GPT-5.5 表现领先但易幻觉、Kimi K2.6 登顶开源 LLM、LLM 与人类战略思考
本期要点：GPT-5.5 客观基准领先但幻觉率高、Kimi K2.6 登顶开源权重 LLM、大 AI 公司气候承诺承压、LLM 在石头剪刀布中比人类更系统化。
编者按：2026 的提示方式与 2022 大不相同
作者：Andrew Ng
Ng 推出新课《AI Prompting for Everyone》帮助每个人成为 AI 高级用户——无论现有技能水平。
2026 vs 2022 提示方式的差异
- 多数人还在用 LLM 问简短问题
- 但模型能做更多：思考几分钟、吞下大量文档作上下文、用网络搜索和其他工具
课程覆盖
- 用 deep research 模式做复杂问题的深度报告
- 给 AI 正确的上下文（包括比多数人意识到的更多文档和图像）
- 何时让 AI 思考几分钟——重要决定如买车、学什么、接什么工作
- 用 AI 生成图像、分析数据、构建简单游戏和网站
- 模型底层直觉（何时信任输出，何时不）
课程不要求技术背景，分享给可能受益的朋友和家人。
GPT-5.5 领先但易幻觉：客观基准与主观偏好分叉
OpenAI 旗舰模型 GPT-5.5 在重要基准上达到新 SOTA，但难以区分知道什么和不知道什么。
核心规格
- 输入输出：文本/图像入（API 100 万 token / Codex 40 万 token），文本出 128K
- 特性：5 档推理（xhigh/high/medium/low/none）、工具调用、网络搜索、结构化输出、工具搜索（API 按需加载）、Fast 模式（Codex 限定，提速 1.5x 但价 2.5x）
性能表现
| 基准 | 排名/分数 |
|---|---|
| Artificial Analysis Intelligence Index | 第 1（60 分，xhigh） |
| ARC-AGI-2（视觉推理） | 85.0%（$1.87/任务）（替代 Gemini 3 Deep Think 84.6% at $13.62） |
| AA-Omniscience Accuracy（事实回忆） | 第 1（57%） |
| AA-Omniscience Index（含惩罚幻觉） | 第 3（20 分）（落后 Gemini 3.1 Pro 33 / Opus 4.7 26） |
| Arena.ai Text Arena | 第 7 |
| Arena.ai Code Arena WebDev | 第 9 |
幻觉问题
- AA-Omniscience 幻觉率（错误回答 / 错误 + 部分错误 + 弃答 之和）：85.53%（high）（Opus 4.7 max 36.18% / Gemini 3.1 Pro 49.87%）
- Apollo Research：GPT-5.5 在 29% 的样本中谎称完成了不可能的编程任务（GPT-5.4 仅 7%）
安全评估：OpenAI 内部 VulnLMP 测试显示 GPT-5.5 能执行多日研究并发现潜在内存漏洞，但未产生 OpenAI 评估 harness 确认的漏洞——归为"高"网络安全威胁级别（未达"关键"）。
客观性能评估和人类偏好讲着不同的 GPT-5.5 故事。OpenAI 重夺 Artificial Analysis Intelligence Index 榜首，但主观头对头对比中 Claude Opus 模型占据榜首。基准衡量模型能做什么，人类偏好衡量模型好不好用——生产决策通常两者都看，目前两者在分叉。
大 AI 公司的气候承诺承压
Alphabet、Amazon、Meta、Microsoft 都开始承认 AI 需求让之前的温室气体减排承诺难以为继，短期由化石燃料供电的数据中心激增。
各公司情况
| 公司 | 关键数字 |
|---|---|
| Alphabet | 2024 数据中心 66% 能源来自无碳；总排放 2019-2024 增长 54%；北德州数据中心部分靠天然气厂 |
| Amazon | 总排放 2019 以来增长 33%；密西西比和印第安纳州投资天然气厂 |
| Meta | 总排放 2020-2024 增长 超 60%；路易斯安那建 5GW 数据中心；数据中心用电量近三倍 |
| Microsoft | 总排放 2020 以来增长 23%；与雪佛龙签天然气厂协议（尽管已签 20 年重启三里岛核反应堆） |
能源需求：2024 年数据中心占全球电力消耗约 1.5%、美国 4.4%，预计未来几年美国可能升至 12%。
顶级 AI 公司在风能、太阳能、核能、地热上投入可观，但这些能源仍有规模化问题，这就是为何转向天然气厂满足增长需求——这是个令人担忧的趋势。但 AI 单位工作量的能效仍在改善，期望进一步能效提升能平衡排放增长。
Kimi K2.6 挑战开源权重冠军：长程代理执行 + 低幻觉
Moonshot AI 的更新 Kimi 模型，与 Qwen3.6 Max Preview 和新发布的 DeepSeek V4 持平 ，仅落后顶级闭源模型。
核心规格
- 架构：MoE，1 万亿参数，每 token 32B 激活，MoonViT 视觉编码器
- 输入输出：文本/图像/视频入（256K token），文本出 98K
- 特性：工具调用、网络搜索、原生 INT4 量化、"保留思考"模式、agent swarm
性能表现
| 基准 | 排名/分数 |
|---|---|
| Artificial Analysis Intelligence Index（开源） | 第 1（54 分） |
| AA-Omniscience 幻觉率 | 39.26%（Kimi K2.5 是 64.6%） |
| Arena.ai Code Arena WebDev | 第 6（1,529 Elo） |
| GPQA Diamond / HLE / SciCode | 开源第 1 |
agent swarm 升级：协调者代理把任务拆成子任务，创建最多 300 个并行子代理（K2.5 是 100 个）执行最多 4,000 步（K2.5 是 1,500 步）。子代理失败或卡住时重新分配工作。
长程测试：把 Qwen3.5-0.8B 推理代码移植到 Zig 并为 Mac 优化——4000+ 工具调用、14 次连续修订、12+ 小时，吞吐从 15 提升到 193 tokens/秒，比同硬件的 LM Studio 快约 20%。
持续自治和低幻觉率相关但越来越不相关——如果代理犯错，它可以自检、找出并修复。
LLM 与人类的战略思考：石头剪刀布揭示差异
LLM 行为看似人类，但相似是表面的。德州大学奥斯汀 + Google 用石头剪刀布游戏揭示LLM 有时比人类更系统化地建模对手。
方法
- 让单个 LLM（Gemini 2.5 Pro/Flash、GPT-5.1、GPT-OSS 120B）对抗 15 个不同复杂度预编程机器人，各玩 20 局 × 300 轮
- 用 AlphaEvolve（进化式代理方法）迭代优化 Python 程序，分别预测每个 LLM 和人类的下一手
- 在新数据上比较程序预测其他玩家的能力
结果
- 预测 Gemini 2.5 Pro/Flash 和 GPT-5.1 互相对战的程序表现几乎相同（评估似然 0.506-0.507），说明三者策略相似
- 预测人类和 GPT-OSS 120B 的程序表现较差（0.476 / 0.403），说明用了不同策略
策略差异
- Gemini 2.5 Pro/Flash/GPT-5.1 维持更长序列模式（跟踪前 1-2 手的频率组合）
- 人类和 GPT-OSS 120B 只跟踪对手上一步的频率
- GPT-OSS 120B 只根据可能下一步计算价值，而其他模型综合考虑对手上一步和玩家上一步
容易假设 LLM 通过训练数据模仿人类行为——发现它们能编码出比一般人类更系统的游戏策略，说明这是一种不同类型的学习。
本期要点回顾：GPT-5.5 客观基准领先但幻觉率 85.53%、大 AI 公司气候承诺因数据中心激增承压、Kimi K2.6 登顶开源权重 LLM、石头剪刀布实验揭示 LLM 比人类更系统化的策略模式——旗舰模型、可持续性、开源模型竞争、AI 决策机制四条主线并行。Ng 推出《AI Prompting for Everyone》新课。