榜单趋同、价格分化：Matt Wolfe 本周的六个新模型与一个「Nano Banana 杀手」

信源说明：本文基于 Matt Wolfe 频道 2026-10-16 发布的周更 AI 新闻视频《AI News: 6 New Models & A Nano Banana Killer》（视频 ID KGcuuhqmPhI，约 31 分钟，16 个时间段，周四录制、周五发布）。全部内容为 Matt Wolfe 单口陈述及其屏幕展示的官方页面与榜单，按「主持人称／节目展示／节目引用」分层归属，未独立核实；基准成绩均为转述，疑似转写错误以「转写疑似」标注。

先说结论：这一期周更把一周信息压成三层。第一，图像「生成」被主持人明言「基本解决」之后，Krea 3 靠局部编辑体验成了他本周玩过「最酷」的工具，被直接对标为「Nano Banana 杀手」；第二，Google、Meta、微软、英伟达和一家小厂一周齐发六个大模型，综合榜单头部只差几分，但每百万 token 价格与每任务成本差出数倍——「选模型」正在从选榜单第一变成选性价比；第三，OpenAI 的「28 天连发」进入第二周，更新清单里出现磁盘清理、算力扩容这类修复型条目，社区开始质疑节奏营销撑不住工程现实。决策模型三连发、语音智能体、平台新功能与游戏业的 AI 转向，构成本周长尾。

Krea 3：图像生成「解决」之后，编辑手感成了新战场

节目开头打破惯例先讲图像模型：Krea AI 的 Krea 3（转写作 Kria 3，据同段出现的「Krea AI」校正）本周开放公测。它能生成图像，但真正让主持人惊艳的是编辑：上传图片后点选局部区域直接下指令——把手机背景改蓝、把眼睛改成充血红眼、把屏幕文字改成「Gemini 4 Argon」、把帽子 logo 换成棒球——约 10 秒出 3 个变体，未选中的区域原样保留，字体和配色也不变。Matt 的判断是：这比 ChatGPT 图像编辑和 Google 的 Nano Banana 干净得多，是「迄今最好的图像编辑体验」，做缩略图快速改稿会是它的典型场景；他同时预判「ChatGPT 和 Nano Banana 追上来只是时间问题」。

机制链条：生成能力普遍「够好」后，差异点移向控制力（局部选中、指令保真、不动其他区域）——工作流从「反复重抽」变成「外科手术式小改」——缩略图、电商图等高频小编辑场景的工具入口被换掉。观察指标是 Nano Banana 与 ChatGPT 补齐这类交互的速度。

同周还有两个开源图像模型：Black Forest Labs 的 Flux 3 Image Klein 权重已上 Hugging Face 可下载——节目展示其在约四千美元的 DGX Spark 上文生图 7.3 秒、编辑 16.2 秒，而在更容易买到的消费级 RTX 4070 上只慢约 1.5 秒，还能跑更高分辨率；阿里则发布 Qwen-Image 2.1 Turbo（转写作 Quin），用一点质量换速度的加速版。主持人对两者评价平淡：「图像生成已经基本解决」，他更在意编辑。另有赞助段落：GenSpark Design 演示从网站截图生成分层可编辑的整套移动 App 设计稿，可导出组件与 design tokens——此段为赞助内容，描述来自赞助方演示。

Gemini 4 Argon 与 Muse Wonder：榜单只差几分，价格差出几倍

大模型侧的两大主角是 Google 的 Gemini 4 Argon 和 Meta 的 Muse Wonder。前者 9 月 30 日已官宣、本周正式可用：API 介绍价每百万 token 输入 2 美元、输出 10 美元，只维持到 11 月底，之后近乎翻倍；也含在 Gemini 应用的付费 Ultra/Pro 订阅里。节目展示第三方综合榜单 Artificial Analysis 上它得 53 分、比 Claude Opus 5.5 低 5 分，但每任务成本远低于对方（Opus 5.5 是全场第三贵）。主持人的两项自建实测：一是他惯用的 Busey Bench（让各模型生成演员 Gary Busey 的半身像、由 LLM 评审排名，转写作 Bussy Bench）——约 34 美分、3.4 万 token、4 分钟，排名第二；二是「一句话生成可玩小游戏」的 Mega Bonk 测试，机制全对但美术一般。Google 在发布前的预简报会上提示它擅长 3D 打印模型，他用一张正面照生成了可打印的 Busey 半身 STL 文件——正面合格、侧面失真。

Muse Wonder 则是「别人家的惊喜」：主持人自己觉得「还行」，但引用一贯严苛的 Theo 将其列入 S 级（与 Opus 5.5 同档；Theo 榜单中 A 级为 GPT-6.1 与「Soul Gap」，转写疑似）。节目展示它在编码基准 DeepSweep 得 79 分、居顶级模型之首，法律、金融研究等基准也到 SOTA；价格每百万 4/20 美元，约与 Opus 5.5 持平；Artificial Analysis 得分高于 Gemini 4 Argon、GPT-6 Astra 和两个月前「惊吓全行业」的 Claude Fable 5.1，与 Sonnet 5.5 持平、距 Opus 5.5 仅 2 分。Matt 特别指出：没人想到追平第一梯队的是 Meta。他的 Busey Bench 实测里它排第 14，Mega Bonk 生成的打雪人游戏机制完整、美术落后——美术排序为 Opus 5.5 最好、GPT-6 Astra 次之、Argon 再次、Wonder 靠后。

两条模型放在一起，比「谁更强」更有信息量的是价格结构：综合分聚簇在几分之内、每任务成本却差出数倍，采购决策自然从榜单第一转向单位任务成本——高价旗舰在批量场景承压，介绍价到期（12 月 Gemini 4 翻倍）是观察用量迁移的天然实验。启发：与其盯综合分，不如用自己的真实任务算「每次调用几美分」。

四个开源权重模型：「开放」前面的定语越来越重要

开源权重（可下载权重、本地部署）一侧一周四发。Meta 的 Muse Spark Open 最有看点：Wonder 上位后，上代旗舰 Spark 被开源，官方称「迄今最强的美国开源权重模型」——主持人特意点破这个定语：它默认中国开源梯队（DeepSeek、Qwen 3.8、GLM 5.3、Kimi K3）可能更强。它有 8160 亿参数、100 万 token 上下文，且与 Apple 合作优化，能跑在约一万美元的 M5 Ultra Mac Studio 上。节目展示其基准多数领先开源对照组（NemoTron、Mistral Large 4、Qwen 3.8、GLM 5.3、Kimi K3），但最看重的 DeepSweep 不敌 Kimi K3。微软宣布 MAI Base 2 预训练完成（800 亿活跃参数，称胜过所有测过的开源模型），但后训练未完、不可用，主持人无从测试。英伟达的 NemoTron 3.5 Super VL（1200 亿参数）综合分仅 26、追不上第一梯队，但输出速度全场顶尖——「更笨但更快」的细分定位。小厂 Paper Instruments（转写疑似）的 Ultramarine One Flash 宣称「Fable 级知识工作能力、比 Fable 便宜 60 倍」，每百万 0.15/0.5 美元；主持人提醒其展示基准是挑选过的，对照组也不是各家旗舰，录制时尚未上线 OpenRouter（模型聚合平台），无法实测。

这一组的机制链条：旗舰迭代常态化后，「上代旗舰开源」成了大厂标准动作，且开始与硬件厂协同（Apple 优化、RTX 4070 可跑）——开源模型的实际分发渠道变成了本地推理硬件——开源市场随之细分：按国别分段（「美国最强」）、按速度换智能（NemoTron）。启发：读开源宣言先读定语，部署决策看硬件生态匹配度而非纸面参数。

OpenAI 28 天连发第二周：当「发货」变成「修 bug」

OpenAI 的「28 天连发」进入第二周（规则：每天发一个对多数 Codex/Work 用户明确的改进，否则「重置」，发起帖出自 Tibo，转写疑作 Tebo）。本周流水：第 5 天发 Composer predictions（回答后预判并预填你的下一条 prompt）、手机端直接创建「dot」个人智能体（此前只能在桌面端建）、以及把 Codex 里的任务委派给 dot 双向协作；第 6 天重置；第 7 天把 GPT-6.1 默认上下文提到 50 万 token（原 27.2 万）；第 8 天重置；第 9 天桌面端磁盘占用减少 60%——主持人直言「谁在乎」，社区也批评这是修 bug 不是功能；第 10 天重置；第 11 天（录制当天）的头条是「一系列变更与更多算力，显著减少『所选模型不在容量，请换模型』的报错」——社区再度吐槽：基础可靠性不该是连发活动的头条。还剩 17 天。

机制在于节奏营销与工程现实的错配：日更承诺要求每天凑出「可宣传的改进」，管线供给不足时重置日与运维型更新就会填充——二阶影响是信任损耗，「重置频率」反成观察其发布管线压力的旁证。启发：评估供应商看持续容量与质量曲线，而非活动日历。

快速扫射：决策模型、语音智能体与游戏业的 AI 转向

一周长尾里最有结构性的是「决策模型」：不输出长文本、而是对输入快速给出判断的新类别，一周三连——微软 Decision One（对标先行者 Jev，转写疑似；宣称精度更高，对固定选项输出校准概率，支持是否/多选/评分与量规评阅），以及 Bespoke Labs 的 Nimble V4/V4 Max（宣称超 Jev、错误更少）；OpenAI 上周也发过自家版本。主持人评价：全在做同一件事，只差精度。判断这一层被模型化，意味着 agent 管线的「裁判」环节正在成为独立市场。

语音侧，Grok Voice 3.0 发布（出品方为 xAI；转写原话「SpaceX AI」，主持人原话也在调侃其名称）。主持人在其沙盒里几分钟搭出 Future Tools 客服电话智能体：自动追问需求、生成自定义指令与欢迎语、通话即问即答（推荐站内工具、播报站内新闻），演示音色 Karina 会复读同句，卖点是近乎无停顿的响应速度。其他：ElevenLabs 推出 Instant Soundtracks，上传视频自动配乐并同步音效；Facebook 允许直接输入兴趣实时微调推荐排序（主持人三年未登录，未测）；Google 在 Android 上支持长按短信后用 Circle to Search 圈选、由 AI Overview 标记诈骗红旗（未测）；多智能体协作工具 Kylon 把多个 agent 与多人放进同一聊天界面，主持人拿到过演示、印象深刻。

游戏业的 AI 转向最显性：草根创作者用 AI 加逆向工程混搭游戏（Minecraft 角色进 GTA、Counter-Strike 里滑 Tony Hawk 滑板）走红后，微软设立实验性部门 Xbox Labs 正式探索游戏融合与 AI 生成；Epic 的 Tim Sweeney 宣布「巨大 pivot：调动开发者全面转向最大 AI 加速——不是用更少的人做同样的事，而是让每个人做出更多更好的东西」。主持人补充背景：游戏社区是反抗 AI 最激烈的群体，评论反响不佳；但他判断代码层的 AI 化不可避免，玩家真正在意的是美术、音效、配音这类「资产层」是否 AI 生成，且会较快习惯。苹果则发布内置 Siri 的 Apple TV 4K 与桌面带屏智能音箱 Home View（主持人形容为「放大版 Apple Watch」），面向智能家居 AI，他未上手。

收束来看，本周的元信号是「能力趋同之后的分流」：生成质量趋同，竞争就推到编辑手感；榜单分数趋同，竞争就推到每任务价格；旗舰能力趋同，竞争就推到开源与硬件生态；连「连发」本身趋同，竞争也落到谁还能每天拿出真改进。接下来值得盯的观察点：Nano Banana 与 ChatGPT 补齐局部编辑的速度、12 月 Gemini 4 介绍价到期后的用量变化、OpenAI 28 天后半程的重置频率、决策模型能否长成 agent 管线的标准评测层、Xbox Labs 首批官方 AI mashup 的社区反应。最后值得记一笔的是主持人自己的转向：他说正从「播报新闻」转向自掏腰包实测工具——对读者而言，这类一手小样本测试与榜单转述的信源权重，应分开看待。