AI 编程与 Agent 周报 2026-09-14：Grok 4.7 冲到 2.1T、同模型 token 差 70 倍、WPS AI 表格 Agent 登顶

本期覆盖 2026-09-08 至 2026-09-14。所有数字均来自公开来源，厂商自述数据已单独标注；未标注来源的能力描述按「待核实」处理。

要点

• 模型侧：xAI 发布 Grok 4.7（2.1T 参数）；月之暗面 K2.8 Preview 全量上线并开放百万上下文；DeepSeek V4.1-Flash 上线并将于 9-14 接管 V4 Pro 流量。
• 成本侧：InfoQ 三组测试发现，同一底层模型下不同 AI 编程工具的 token 消耗可相差 70 倍，差异来自 Agent 框架的启动开销与缓存命中率。
• 能力侧：GPT-6 Astra 解出 FrontierMath Tier 4 全部剩余题目，Epoch AI 宣布该层级饱和（97.6%，此前最高 5%）。
• 评测标准侧：WPS AI 表格 Agent 登顶 SpreadsheetBench V2（50.86%）；中国信通院发布方升-Code 2.0代码能力基准。
• 工程纪律侧：Claude Code 之父鲍里斯·切尔尼公开表示，开发者的核心职责是守住代码质量；25 位菲尔兹奖得主联署批评 AI 正在「露天开采」数学。

一、模型：更大与更便宜同时加速

xAI Grok 4.7（2026-09-12）：参数规模 2.1 万亿，较 Grok 4.6 的 1.5 万亿增长约 40%。马斯克称新模型除服务速度略慢外各方面优于前代、token 效率更高，并以 SpaceX 工程数据做补充训练以强化真实世界工程任务。

待核实：截至发稿，xAI 官方模型文档仍以 Grok 4.6 为最新，未见 Grok 4.7 的 model card、上下文窗口、定价与 API 标识。参数量与能力口径目前来自马斯克本人及多家日报汇总，上线前请以官方文档为准。

Kimi K2.8 Preview（2026-09-11）：全量上线 Kimi Code / Kimi Work，Model ID 仍为 kimi-for-coding，1M 上下文向全部会员档位开放。详见 Kimi K2.8 Preview 全量上线。

DeepSeek V4.1-Flash（2026-09-10）：552B MoE、MIT 开源权重、北京时间 9-14 12:00 起接管所有 deepseek-v4-pro 请求。详见 DeepSeek V4.1-Flash 与 V4 Pro 路由切换。

Agnes AI Agnes-3.0-Flash：330 亿参数开源多模态模型，Apache 2.0 许可、262K 上下文，官方称可在单张 H200 或 H100 上运行。

二、成本：同一个模型，账单能差 70 倍

InfoQ 的三组测试给出了本期最实用的一条结论：即便底层模型完全相同，不同 AI 编程工具的实际 token 消耗可以相差 70 倍。

差异不在模型，而在两处：

1. Agent 框架的启动开销——每次会话固定注入多少上下文、工具定义是否全量塞进 prompt；
2. 缓存命中率——系统提示词与工具定义是否稳定到能被命中。

这直接推翻了「选型 = 比较模型报价」的做法。对团队来说，正确的度量单位是「每个完成任务的成本」，而不是「每百万 token 的单价」。一个便宜但总停在 70% 进度的尝试，会产生人工兜底成本；一个更贵但能跑完、自测、写文档的运行，总成本反而更低。

同一周的 DeepSeek V4.1-Flash 定价也印证了这一点：缓存命中输入 $0.003、未命中 $0.15，相差 50 倍——先把缓存设计好，再谈模型选型。

三、能力：数学「最后高墙」与榜单饱和

GPT-6 Astra 攻克 FrontierMath Tier 4：解出该层级剩余的全部问题，Epoch AI 宣布该层级已饱和；成绩从该层级此前最高的 5% 提升到 97.6%，意味着整套 FrontierMath 已被完整攻克。这件事的连带问题是评测体系本身是否需要更新——当一套基准在一周内从 5% 跳到 97.6%，它的区分度已经失效。

25 位菲尔兹奖得主联署（2026-09-11）：陶哲轩、Peter Scholze、吴宝珠、Maxim Kontsevich、James Maynard 等发表《人工智能在数学中的严重错位》（A Severe Misalignment of AI in Mathematics）。核心论点：AI 公司把「解决著名数学难题」当作 benchmark，与数学共同体追求「概念理解与新洞见」的目标严重错位；批量生产缺乏缜密论证的思想会切断人类知识传承链。导火索是 OpenAI 于 9-08 宣布以约 1 万个 Agent 并发、约 88 小时给出纳维-斯托克斯千禧年难题的解答。

四、评测标准：垂类 Agent 与新基准登场

值得单独说一句 WPS AI：在通用能力趋同的背景下，垂类 Agent 在细分任务上跑赢国际大厂，说明国产办公 AI 正从模型比拼转向专业场景深耕。这条路径对做垂直工具的团队有参考价值——与其在通用榜单上硬碰，不如在一个可度量的细分任务上做到第一。

五、工程与工具：本地推理、Agent 治理与「代码质量」回归

• Perplexity 开源 Lily：面向 Apple silicon 的本地推理引擎，针对 Qwen3.6-35B-A3B 做算子级映射，官方称在 M5 Max MacBook Pro 上相对 MLX-LM prefill 快 1.23×、decode 快 1.35×，Rust runtime + 自研 Metal kernel。
• Meta Muse Spark 1.3：长程 agentic 与编程任务提升，会主动澄清问题并确认关键操作；内部对比称工具调用减少 20%、token 减少 25%，已在 Muse Code 与 Meta Model API 上线。
• Kiteworks 收购 Bonfy.AI：补强运行时数据分类能力，可识别邮件、文件共享、API 与 AI Agent 流量中的敏感数据——Agent 自主调用接口后，数据流的实时治理正从合规选项变为基础设施。
• Claude Code 之父谈 AI 编程：鲍里斯·切尔尼表示，AI 改变软件开发后，开发者真正要守住的不是亲手写每一行代码，而是代码质量本身；他提到每天都会收到「如何处理 AI 垃圾代码」的来信。

AI 之家 观点

本期四条线索指向同一个转折：2026 下半年的竞争维度，正从「模型更强」扩散到「更便宜、更可控、更可度量」。

1. 成本度量单位换了。token 单价已经不足以做选型依据——**框架开销（70 倍差距）与缓存设计（50 倍价差）**才是大头。团队应把「每完成任务的成本」写进监控面板。
2. 评测正在失效与重建同时发生。FrontierMath Tier 4 一周内从 5% 到 97.6%、Artificial Analysis v4.2 移除 GPQA Diamond、信通院推出方升-Code 2.0——榜单的半衰期已经短到季度级。任何依赖单一榜单做采购决策的做法都该淘汰。
3. 垂类 Agent 的价值被重新发现。WPS AI 表格 Agent 的登顶说明：在一个可度量的细分任务上做到第一，比在通用榜上排第十更有商业价值。
4. 工程纪律在回潮。切尔尼那句「守住代码质量」和 25 位菲尔兹奖得主的联署，本质是同一件事：当生成成本趋近于零，判断力与验证能力就成了唯一的稀缺资源。

相关阅读

• 本期深度：DeepSeek V4.1-Flash 与 V4 Pro 路由切换 · Cognition SWE-2 发布 · Kimi K2.8 Preview 全量上线 · 智谱 50 亿美元融资
• 往期周报：AI 编程工具周报 2026-09-13
• 模型卡：Grok 4.6 · GPT-6 Astra · Kimi K3 · DeepSeek V4
• 工具卡：Claude Code · Cursor · Muse Code · Ollama
• 概念：Agentic Coding · SWE-bench · Token 与计费 · Prompt Caching

来源

• 同模型 token 消耗差 70 倍：AI 编程工具的隐性成本黑洞 — InfoQ
• AI 数学最后高墙被打通：GPT-6 Astra 攻克 FrontierMath Tier 4 — 量子位
• 从表格到教育医疗，国产垂类 AI 正跑赢国际大厂？（WPS AI 表格 Agent） — 观察者网
• 方升-Code 2.0 发布，大模型基准测试体系迎来新标准 — 北京商报
• Claude Code 之父切尔尼谈 AI 编程：开发者核心职责是守住代码质量 — IT 之家
• AI Roundup (Sat Sep 12)（Grok 4.7 / K2.8 / 菲尔兹奖联署） — DEV Community
• Biggest AI News This Month (September 2026)（Lily / Muse Spark 1.3 / 智能指数 v4.2） — HeadsUpAI
• AI Weekly：Agnes AI 33B 多模态开源模型 — AI Weekly
• Kiteworks 收购 Bonfy.AI — AI Weekly
• Mecka AI 获红杉领投，机器人训练数据争夺升温 — TechCrunch