[AINews] 2025 年 12 月到底发生了什么？

标题：[AINews] 2025 年 12 月到底发生了什么？

摘要：在一个相对平静的日子里，我们终于可以把那种越来越强、也越来越让人不安的感受说出来：编程已经被永久改变——而且远不只是“正常炒作”那么简单。

正文： 想要报道 AI、又不想被 hype 带着跑，最大的问题在于：有时候，确实每隔几周就会出现真的值得大吹特吹的东西。现在很难判断真假，因为许多 influencer 的生计模式就是告诉你：{刚发布的模型}就是 AGI，而 {他们之前力推的模型} 已经一文不值。最直接的办法，还是尽量形成自己的判断……并依赖那些可信、不会为了注意力游戏而“卖身”的声音。

后者正在变多（当然噪音也同样在增加）。

你可以看到 Andrej 在实时梳理自己的感受：从最初的 vibe coding tweet，到 agentic engineering。而今天，他也加入了越来越多人的合唱：2025 年 12 月（Opus 4.5、Gemini 3、以及 OpenAI 十周年发布的 GPT 5.2 在短时间内密集上线）是一个重大转折点。

我们原本也正计划围绕 Greg Brockman 的类似观察写一篇短文：

[

](https://substackcdn.com/image/fetch/$s_!6p2j!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fb7f2f20b-bce2-4b68-b061-758ce1dc5e16_1534x1634.png)

以及 Boris 的观察：Claude Code 已经开始“自托管”自己：

[

Boris Cherny@bcherny

@YashGouravKar1 Correct. In the last thirty days, 100% of my contributions to Claude Code were written by Claude Code

12:48 PM · Dec 27, 2025 · 1.38M Views

126 Replies · 319 Reposts · 3.07K Likes

](https://x.com/bcherny/status/2004897269674639461?s=20)

还有 SemiAnalysis 的观察：Claude Code 目前大约写下了 GitHub 5% 的 commits：

[

](https://www.latent.space/p/valuemule)

我们为此做了一个 microsite：

https://wtfhappened2025.com/

接下来我们会把它当作一个持续更新的资源页，随着更多观察与图表拐点出现而不断补充。现在的数据当然仍然稀疏，也缺少时间序列图，因为当你身处其中时，很难去估计一条 sigmoid 曲线。但我们会尽力像当年的 WTF 1971 那样整理关键 datapoints。我们常开玩笑说 AINews 是“唯一一个劝你别读它的 newsletter”，因为“nothing days”太多；但这件事越来越不像玩笑了。

[

](https://substackcdn.com/image/fetch/$s_!r5oF!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fb78fc771-ed91-4c32-bdd7-600533af4429_3050x2198.png)

2026/2/24-2026/2/25 的 AI News。我们为你检查了 12 个 subreddit、544 个 Twitter 和 24 个 Discord（262 个频道、10751 条消息）。按 200wpm 估算，替你节省阅读时间 1086 分钟。AINews 网站可检索所有往期。提醒一下，AINews 现已成为 Latent Space 的一个栏目。你也可以按需订阅/退订不同邮件频率！

Perplexity “Computer”：以编排为先的 Agent 产品（多模型、工具+环境、按使用量计费）

• Perplexity Computer 发布：Perplexity 推出 Computer，定位为一个端到端系统，可通过在同一界面编排 files、tools、memory、models 来完成“research、design、code、deploy、manage”项目（launch tweet, Arav Srinivas）。核心产品信号包括：

  • 访问与定价：先向 Max 订阅用户开放网页端，随后扩展至 Pro/Enterprise；采用usage-based pricing，支持子 Agent 模型选择、消费上限，并给 Max 包含积分（每月 10k）及限时奖励积分（pricing details, availability, Arav on rollout）。

  • 架构侧重点：多条推文都强调，所谓“突破”在于并行、异步的子 Agent，由协调模型把任务分配给专业模型（research vs coding vs media），而非单一的巨型 Agent 循环（Lior’s breakdown, Denis Yarats）。

  • “Everything is computer”叙事：Perplexity 团队成员放大了这一叙事——Computer 作为平台由小团队构建，并大量依赖 coding agents 与自动化 eval/debug 循环（Arav, Denis）。

• 为什么工程师需要关心：Computer 具体推动了 systems-level agent UX：多模型路由、隔离/沙箱、持久记忆与成本控制——也就是把“agentic work”视作分布式工作流，而不是单次聊天会话（Arav, Computer site）。

Coding agents：“12 月开始真的能用了” + 新模型/工具密集发布（GPT‑5.3‑Codex、Claude Code 生态、Copilot CLI GA）

• Karpathy 的“相变”判断：Andrej Karpathy 认为，从 12 月起 coding agents 跨过了一个质变阈值——从脆弱 demo 变成可以在长周期任务中保持连贯与韧性的执行体。他给了一个详细案例：几乎无需干预地委派一整套本地部署流程（SSH keys → vLLM → 模型下载/bench → server endpoint → UI → systemd → 报告）（Karpathy）。这也呼应了更广泛的“software is changing”情绪（Cursor, snowmaker）。

• OpenAI GPT‑5.3‑Codex 发布 + 早期评测讨论：

  • OpenAI 在 API 中发布 GPT‑5.3‑Codex（snsf），Cline 宣布支持并声称有提升：较 5.2 快约 25%、每任务 Token 更少、SWE-Bench Pro 表现强（Cline）。

  • 社区 benchmark 反馈尖锐且噪音很大：例如“IBench 86%”引发惊讶（tweet）以及“首批 benchmark 即将出炉”（kimmonismus）。在方法学清晰前，这些信号更适合视为方向性参考。

• Claude Code：产品成熟度 + 可观测性 + 集成扩展：

  • “一周年”叙事与回顾把 Claude Code 定位为基础型 coding agent 产品，同时也提出context length 扩展触及内存约束的担忧（swyx）。

  • 生态层面的实用进展：Claude Code 集成 Slack plugin（catwu）；通过 LangSmith tracing 排查“nerfing/路由”问题（hwchase17, observability complaint）。

• GitHub Copilot CLI GA + “/research”：

  • Copilot CLI 达到 GA（Evan Boyle），并新增 /research：结合 GitHub code search 与基于 MCP 的动态抓取，对 repo 进行深度研究，且可导出 gist 报告共享（feature）。

  • 小的 UX 更新：终端中的 Copilot CLI 可实时更新标题（tweet）。

开放模型与本地推理：Qwen3.5 “Medium” 浪潮（MoE + 长上下文 + FP8/量化），以及本地 Agent 的拐点

• Qwen3.5 Medium 系列“分发闪电战”：阿里在发布当日推动 vLLM、GGUF、LM Studio、Ollama、Jan 多工具链支持，凸显当下主流开源模型发布后的部署栈落地速度（vLLM thanks, GGUF, LM Studio, Ollama, Jan）。

• Qwen 给出的关键技术主张（按其发布内容转述，本文未独立验证）：

  • 量化鲁棒性：在 4-bit 权重 + KV-cache quantization 下，准确率“近乎无损”。

  • 长上下文：Qwen3.5‑27B 支持 800K+，35B‑A3B 在 32GB VRAM 消费级 GPU 上可达 1M+ context，122B‑A10B 在 80GB GPU 上可达 1M+。

  • 开放 base 模型：Qwen 开源 Qwen3.5‑35B‑A3B‑Base 以支持研究（Alibaba_Qwen）。

  • 开放 FP8 权重，并提供原生 vLLM/SGLang 支持（FP8 announcement）。

• 本地 Agent 的“前后对比”：有实践者称 Qwen3.5‑35B‑A3B 明显提升了本地 Agent 循环的可靠性（tool calling、稳定性），且每 Token 仅激活 ~3B params——这等于明确提出：在许多工作流里，本地方案已可与 Claude Code/Codex 并行可用（victormustar）。

• 评测讨论警示：benchmaxxing 与 MoE/稠密模型混淆：

  • 多个讨论提醒不要过度解读排行榜（“please stop falling for benchmaxxing”）（scaling01）；也有人指出 Qwen 不同规格在部分 benchmark 上异常接近，可能意味着工具链效应或 benchmark 伪影（eliebakouch, teortaxesTex on HLE/MoE interpretation）。

  • Arena 已将 Qwen3.5 Medium 加入 Text/Vision/Code Arena 做正面对比（Arena）。

Agents、可靠性与“为 Agent 构建”：最小基准、工具接口优化与失败模式

• 能力提升快于可靠性提升：一条偏可靠性研究的路线认为，尽管模型能力进展迅猛，可靠性增益却相对有限；应将可靠性拆解为多个维度，而不是压缩为单一“成功率”数字（IEthics, Justin Bullock quote）。

• Agent 失败常常是 可靠性问题，不是能力问题：一篇“agent failure”论文的摘要称，Agent 常因一连串轻微偏航的工具调用而失败：一次错误会提高下一次错误概率，尤其在长周期任务中更明显（omarsar0）。

• “安全且有用”最小 benchmark 思路：相比不断加难任务，有提议认为应测量模型能否稳定执行极其明确且琐碎的安全行为（如“仅在被要求时发送邮件”），并在无关/干扰上下文中也保持一致；其结论是 frontier 模型仍会漏判（jonasgeiping）。

• 把工具描述作为优化目标（Trace‑Free+）：Intuit AI Research 指出，Agent 成败高度依赖工具接口文本，并提出一种课程式方法，让模型把工具描述重写为更适于 Agent 使用的形式，且推理时无需 traces；据称在 StableToolBench/RestBench 与 100+ 工具场景下有收益（omarsar0）。

• GUI/web agents：规划式 vs 反应式：ActionEngine 将 GUI Agent 视为图遍历：离线探索生成状态机，在线阶段用约 1 次 LLM 调用生成完整程序；据称相较逐步视觉循环，在成功率/成本/延迟上显著更优（dair_ai）。

算力、内存与推理速度前沿：芯片内存层级、扩散式 LLM 与扩展基础设施

• Karpathy 谈“tokens 海啸”与内存编排：一条高热讨论把核心约束归结为两类内存池：快但小的片上 SRAM，与大但慢的片外 DRAM。其观点是，最大难题在于如何为 LLM 工作流（prefill/decode/training）编排 memory+compute，以优化吞吐/时延/成本，尤其是在长上下文 + 高频 Agent 循环下的 decode 阶段——这对“HBM-first”（类似 NVIDIA）和“SRAM-first”（类似 Cerebras）路线都很难（Karpathy）。

• 扩散式 LLM 作为提速替代路径：

  • Andrew Ng 强调了 Inception Labs 扩散式 LLM 在推理速度上的亮眼表现（AndrewYNg）。

  • 另有讨论称扩散方法可达到 ~1000 tok/s，并通过架构而非芯片改写速度竞争格局（需谨慎解读；营销常快于可复现评测）（[k

[... content truncated ...]