AI News｜2026-07-20

今日目录

• ChatGPT Work 开始像一个可委派的运营助理
• Vercel 团队用内部 stealth eval 比较网络安全模型能力
• 比追榜单更有用的是先做自己的 personal eval set
• AI 价值正在向应用层和扩散层分散，不只属于前沿实验室
• 开源与扩散速度，正在重新定义模型竞争的护城河
• ChatGPT Site 让非工程场景也开始出现轻量级原生应用

今日判断

我今天更关注两类信号：一类是 builder 已经把 AI 当成工作台来用，而不是聊天窗口；另一类是模型能力开始在具体垂直任务里拉开差距，尤其是安全、自动化、个人工作流这几条线。前者最明显的是 ChatGPT Work 这种产品形态，真正有信息量的不是宣传它能做网站、邮件、文档，而是有人直接把一堆 Twitter DM 丢进去，让它抽取、分类、打分、回填成表格。这说明现在一线用户已经默认把模型当成一个可委派的操作员，任务描述也从 prompt 变成了接近主管给下属的口述工单。

我看下来，模型层也没有走向很多人之前想象的单纯同质化。Guillermo 给出的内部 stealth eval 虽然不是完整论文，但至少提供了一个工程上更有用的观察：不同模型在 cyber 这种高风险高专业度任务上，差异已经不只是 benchmark 分数，而是愿不愿意做、能不能持续完成、成本值不值得。再往下看，Zara 讲 personal eval set 这件事反而更重要，因为真正决定你选哪个模型的，不会是榜单名次，而是你手头那 5 到 10 个每天真要跑的任务。

我的判断是，接下来 builder 的优势不会来自谁先喊出新概念，而是谁先把评测、委派、回收结果这三件事做成稳定闭环。能把模型接进真实工作流的人，会比只会追模型发布的人更早拿到产品势能；而能维护自己的任务级评测集的人，会比只看公共 benchmark 的团队更快做出正确决策。

快讯

1. ChatGPT Work 开始像一个可委派的运营助理

查看原文 · 来源：Thibault Sottiaux (@thsottiaux)

Thibault 直接展示了自己口述给 ChatGPT Work 的任务：遍历大量 Twitter 私信，筛出提到 ChatGPT Work 的用户，整理成表格，并按工作类型做 8 到 12 类 taxonomy，再给出价值判断和优先级。这条比任何产品宣传都更有用，因为它把 AI 从问答工具推进到可委派的异步操作员。对 builder 来说，重要的不是它会不会“总结”，而是它已经能接近真实运营流程：批量读取、结构化抽取、轻分析、交付可回查结果。我的判断是，下一阶段产品差异会落在这种端到端任务完成率上，而不是单次对话体验。

2. Vercel 团队用内部 stealth eval 比较网络安全模型能力

查看原文 · 来源：Guillermo Rauch (@rauchg)

Guillermo 披露了一组内部 stealth eval 结果：Kimi K3 在 cybersecurity 任务上表现进入 top-tier，Sol 能力更强但成本更高，Fable 则几乎拒绝完成任务。这里最有价值的不是谁第一，而是评估维度已经变成了工程上真正关心的三件事：原始能力、单位成本、以及模型在高风险任务里的可用性。尤其是 Fable 的问题不是答得差，而是根本跑不完流程，这对 agent 和安全工具是致命区别。我的判断是，垂直任务上的模型选择会越来越像基础设施采购，不再是看总榜，而是看你的任务链条能不能稳定跑通。

3. 比追榜单更有用的是先做自己的 personal eval set

查看原文 · 来源：Zara Zhang (@zarazhangrui)

Zara 提醒大家建立自己的 personal eval set，也就是拿几项跟自己日常工作直接相关的任务，持续测试不同模型。这个建议看起来简单，但我觉得比很多 benchmark 讨论都更落地。公共榜单解决的是抽象能力排序，真实团队要解决的是自己的工作流能不能被模型稳定接住，比如代码审查、客户邮件分类、长文档抽取、数据清洗。只有用固定任务集反复撞边界，才能知道模型在哪些地方会漏、会编、会拒答。我的判断是，未来模型团队和应用团队之间的共通语言，不是排行榜，而是任务级 eval。

4. AI 价值正在向应用层和扩散层分散，不只属于前沿实验室

查看原文 · 来源：Aaron Levie (@levie)

Aaron Levie 的判断是，前沿模型公司会继续推进能力上限，但过去几个月已经能明显看到，AI 的价值不会只沉淀在少数模型厂商手里，围绕这些模型扩散到真实世界的应用层、工作流层、替代性技术路线，也开始形成独立价值。这条我会选，不是因为它新，而是因为它和最近很多一线产品现象能对上：真正开始产生业务结果的，往往不是模型本身，而是把模型塞进文档、客服、销售、代码、审批这些具体流程的人。我的判断是，builder 现在更该关心 diffusion，而不是只盯着 frontier demo。

5. 开源与扩散速度，正在重新定义模型竞争的护城河

查看原文 · 来源：Aaron Levie (@levie)

Aaron 认为，继续把模型严密封锁不会成为长期有效策略，尤其是在中国团队已经能拿出接近前沿能力模型之后。这里的重点不是地缘政治评论，而是一个工程生态判断：如果你的生态因为过度收紧而减速，应用层、开源层、工具链层就会一起变慢，最后输掉的不是单个模型发布，而是整条扩散链路。我看这条的价值在于，它解释了为什么最近越来越多 builder 把注意力放在开源模型、可组合 infra 和本地评测，而不是等待单一平台给答案。我的判断是，未来真正的护城河会更像生态速度，而不是访问控制。

6. ChatGPT Site 让非工程场景也开始出现轻量级原生应用

查看原文 · 来源：Peter Yang (@petergyang)

Peter Yang 分享了自己和 8 岁女儿一起用 ChatGPT Site 做乘法练习小游戏的过程，里面用到了 ChatGPT Images 生成界面和角色，还加了音乐和计时 boss 关卡。单看这个项目并不复杂，但它说明一个重要变化：越来越多轻量应用已经不需要传统从零开发流程，用户可以在模型内直接完成内容、界面和互动逻辑的拼装。对 builder 来说，这代表原型验证成本继续下降，教育、内容、内部工具这类场景会最先受益。我的判断是，这类原生生成式 app builder 会吃掉一部分原本属于 no-code 的空间。