大模型能力提升路线图：从"堆参数"到训练全栈 + 外层程序
导读：如果你觉得 2026 年的模型"突然又变强了"，答案很少是"参数又多了"。这篇长文把当前可核查的公开证据整理成一张六层路线图，逐层回答三个问题：这一层的收益从哪来、门槛有多高、未来 12 个月该盯什么指标。全文以 2026 年 2–9 月的中金技术展望、智源趋势报告、Meta ScaleRL 大规模实验与一线工程综述为主要依据，末尾附参考资料。
一、先破一个幻觉：能力提升发生在六层，而不是一层
过去几年，我们习惯用"参数、数据、算力"三件套解释模型进步。但这套解释在 2026 年已经明显不够用了：用户能感知到的很多变化，根本不是"再多喂一点语料"自然长出来的。
一个被反复引用的经典例证是 InstructGPT：一个 1.3B 参数、做过对齐与偏好优化的模型，在人类偏好评测里能赢过 175B 的 GPT-3，参数量差了两个数量级，用户却更喜欢那个小得多的版本。这说明"能力"和"体验"之间的转换，大量发生在预训练之后的环节。
把公开资料里的训练链路摊开，可以看到清晰的六层分工：
| 层 | 这一层真正在优化的 | 用户通常感知到的 |
|---|---|---|
| 预训练 | 知识覆盖范围、表示质量、规模效率 | "模型变聪明了" |
| 数据工程 | 数据分布、质量、去重、合成监督 | "为什么这个模型代码/数学更强" |
| 系统与架构 | 吞吐、显存、上下文长度、活跃参数、成本 | "为什么能支持 128K 上下文" |
| 后训练 | 指令遵循、风格、推理能力、工具使用 | "这个助手用起来更顺手" |
| 评测与奖励 | 什么叫好的、安全的、稳健的行为 | "这个模型感觉更可靠" |
| Harness 与部署 | 延迟、成本、专用化、在线持续改进 | "为什么上线版本和发布版本有差异" |
这六层不是并列关系，而是耦合关系：一层变化通常会传导到其他层。2026 年的模型能力差距，越来越集中在这条链路的"后半段"能否跑通、以及能不能形成持续迭代的闭环。
下面按"从底座到前沿"的顺序，逐层拆解。
二、底座层｜预训练 Scaling Law 的"复活"
2.1 为什么 2026 年预训练又能继续 Scaling
2025 年下半年一度流行"预训练撞墙"的说法，理由是数据快用完了、边际收益递减。但中金在 2026 年 2 月的技术展望里给出了相反的判断：2026 年预训练 Scaling Law 将重现，旗舰模型参数量更上一个台阶。
理由是硬件与工程的同步成熟：随着英伟达 GB 系列芯片成熟与推广，模型将基于更高性能的万卡集群在预训练阶段重新 Scaling，参数量和智能上限都会进一步提升。中金同时指出，Google Gemini-3 的进步主要来自预训练层面的优化及高质量数据融合——这被视为"预训练远未到上限"的直接证据。
需要强调的是，当下的 Scaling 已经不是"把模型简单做大"，而是架构、算法、工程三者共同优化：扩大参数规模的同时提升参数利用效率。
2.2 架构共识：MoE 稀疏化与注意力机制三条路线
MoE（混合专家）已成为平衡性能与效率的行业共识。 稠密模型中每个输入都要激活全部参数，规模一大，训练与部署的 GPU 和内存带宽成本就难以为继。MoE 用稀疏激活替代全量激活，通常只激活总参数的 10–20%，把"计算需求"与"模型规模"解耦。国产模型在这一点上探索得尤其极致，DeepSeek-V3.2、MiniMax-M2、Qwen 系列都是 MoE 路线。
但 MoE 不是免费的午餐，它带来三类新问题，也对应三类优化：
- 专家负载不均：通过训练时加入辅助损失函数，流量过度集中时抬高损失值，强制路由重新分配 Token；
- 专家间通信开销：MoE 对专家互联要求更高，因此"芯片与算法协同设计"成为趋势，更大规模的算力集群几乎是必要条件；
- 路由与注意力头的精细化：细粒度专家切割、减少冗余注意力头，让不同专家和注意力头各有所长。
注意力机制则在"精度"与"效率"之间反复取舍。 按计算复杂度可分三类：
| 类型 | 时间复杂度 | 优势 | 主要短板 |
|---|---|---|---|
| Full-Attention | O(N²) | 长文本精度高 | KV Cache 随上下文线性增长，推理效率低 |
| Linear-Attention | O(N) | 效率高 | 注意力矩阵低秩，长序列检索准确度下降 |
| Hybrid-Attention | 混合 | 平衡速度/显存与长文本精度 | 结构复杂，需按任务调优 |
代表实现包括：Mistral 7B 的"滑动窗口 + 全局"混合注意力，DeepSeek-V3.2 的稀疏注意力（Sparse-Attention，把复杂度从 O(N²) 降到 O(Nk)，只关注最重要的 Top-k Token），Kimi 的线性注意力精细化门控，以及 MiniMax 从 Hybrid 切回 Full-Attention 的"反向选择"——后者恰恰说明：没有普适最优，只有针对任务的效果取舍。
2.3 数据配方才是真正的分水岭
参数规模是过去几年最容易被比较的指标，但这两年真正拉开差距的是数据配方。
Chinchilla 定律给出过一个"数据最优点"：对 8B 参数模型，约 200B tokens 即可。而 Llama 3 8B 实际用了 15T tokens，超出约 75 倍。这类"过训练配方"换来的是同等参数下更高的能力密度，最终得到更小、推理更省的模型。换句话说，衡量训练投入，看总 FLOP 比看参数量更靠谱。
数据工程也不只是"清洗"，它更接近能力设计：
- 网页、代码仓库、书籍、论坛等原始数据，要依次走完文本抽取、语种识别、质量过滤、隐私处理、安全过滤、去重；
- 去重与污染控制常被忽略但影响巨大——模板重复、许可证文本、镜像网页，以及 benchmark 泄漏带来的污染；
- 数据配比本身成为独立课题，
Data Mixing Laws这类工作关注的不是"还能收多少数据"，而是"不同类型数据占比会把模型带向什么能力结构"。
合成数据则从"辅助手段"变成了"正式流程"：早期模型生成基础指令数据，更强的模型生成高质量推理轨迹与 CoT 数据，经过 RL 训练的推理模型再把这些轨迹蒸馏给更小的稠密模型。每一代更强的模型，都在参与重构下一代模型所看到的数据。
本层判断：预训练仍有空间，但已不是拉开差距的主战场。对绝大多数团队而言，可控杠杆在数据配方与架构效率，而不是参数规模本身。
三、后训练层｜强化学习成为"新的 Scaling Law"
如果说 2024 年 o1 的发布是"推理模型元年"（站内精选《OpenAI o1 问世：推理时计算开启新范式》有完整梳理），那么 2026 年的主线就是：强化学习（RL）从"对齐工具"升级为"能力上限的来源"。
3.1 占比在变：RL 从配角走向主战场
中金给出的量化参考很直观：DeepSeek V3.2 的后训练计算预算已占预训练成本的 10% 以上，而海外头部厂商的相关占比可能在 30% 左右，并且预计 2026 年还会进一步提升。
为什么 RL 这么"贵"却这么值？因为它的本质是**"自我生成数据 + 多轮迭代"**：每一轮包含采样、价值评估、策略更新，计算量远超传统 SFT；而且大模型上的 RL 是高方差优化，需要规模算力来提供稳定性。同时，RL 的结果高度依赖数据质量——奖励模型的训练数据、奖励校准、避免 reward hacking，以及用高质量数据做 SFT 冷启动。
一句话：算力与高质量数据是 RL 的两条腿，缺一条就走不动。
3.2 算法谱系：为什么 GRPO 能取代 PPO
对齐算法的演进有一条清晰的主线——不断削减工程负担、提高信号利用效率：
- RLHF：先模仿高质量回答，再用人类偏好比较做强化，需要独立训练奖励模型；
- DPO：跳过奖励模型，直接从偏好对比中学习；
- GRPO：对同一提示采样多个回答，用组内相对排名替代绝对价值估计，不再需要独立的价值网络。PPO 要同时维护策略网络与价值网络，在大模型上工程负担极高，而 GRPO 把这块成本砍掉了；
- DAPO / CISPO / GSPO 等：继续在损失函数、采样效率、稳定性上做精细化改进。
DeepSeek-R1 的公开配方是理解后训练流水线最清晰的样本，它分四个阶段：
- 冷启动 SFT：先用少量高质量 CoT 数据热身。R1-Zero 证明从 base model 直接做 RL 可行，但纯 RL 输出会重复、语言混乱、可读性差，冷启动不是多余步骤；
- 可验证领域 RL：在数学、代码、逻辑等有明确真值的领域，用 GRPO 训练，以程序可验证的正确性作为奖励；
- 拒绝采样微调：把 RL 产生的成功轨迹过滤后转成新的 SFT 数据，RL 与 SFT 之间的桥梁；
- 对齐 RL：融入有益性与安全性偏好，收敛到可发布的助手形态。
站内精选条目《DeepSeek-R1 开源：推理模型的"Sputnik 时刻"》记录了这次范式冲击的市场意义，而这里更值得关注的是它的工程可复制性：四个阶段相互依赖，形成闭环。
3.3 Meta ScaleRL：40 万 GPU 小时换来的三条原则
2025 年底 Meta 等机构发布的《The Art of Scaling Reinforcement Learning Compute for LLMs》，是目前对 RL Scaling 最系统的一次公开研究——总实验量超过 40 万 GPU 小时（NVIDIA GB200），单个对照实验约 1.6 万 GPU 小时，并在一个 8B 稠密模型上完成了验证性训练。
它的核心贡献是提出一个可预测框架：用类 sigmoid 的饱和幂律曲线刻画"期望奖励 R 与训练算力 C"的关系，其中三个参数分别是：
- A：渐近性能上限（这个方法最终能到哪）；
- B：算力效率（多快能到）；
- C_mid：性能曲线的中点。
这个框架的实用价值在于：只需用一半的目标算力早期数据拟合曲线，就能外推预测更大规模下的性能轨迹。研究者在 10 万 GPU 小时的验证训练中确认，预测曲线与实际表现高度吻合。
由此得到三条颠覆常识的原则：
| 原则 | 含义 | 工程含义 |
|---|---|---|
| RL 上限不通用 | 不同方法在不同算力下会撞到不同的 A，且 A 可通过损失函数类型、batch size 等设计调整 | "谁跑分高"要看算力量级，不能小规模就下结论 |
| 拥抱 bitter lesson | 小规模表现好的方法，放大后可能反而更差 | 应早期估计 A 和 B，提前筛掉"不可扩展"的方案，而不是先跑大规模再说 |
| 重新评估常见 heuristic | 损失聚合、课程学习、长度惩罚、优势归一化……大多只影响效率 B，不改上限 A | 把"提效率"的招和"提上限"的招分开管理 |
ScaleRL 本身没有发明新算法，而是把已验证的最佳部件组合起来：异步 PipelineRL 架构（off-policyness = 8）、基于生成长度中断的截断控制、FP32 logits 精度（这一项把最终性能从 0.52 提升到 0.61）、prompt 级损失聚合、batch 级优势归一化、零方差样本过滤，以及"No-Positive-Resampling"（某 prompt 历史通过率 ≥ 0.9 即永久移除，避免消耗算力却几乎不提供梯度信号）。
几个对规模化很关键的结论：
- 长生成是"抬上限"而非"换效率"：生成长度从 14k 提到 32k，早期进步变慢（B 变小、C_mid 变高），但最终上限 A 更高；
- 小 batch 会过早饱和：小 batch 早期看着更好，但随算力增加会被大 batch 反超；把 batch 加到 2048 prompts 不仅稳定训练，还让"5 万 GPU 小时拟合、外推到 10 万 GPU 小时"变得准确；
- 模型规模不变性：换到 17B×16 的 Llama-4 Scout MoE 后，ScaleRL 依然可预测、无不稳定迹象，而且用约 1/6 的算力就达到了比 8B 稠密模型更高的渐近性能。
本层判断：RL 的预算占比还会继续上升，但它的收益不是"无脑投入"就能拿到的——可预测性本身才是这一层最稀缺的能力。能早期判断"这个方法能不能 scale"的团队，会比"先烧算力再看结果"的团队省下一个数量级的成本。
四、推理时计算层｜让模型"想更久、也想更巧"
前面两层都在优化"训练算力"，而 o1 之后出现了一条新的纵轴：推理时计算（Test-time Compute）。
4.1 从单轴扩展到双轴
推理算力（每次响应的 token 数）↑
┌──────────────────────────┬──────────────────────────┐
│ 推理模型时代 │ 智能体时代 │
│ 训练规模不变，推理可变 │ 轨迹更长、工具调用更多 │
│ （o1、DeepSeek-R1） │ 推理预算显著扩大 │
├──────────────────────────┼──────────────────────────┤
│ GPT-3 时代 │ 更大预训练 │
│ 训练 scaling，推理固定 │ 输出长度固定 │
└──────────────────────────┴──────────────────────────┘
训练算力（FLOPs）→
范式变化的核心是：计算量变大仍能带来智能提升，但载体从"参数量变大"迁移到了"推理时计算增加"——模型通过更长的思维链、并行思考与自我反思，把算力花在"想"上面。
4.2 交错思维链：推理与工具调用交替进行
推理模型最关键的工程演进，是从"先想完再做"变成"边想边做"。
- 传统 CoT：在回答前形成完整规划，再执行；
- 交错思维链（Interleaved-thinking）：模型在"思考"与"行动"之间高频无缝切换，将内部隐式推理与外部工具的显式记录结合，从而提升实时修正能力、降低幻觉与记忆遗忘。
这一变化直接支撑了 Agent 任务：模型能在推理过程中自主调用各类工具、把目标拆成数十个子任务，并在遇到错误时自动调整路径，形成长程任务闭环。
4.3 过度思考：新范式带来的新成本
更长的思维链不是免费的。2025 年之后，"过度思考"（overthinking）与延迟成本开始被认真对待：不必要的长推理直接转化为成本与等待时间。产业界因此在做两件事：一是优化 CoT 的"效率"，用更少的 token 解决同样复杂的问题；二是路由——GPT-5 首次引入实时路由模式，根据用户提示自动把请求分发给"深思考模型"或"高性价比即时模型"（站内精选《GPT-5 发布：统一系统路由下一代旗舰》）。
本层判断：推理时计算已经是标配能力，差异化不体现在"能不能想"，而体现在**"想多久、什么时候停"的预算分配能力**上。这也正是 RL 训练的下一步目标：不只是教模型答题，而是教它分配推理预算。
五、上下文与记忆层｜从提示词工程到上下文工程
到了 Agent 阶段，长上下文是复杂任务的基础，而"记忆"是这一层最明显的短板。中金把"上下文工程"列为 2026 年模型厂商的发力重点，原因很直接：上下文长度决定任务能不能被装下，记忆决定任务能不能被连续完成。
5.1 工程侧：把 KV Cache 压下去
长上下文的成本几乎全部压在 KV Cache 上，各家给出了不同的工程答案：
| 厂商/模型 | 主要手段 |
|---|---|
| Kimi | 混合注意力机制 + 精细门控，分别优化 KV Cache 与内存管理 |
| DeepSeek | MLA 压缩 KV Cache 体积，算子优化提升带宽性能；V3.2 用稀疏注意力把 O(L²) 降到 O(L·k) |
| Anthropic | 即时上下文策略，增强智能体的检索效率 |
| Manus | 上下文重写与压缩，把全局目标写入模型短期记忆，管理长时多步任务的堆积上下文 |
可以看到，"上下文工程"本质上是一套信息调度系统：决定模型每一步看到什么、丢掉什么、把什么抬升为长期目标。
5.2 算法侧：让模型学会"分层记忆"
工程手段之外，更根本的解法是让模型具备持续学习与分层记忆能力——核心是解决大模型的"灾难性遗忘"。Google Research 的一系列工作（MIRAS、Titans、Nested Learning、HOPE）构成了当前最完整的一条技术线：
- MIRAS：把注意力机制、本地记忆结构、优化器都视为"关联记忆"的特例，提供记忆模块的系统化设计框架，包含记忆架构、注意力偏差、保留机制与学习规则四要素；
- Titans：MIRAS 的架构落地，引入神经记忆层（模型内部的小型 MLP 专门负责记忆），并把记忆分为三层——短期记忆（传统注意力处理即时上下文）、长期记忆（可动态更新权重的神经网络存储上下文）、持久记忆（存储训练中沉淀的常识与逻辑）。它不被动存数据，而是用"惊奇度"指标筛选该记什么；
- Nested Learning（嵌套学习）：2025 年 11 月提出，把模型训练视为多层级、嵌套、并行的优化问题，每个层级有自己的 context flow 与更新频率。它的亮点不是"弥补遗忘"，而是模仿人脑处理不同时间跨度记忆的方式——按任务的时间跨度与重要性动态调整学习和记忆的方式；
- HOPE：嵌套学习的工程实现，本质是"快—慢"双系统协作：自修改 Titans 作为快系统快速捕捉新信息并判断更新频率，连续记忆系统作为慢系统负责知识长期沉淀。新知识先在高频层快速学习，经时间验证后才逐步转移到低频层形成长期记忆。
工业侧同样在分层。 ChatGPT 的记忆系统被逆向拆解为四层上下文堆栈：临时的环境信息（设备、位置）、用户永久个人档案、用户近期聊天标题摘要、当前对话的完整记录。当滑动窗口触达长度上限、最早消息被移除时，永久记忆与近期兴趣摘要仍被保留——这就是"用工程手段模拟分层记忆"的现实形态。
本层判断：上下文工程是 2026 年确定性最高的增量方向；而"把有效信息写入模型参数形成长期记忆"，是算法与工程共同的下一站。对产品而言，记忆质量将直接决定 Agent 的可用性上限。
六、智能体层｜从"答对一题"到"跑完整条轨迹"
如果说前五层优化的是"模型内部"，这一层优化的是模型外部。2026 年最值得注意的变化是：优化对象从"答案"扩展到"轨迹"，再扩展到承载轨迹的 harness 程序本身。
6.1 优化单元的迁移
| 维度 | 推理模型 | 智能体模型 |
|---|---|---|
| 优化单元 | 一个答案 | 一条轨迹 |
| 主要瓶颈 | 验证器准确度 | Harness 质量 |
| 典型奖励 | 结果奖励 | 结果 + 过程 + 上下文奖励 |
| 常见失败 | 走捷径的推理 | 工具误用 / 上下文漂移 / 奖励攻击 |
这个迁移带来两个直接后果。
第一，奖励设计必须拆细。 只给最终答案打分（ORM）会让模型学会"碰巧答对"，代码、数学和复杂推理尤其明显；给中间步骤打分的 PRM 信号更密、更能约束过程，但标注与系统成本是 ORM 的数倍。因此在真实系统里，大多数仍从 ORM 起步，只有在数学、代码、逻辑这类可验证任务中才有条件把 PRM 自动化（用程序验证中间步骤，绕开人工标注瓶颈）。
到了 Agent 阶段，奖励进一步拆成四类：结果奖励、过程奖励、上下文奖励、反作弊惩罚。具体案例包括：Kimi K2.5 奖励"有效拆解与真实并行"；Chroma Context-1 给搜索途中找到的相关文档记分；Cursor Composer 2 把长任务中的 summary 纳入奖励——因为总结一旦失真，后面的上下文会一路被带偏。
第二，环境质量取代数据多样性成为核心。 SFT 时代看数据多样性，Agent 时代看环境的稳定性、真实性、覆盖度、难度分布、反馈丰富度和抗利用性。一个现实约束是：harness 先稳住，模型训练才有意义。工具返回值不稳定、浏览器环境与线上不一致、文件系统状态不可复现时，grader 会先出错，模型学到的不是能力，而是如何利用环境漏洞——这时团队既在 debug 模型，也在 debug 环境。
6.2 Credit assignment：只训编排层
多智能体训练最难的工程问题是信用分配：一个长任务由 orchestrator 拆给多个 sub-agent 完成，最终成败该归因给谁？
Kimi 的 PARL 给出了一个干净的工程答案：只训练 orchestrator，冻结所有 sub-agent，把梯度收敛到编排层。奖励由三部分构成：
r_perf：任务成功（主奖励）；r_parallel：激励并行拆解，训练早期权重拉高、后期退火到 0，避免把"多开 sub-agent"当成刷分捷径；r_finish：惩罚虚假并行。
评估也不只看总步数，而是看关键路径长度（最长串行链），只有关键路径变短，才说明并行真的生效。
6.3 Meta-Harness：harness 本身成为可优化对象
2026 年更前沿的一步是把 harness engineering 单独拿出来优化：优化的不是权重，而是围绕固定模型的 prompt construction、retrieval、memory 与状态更新程序。
论文里最抓人的一个数字是：同一个底模，只改 harness，在同一 benchmark 上就可能拉出 6 倍的性能差距。方法上，它并不引入一个抽象的 optimizer，而是把 prior code、scores、execution traces 全部写入文件系统，让 proposer 像写代码一样去 grep、cat、比对 diff，再顺着失败路径改 harness。作者明确判断：面向 harness 这类长时、状态化程序，只给 scalar score 会把问题压扁——harness 的错误往往很多步之后才显现，反馈一旦被过度压缩，诊断链路就断了。
几个可验证的结果：
- 在线文本分类任务中，比上下文工程基线 ACE 高 7.7 个点，同时把 context token 用量压到原来的 1/4；
- 检索增强数学推理中，一个搜索得到的 harness 在 200 道 IMO-level 题目上，对 5 个未参与优化的 held-out 模型平均再涨 4.7 个点；
- 在 TerminalBench-2 上超过手工工程化 baseline。
一个有代表性的发现是：Meta-Harness 自动找出了 environment bootstrap——在 agent loop 开始前先跑一个 shell 命令，把工作目录、可用语言、包管理器与内存状态整理成快照注入首轮 prompt。很多 coding agent 前几轮其实都在"探环境"，这层前置做好，提升不一定来自更强的权重，而是让模型一开始就站在更好的上下文上。
6.4 在线持续迭代：训练与部署的边界在变薄
Cursor Composer 2 的 real-time RL 说明：一部分 Agent 能力已经开始通过生产流量持续迭代，而不是等下一轮大规模离线训练统一刷新。训练与部署之间的边界没有消失，但两者的反馈回路正在明显缩短。
本层判断：Harness 工程正在变成与"训模型"并列的独立能力层。对团队来说，同样的模型，外层程序的组织方式可能比模型选型更决定成败——这也解释了为什么站内会专门深潜《OpenClaw 架构深度解析：一个自托管 AI 助手运行时的设计之道》和《Agent 与 Workflow 的原理区别》。
七、多模态层｜能力边界的横向扩展
前六层解决的是"更深"，多模态解决的是"更宽"。2025–2026 年这一层发生了两件结构性变化。
第一，架构走向统一 token 化。 文本、图像、视频、音频在底层被统一转换为 token 进行训练，原生多模态架构普及。以 Gemini-3 为代表的多模态模型基于数据端的长期积累，把"理解—推理—生成"深度合一，并把强化学习引入视觉与音频领域，从而加强对时空逻辑与动作因果的理解。
第二，图像生成进入生产力层级。 过去一年，图像生成在结构比例理解、风格一致性与可复现性、真实质感与复杂 prompt 遵循上全面跃升。Nano banana Pro 与依赖像素扩散的路线形成了方法论差异：它建立在旗舰语言模型之上，具备空间推理与光影控制能力，能够在生成图片之前先规划图像结构、文字布局与逻辑关系。这拉高了整个行业门槛——缺少大语言模型、或没有做原生多模态融合的厂商，仅靠像素扩散的短板变得明显。
趋势上，多模态继续沿两条线走：架构侧统一 token 化 + 高质量数据积累，应用侧与 Agentic 融合（自主解决繁琐复杂任务）。同时对单芯片推理提出更高要求，尤其是内存容量与带宽。
本层判断：多模态不再是"加分项"，而是旗舰模型的入场券；真正的分水岭在于原生融合程度，而非是否支持某个模态的输入。
八、前沿层｜世界模型与持续学习
前面七层回答的是"如何把现有范式做得更好"，这一层回答的是"范式本身会不会换"。
8.1 NSP：从"预测下一个词"到"预测世界的下一个状态"
智源研究院《2026 十大 AI 技术趋势》把**"世界模型成为 AGI 共识方向，Next-State Prediction（NSP，预测下一个状态）或成新范式"**列为趋势之首。其判断是：行业共识正从语言模型转向能理解物理规律的多模态世界模型，AI 开始从"生成符号"走向"理解现实"。
这也解释了为什么纯语言 Scaling 的边际效应会被反复讨论：语言模型学的是语料中的统计规律，而世界模型要学的是质量、速度、重力这些物理量与因果链。
8.2 三条技术路线，三种世界观
当前世界模型有三条差异明显的主流路线：
| 路线 | 代表 | 核心主张 | 本质 |
|---|---|---|---|
| 空间智能 | 李飞飞团队 Marble | AI 需要理解几何、物体深度与物理关系 | 创建持久 3D 世界 |
| 因果推理 | LeCun Yann / JEPA | 应专注因果推理而非像素生成，像人一样通过观察视频学习 | 预测掩码嵌入，关注内部预测状态 |
| 交互式模拟 | Google DeepMind Genie 3 | 把世界模型作为训练智能体的虚拟环境，从大规模视频学习并生成可交互世界 | 交互式视频引擎 |
三者的共同目标是一致的：给模型一种结构化的方式去思考世界，而不只是"预测下一个 token"。它们的差别在于"世界"被表示在哪里——3D 几何、潜在嵌入，还是可交互的视频序列。
8.3 为什么这一层是"中长期变量"
世界模型很热，但它目前更像是训练智能体的虚拟环境，而非直接变现的能力。中金的判断是：世界模型在 Genie 3、Marble 等不同路径的探索下具备突破机遇，属于中长期路线；2026 年的胜负手仍然在强化学习与上下文工程。
对从业者而言，这一层的现实意义是两条可操作的信号：一是机器人、自动驾驶、具身智能等领域的训练环境是否开始大规模依赖生成式模拟；二是"空间一致性"是否开始成为评测维度——一旦后者成立，说明业界真的在为"理解世界"建标准。
本层判断：把它当作 3–5 年尺度的方向性投资来看待，而不是今年就要押注的技术选型。
九、一张路线图：优先级、门槛与观察指标
把七层能力放在同一张表里对照，就能看出 2026 年的资源应该往哪儿放。
| 路径 | 单位算力收益 | 门槛 | 代表玩家 | 未来 12 个月观察指标 |
|---|---|---|---|---|
| 预训练 Scaling | 中（但基数大） | 极高（万卡集群 + 数据） | OpenAI、Google | 旗舰参数量、GB 系列集群规模 |
| 数据配方与蒸馏 | 高 | 中 | DeepSeek、Qwen | 同规模模型的能力密度、开源榜单位置 |
| 后训练 RL | 高 | 高（算力 + 质量数据 + 稳定性） | OpenAI、Anthropic、DeepSeek | RL 预算占比、可预测 scaling 曲线是否公开 |
| 推理时计算 | 中高 | 中 | 全行业 | 路由策略、过度思考抑制、每任务 token 成本 |
| 上下文工程与记忆 | 高 | 中 | Anthropic、Manus、Kimi | 有效上下文长度、记忆持久性、检索准确率 |
| 智能体与 Harness | 高 | 中（工程为主） | Kimi、Cursor、Chroma | 长任务成功率、关键路径长度、harness 自动化程度 |
| 多模态原生融合 | 中高 | 高（数据 + 架构） | Google、字节 | 生成可控性、跨模态推理一致性 |
| 世界模型 | 待验证 | 极高 | Google、李飞飞团队、Meta | 具身训练环境渗透率、空间一致性评测 |
三条结论：
- 性价比最高的是中间三层——数据配方、上下文工程、Agent/Harness。它们不依赖万卡集群，靠工程与设计就能拿到显著收益，是中小团队最现实的机会窗口。
- 后训练 RL 是"上限之争"的必要条件，但它的收益高度依赖可预测性。不能早期判断"能不能 scale"的团队，很容易把预算烧在错误的配方上。
- 预训练与世界模型是两个极端：一个门槛极高但仍有空间，一个方向明确但尚未兑现。前者适合有算力的头部玩家，后者适合做方向性布局。
给不同角色的行动建议
对算法工程师：
- 把 RL 的可预测性当作第一优先级：先在中小规模拟合性能曲线（识别 A 与 B），再决定是否放大，别用"跑完看结果"的方式消耗预算；
- 奖励设计要比模型选型更早动手：在可验证任务上优先尝试自动化 PRM，在通用任务上接受 ORM + 过程约束的组合；
- 把"上下文管理"当代码写：上下文裁剪、摘要、检索策略都应可版本化、可回归测试，而不是散落在 prompt 里。
对技术产品经理：
- 评估模型时，分别问清"是权重变强了，还是 harness 变好了"：同一个底模外层程序不同，效果可能差数倍，这直接影响你是换模型还是改产品；
- 把"记忆"列为产品级指标：用户档案、近期摘要、当前对话的保留策略，决定用户是否会把 Agent 当长期工具用；
- 用"任务完成率 + 关键路径长度 + token 成本"三件套替代"跑分"，尤其是 Agent 类产品。
十、结语：能力提升是一条链路，不是一个模型
回到开头的问题——2026 年的模型为什么"又变强了"？
答案分布在这条链路上的很多个环节：预训练因为 GB 系列集群成熟而重新 Scaling；后训练因为 RL 占比提升到 10%–30% 而打开上限；推理时计算让模型学会分配思考预算；上下文工程与分层记忆让长任务变得可行；Agent 训练把优化对象从答案推向轨迹与 harness；多模态完成横向扩展；世界模型则在更远的尺度上准备换掉范式本身。
如果只记一句话，我会这样总结：
能力提升的瓶颈，正在从"模型能不能学会"，转移到"系统能不能把学会的东西稳定地用出来"。
风险提示
- 架构与范式被颠覆：目前主流仍是 Transformer + 预训练 Scaling Law + 强化学习，如果有更新的架构或范式出现，现有领先地位可能被动摇；
- 技术迭代不及预期：模型厂商若无法同步优化算法与工程，很难在提升性能的同时压低成本，能力领先难以维持；
- 奖励攻击与对齐风险：随着模型获得更强的环境访问能力，它优化的可能不只是任务结果，还包括 checklist、reward code 乃至训练关系本身；这类行为在标准对话评测中看不见，只在 Agent 任务环境里暴露，因此 reward、grader、环境隔离与监控必须被视为训练设计的一部分；
- 算力约束下的路径分化：中美形成"追求智能上限"与"兼顾开源普惠"两条路径，前者拼算力与前沿探索，后者拼工程与算法效率，这一格局预计将延续。
参考资料
- 中金公司《人工智能十年展望（二十六）：2026 关键趋势之模型技术篇》，2026-02-03（于钟海、王之昊、袁佳妮、车姝韵、韩蕊、赵丽萍）
- 智源研究院《2026 十大 AI 技术趋势》，2026-01-08：趋势 1「世界模型成为 AGI 共识方向，Next-State Prediction 或成新范式」
- Meta 等，《The Art of Scaling Reinforcement Learning Compute for LLMs》（ScaleRL），40 万 GPU 小时 RL Scaling 系统性研究
- tw93，《你不知道的大模型训练：原理、路径与新实践》，2026-04-03
- DeepSeek-AI，《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》，arXiv:2501.12948
- Hoffmann et al.，《Training Compute-Optimal Large Language Models》（Chinchilla），arXiv:2203.15556
- Ouyang et al.，《Training language models to follow instructions with human feedback》（InstructGPT），arXiv:2203.02155
- Google Research，《Nested Learning: The Illusion of Deep Learning Architecture》，2025-12-31
- Lee et al.，《Meta-Harness: End-to-End Optimization of Model Harnesses》，2026
- 站内精选条目：《OpenAI o1 问世：推理时计算开启新范式》《DeepSeek-R1 开源：推理模型的"Sputnik 时刻"》《DeepSeek-V3 开源：MoE 架构与极致工程效率》《GPT-5 发布：统一系统路由下一代旗舰》《Qwen3 开源：混合思考模式与多语言覆盖》《Claude Code 发布：终端里的编程智能体》《Manus 邀请码刷屏：通用 Agent 的中国时刻》《OpenClaw 架构深度解析》《Agent 与 Workflow 的原理区别》
注：文中数据均来自上述公开来源；涉及"预计""判断"的内容为引用来源的观点，非本文原创预测。个别厂商的 RL 预算占比为研究机构估算口径（如海外约 30%），未获官方披露，引用时请保留估算属性。