先说结论

这是 Matthew Berman 频道的一期直播 AMA（2026年10月，连线两位常客 Brian 与 Alex；Brian 疑为 Brian Roemmele，转写内未自证全名）。开播前几分钟，Kimi K3.1（转写作「Kimmy K 3.1」）刚刚发布，Matthew 当场下载 Moonshot 的官方桌面 harness、跑起 K3.1 Pro High 档，整场直播变成一次「发布日公开测试」。全期最有信息量的张力是：节目转述的官方评测图称 K3.1 在 TerminalBench 4.0 上紧咬 Claude Opus 5.5、在 Humanity’s Last Exam 上超过所有对手，但几位嘉宾的现场观感普遍差——Matthew 直言「vibe check 惨不忍睹」，收尾时更是当场翻到一张没有真实基准名称、数字系编造、而 Kimi 恰好四项全第一的对比图。另一半内容是 2026 年个人 Agent 格局速写：三位主播的日常主力清一色是 Grokbot，Dots 凭一封拼错的邮箱主动出圈，而 OpenAI 的配额腰斩传闻、Anthropic 的用量 A/B 测试和 Codex 的重置节奏，说明配额已经成为新的定价战场。

一、发布即订阅：开源发布正在被做成「产品发售」

K3.1 的发布姿态本身值得记录。Matthew 形容自己是「有点紧张地把 Kimi 装进了电脑」——他下载的不是权重而是 Kimi 官方 harness 应用；节目称模型对所有人开放，但因为流量太高，目前需要账号乃至付费订阅才能用。嘉宾们还回忆起约三个月前 Kimi 因太火爆一度关闭订阅：开源厂商开始像 SaaS 公司一样管理「容量」。社群声量也可见一斑——Kimi 拥趸自称「Kimi cats」，Alex 就是一位。他的辩护是本期最好的行业判断之一：在 Kimi 3 发布前，大家默认开源落后闭源约六个月；Kimi 3 之后发现实际差距只有两三个月——开源阵营「主力角色」的地位是被一家公司单点打出来的。席间还确认 Kimi 的编程模型 Composer 已成绝响（节目称其基于 Kimi 2.5 后训练，不会有下一代），并留下一个贯穿全场的追问：3.1 到底到没到 Opus 5.5 的水平？

官方推文的规格（Matthew 当场朗读、节目转述）是：约 3 万亿参数级的开放权重模型，总参数 2.8 万亿、激活 1040 亿的 MoE 架构（嘉宾当场点评「这个激活比非常好」），100 万 token 上下文，多模态，宣称支持 Unreal/Unity/Godot 全项目开发、擅长 Blender 参数化建模、金融场景更可靠、幻觉率下降 65%——以上均未独立核实。

链条一（发布策略）：信号是发布日当天官方 harness 即可下载、却竖起订阅墙；直接原因是流量管理，加上开源厂商要用产品化承接口碑、回收推理成本；用户得到开箱即用的旗舰体验、免费午餐收窄，闭源头部则多出一个追平周期以「月」计的对手；二阶影响是开源竞争从「放权重」升级为「权重＋官方产品＋容量运营」的复合竞争，订阅墙若常态化会反向侵蚀「开源」的口碑资产；观察指标看免费层何时恢复、Composer 有无后继、第三方托管铺开速度；对读者的启发是——评估开源模型不能只看技术报告，官方产品的运营节奏本身就是竞争力信号。

二、直播当测试台：自建任务、GPT-6.1 对照，和一次意外暴露的视频生成模型

这场 AMA 最有价值的不是结论而是方法：嘉宾在直播前新设计了一个「保护绳结动画」测试——让模型产出一段讲解攀岩保护（belaying）打结方式的运动图形视频。Matthew 解释它一题同时考四件事：写代码、视频转换、空间关系（绳的上下穿插）、以及检索（模型要么懂绳结受力、要么得自己去查）。Kimi 约 5 分钟交出 28 秒 1080p 动画：技术上正确，但素材全是「代码画出来的」纯色几何块，嘉宾的评价是「又糙又糊」；成片还自动附上一条「危险操作，请向合格攀岩教练核实后使用」的安全提示，被笑称「保姆式免责」。追加「绳子要有圆头与编织纹理、连续运镜、简化排版」的改进提示后，第二版依旧扁平、投影贴在整个画面而非逐段绳身，观感没有实质提升。对照组 GPT-6.1 Soul（Medium 档）的版本有真实的上下穿插、更像一根真绳结——Matthew 量化为「好 10% 到 15%，不算惊艳」，并顺带吐槽所有模型 one-shot 默认审美（深蓝纯色＋同一套排版）已经看腻。聊天区一度有人把成品误认成 Argon 模型出品，Matthew 纠正：这就是 Kimi。

另外几个任务各有收获。聊天区点题给 Theo（转写疑与「Tebo」为同一人）做一段 5 分钟 YouTube Poop 风格鬼畜视频：成片意外地好，制作链路用了 Python、ffmpeg、ffprobe，并且调用的是 Kimi 自家的视频生成 API——「Moonshot 有自己的视频生成模型，我之前不知道」，这是本场独有的一条信息；音轨是糟糕的八位机电子乐，Matthew 当场把成片发上了 X。小游戏任务「Bean Blitz」（类 Fall Guys 闯关）被评为「史上最差但最有 charm」：关卡障碍全部失效，命名永远是两词押头韵，但嘉宾认为这种「坦然摆烂」比 Sonnet 5.5/Haiku 认真做却做砸的版本更讨喜；万能改进咒语则是「再润色一版」加拉满思考预算。还有两个任务在结尾前启动：给虚构的 iPhone Duo 做 WebGL 3D 渲染（调到高推理档）、为验证官方「Blender 参数化建模」卖点而起了一个 Blender 绳结建模任务（直播内未揭晓结果）。场外花絮同样有信息：Matthew 搞不定直播软件，索性让 Codex 当场把两位嘉宾的画面排上屏——居然成功了；他由此总结「所有直播软件都是垃圾」（Brian 是唯一为 OBS 辩护的人）。他还注意到 Kimi 界面会展示思维链，感慨这是「公司还愿意展示思维链的年代」的回归，如今多数产品只给一份工具调用清单。Brian 对各家 Agent 界面共用同一个「动画小人」的解释也值得留档：把动画拆解成代码易于运行的简单几何形状，美学收敛几乎不可避免——有人直接说那就是照抄 Grokbot。

三、榜单与 vibe check 的裂缝：结尾抓到「自己编的数字」

节目转述的官方评测图相当亮眼：TerminalBench 4.0 仅次于 Opus 5.5、反超 Astra（嘉宾惊呼「这个终端基准分数夸张了」）；Humanity’s Last Exam 超过所有对手；GDPval 逼近绝对前沿、高于 Fable 5.1 与 DeepSeek Flash 1017；OSWorld 表现尚可（Matthew 强调电脑控制类基准对他最重要），而 SWE 类榜单上没看到 DeepSeek。Matthew 的现场反应是直接质疑：「我一看就知道不对——Opus 5.5 太强了。」Brian 补充历史规律：上一代 Kimi 也是榜单与 Fable 平齐、上手却不及。Matthew 的追问更根本：「为什么榜单表现比 vibe check 好？」随即自答「我虽然只跑了四个测试，但观感惨不忍睹」。

中间还夹着一段命名插曲：图上 DeepSeek Flash 到底是 1017 还是 1018 引发一轮讨论——DeepSeek 惯例用日期做版本后缀，最终确认是 1017，而且六天前刚更新过（Matthew 原以为那是九月的版本）；他正同时在测 DeepSeek v4.1 Flash，考虑与 Kimi 各出一期视频。版本号本身就是发布节奏的信息。

结尾一幕把整场情绪收束成结论。Matthew 打开一张（按上下文为直播中让模型生成、或官方发布的）模型对比图，发现它没有引用任何真实基准，只有 Coding、Reasoning、Mathematics、Agentic 四个笼统类目，「数字是他们自己编的，而 Kimi K3.1 恰好每一项都第一」——节目就停在这句吐槽上。

链条二（榜单信任）：信号是官方自评图「全绿」；直接原因是公开基准趋于饱和、而生成类任务缺公认基准，自评几乎没有成本；按榜单采购的企业买家风险上升，独立测评者的话语权相应上升；二阶影响是社区转向自建任务与 vibe check，厂商自评图表整体公信力折价；观察指标看第三方复测数据是否出现、官方图是否附可复现配置；对读者的启发是——选型用自己的真实任务盲测，凡「恰好全项第一」的自评图默认可疑。

四、个人 Agent 的默认位之争：Grokbot 全员主力、Dots 的主动性与配额战争

三位主播的日常主力清一色是 Grokbot。边界也很清楚：它是个人 Agent，不适合重负载——Matthew 自称八天前还是「Grokbot 用量黑」，直到戒掉用它剪视频，用量才恢复正常；正式编码项目他主要交给 Codex，最近 Claude 也用得更多，自动化则确实在用 Grokbot 跑。主动性案例是本节最有说服力的证据：Matthew 手动输入 Brian 和 Alex 的邮箱为某早期访问报名，十分钟后 Dots 主动弹出提示「Alex 的邮箱拼错了一个字母，建议跟进」——被一致称为「疯狂的主动时刻」。他评价 Muse 略更主动、Dots 能抓住细节；Claude Duet 三人都没有早期资格，聊天区试用者的评语是「还行，没什么花哨，Grokbot 仍在赢」；被弃用的 Instinct 还在给他发「请回来」的短信。区域缺口同样真实：瑞典观众抱怨欧盟用不上 Claude Duet、Dots、Muse，但能用 Grokbot——嘉宾的安慰是「那你拿到的本来就是最好的」。

更值得留档的是组合用法与订阅结构。Matthew 称 SpaceX 团队告诉他，很多工程师如今通过 Grokbot 驱动 Cursor 写代码，因为 Grokbot 携带 Cursor 单独不具备的上下文；Brian 说六周前听 Matthew 转述 Cursor 团队的这套工作流「改变了我的人生」，一直在照此准备，把 Grokbot 当编排器用。Alex 的账单结构则说明市场已经长出新中间层：X Unified 一张订阅打包 Grokbot＋Cursor＋X Premium，再加上 Anthropic、ChatGPT 与若干 API key。配额一侧则是火药味：聊天区问 Anthropic 会不会眼看 OpenAI 砍量而无所作为，嘉宾答「不会无所作为——Anthropic 正在 A/B 测试用量政策」；OpenAI 200 美元档传闻从 20x 砍到 10x（DevDay 后 30 天生效，现在新购直接就是 10x），但嘉宾猜测 OpenAI 可能反手把 500 美元档翻倍而非真砍——前一天 Tebo 宣布更新时连送两次额度重置就是先例。Matthew 自述每天把 500 档额度用满在视频剪辑上，连日重置「太幸福了」，直播中段 Codex 的重置又刚到。

链条三（Agent 入口）：信号是三位重度用户的默认位同属一家、且欧盟用户被迫收敛到单一选项；直接原因是数据可见权（邮箱、通知）决定主动性上限，合规差异造成区域套利；Grokbot 拿走默认入口与编排位、IDE 沦为被驱动的执行器，欧盟用户失去比较空间；二阶影响是配额与重置节奏开始直接编排用户作息、成为定价的一部分；观察指标看各家 reset 与限流政策、欧盟解锁进度、主动性案例的密度；对读者的启发是——把个人 Agent 当调度器而非苦力，重任务分流给专用工具，并盯紧自己的配额日历。

五、两个侧写：DGX 上的本地旗舰，与退潮的创作者分成

本地推理一节由聊天区「该不该买 DGX」引出。Matthew 的 DGX Station 正在跑 DeepSeek v4.1 Flash（1017 完整版），初始配置只有约 70-80 token/s，「能用但也就这样」；社区告诉他可以调到数百 token/s——那就能并行铺开多个 Agent。但他强调这仍推翻不了他们刚发布的那期「劝退视频」的论点，并调侃「你只需要拿房子去抵押贷款」。功耗约 1600W——他先问 Kimi 本尊，笑称「我一半怀疑它在瞎猜」，结果与资料对上了；办公室已经被这台机器烘得发热。对照之下，聊天区一位观众只有 M6 Mac Mini 32GB，三位嘉宾齐声表示「那是台很棒的电脑，完全不必羞愧」。

链条四（本地化成本）：信号是旗舰开源权重进了单机、但速度平庸且功耗劝退；直接原因是 2.8 万亿总参即便只激活 1040 亿，单机带宽与功耗仍是硬约束；本地派换来可控性与隐私，代价是硬件、电费与调优时间，云端订阅的性价比叙事反被强化；二阶影响是若激活比继续升高，「家用旗舰」会从笑话变成边缘可能；观察指标看消费级硬件跑旗舰 MoE 的社区实测数据；启发是本地化的真实成本等于硬件＋电费＋时间，别只看权重免费。

两条行业余音：其一，嘉宾感慨 Unreal 引擎「现在怎么做都是一个味」，聊天区随即抛出「AI 定制游戏引擎才是方向」——不再用 Godot/Unreal，而是让 AI 现场生成专用引擎；Matthew 认为这是「品类跃迁」级的说法，但坦承没见过实物。其二，X 的创作者分成在退潮：Matthew 本期到账约 1700 美元，Alex 只有 270 美元、是除首月（约 100 美元）外最低的一次——平台红利在缩水，而这正是三位以 AI 内容为生的人的现金流底色。

结语：观察什么

这场 AMA 的价值不在给出结论，而在示范方法：发布日的榜单只是入场券，真正的判断要在自己的任务上现场跑——一条绳结动画暴露的空间推理短板，任何「全项第一」的自评图都不会告诉你。接下来值得盯的五件事：Kimi K3.1 免费层与订阅墙的松紧、Composer 有无后继、第三方对 TerminalBench 等分数的复测、Anthropic 用量政策的落地形态、Grokbot 驱动 Cursor 的编排流是否会成为主流工作法。若 Moonshot 的视频生成模型确为 K3.1 自带，多模态「全家桶」的开源叙事也会多一个新变量。

信源说明：本文基于 Matthew Berman 频道直播 AMA（视频 ID 7fZ1rFcm1nA，全长约 64 分钟，英文转写整理），所有言论为节目转述，未经独立核实；文中测试分数、产品规格与公司行为均为「节目称/嘉宾认为」。

转写疑点：转写中的「Kimmy」已按上下文校正为 Kimi；「Brian」疑为 Brian Roemmele（转写内未自证全名）；「Tebo/Theo」疑为同一人；「Dots」与兄弟篇《Altman谈AI发现时代》中提到的「Dot」疑为同一产品，均保留原文；Fable 5.1、Astra、Argon 等型号名按转写拼写保留；「Humanities lax exam」校正为 Humanity’s Last Exam；结尾「编造数字」的图表按上下文存在两种解读（直播中生成的对比图或官方宣传图），本文并存。兄弟篇可作背景互参——那期 Altman 专访后流传的 Sam Altman 与 Matthew 合影，本期开场还在被嘉宾拿身高玩梗。