）——不同的颜色、不同的价位、不同的定位。结果是，当汽车变得"够好"，竞争就从功能转向了适配，通用在 1927 年销量超过福特。

Every 团队的分裂，正是这个逻辑的微缩版。Opus 5.5 在产品和设计工作上追平甚至超过 Fable 5.1，价格却低 60%，于是它赢的是在乎"每 token 成本 × 设计质量"的人；Sol 快、便宜、开门见山，赢的是要一个快速日常主力的人；Grok 便宜、可控，只对"愿意花时间调它"的 Tyler 有吸引力。三种偏好，三个赢家。当没有一个模型对所有人最优，团队里出现三个日常主力就不是混乱，而是市场已经跨过了"唯一最优解"的门槛。

这也和 Arielle Shipper 的预测咬合——"每一个 token 都将与一个预算、一个主人或一个结果挂钩"。当选择变成个人化的，成本结构也就变成了个人化的。

Aha 瞬间

"当能力变得充裕，选择就不再是选'最好'，而是选'最适合你'——一个团队里出现三种日常主力，不是分歧，是成熟。"

发芽 03：Copilot 的权限悖论——可管理性与可用性的对撞

种子

材料里最短的一段，藏着最锋利的张力。Ryan Sloan 在微软 Redmond 的发布会上试新 Copilot，让它把一个表格从 Word 搬到 Excel——它找到了两个文件，然后说：没有编辑工作簿的权限。材料的判断是："让它在公司里值得信赖的那些 IT 管控，同样能让它做不了一件普通的事。"

这不是 bug，这是所有组织化智能的宿命。政治学家 James C. Scott 在《Seeing Like a State》（1998）里讲过一个经典案例：近代国家为了管理森林，把它简化成可计量的"立方木材积"，森林因此变得可读、可税、可控——但也因此失去了林下植被和生态韧性。可读性是控制的前提，而控制有时是失效的前提。 科层系统必须先让事物变得"看得懂"，才能管住它；可一旦把工具压进这套可读的框架，它就被削掉了越界做事的能力。Copilot 的权限系统就是这片被简化的森林。

安全工程里也有对应的老原则——Saltzer 和 Schroeder 在 1975 年提出的"最小权限"（least privilege）。它保护系统，也束缚系统。企业 AI 因此站在一个真实的两难上：让它可信，和让它有用，可能是两个方向相反的项目。

而这恰好和发芽 01 形成对照：私人基准是个人夺回判断权的方式，Copilot 悖论则是组织收回控制权的代价。一个在问"我该信哪个模型"，另一个在问"公司该放多少权给模型"——它们是同一个信任问题的两端。

Aha 瞬间

"让一个工具变得可被管理，和让它变得有用，有时是两个相反的项目。"

你的思考空间

  • 如果品味成了决定性变量，品味能教吗？还是只能靠一次次"AI 搞砸"积累出来——这对刚入行的人意味着什么？
  • 当团队三个人用三个不同的日常主力，"协作"会变成什么样？共享的产物、共享的提示词、共享的判断标准，还能对齐吗？
  • Copilot 的权限悖论是可解的吗？还是说，任何进入组织的 AI 都注定要在"可信"和"能干"之间选一边——这条线应该划在哪？
  • 如果 evals 正在变成一项职业能力，那么"说不清自己想要什么"的人会付出什么代价？
  • 市场会一直按品味分裂下去，还是会在某个点重新收敛到少数几个赢家？分裂的尽头是碎片化，还是新的标准？

说明：本文的外部延展（ImageNet/GLUE/MMLU 的基准饱和史、Goodhart 定律、福特与通用的市场成熟案例、James C. Scott 的"可读性"理论、最小权限原则）均用于放大材料本身的核心张力，具体史实与出处以公开资料为准。