大模型是怎么一步步走到今天的

2026.07 → 2028 · 以下全是判断

大胆的那部分

上面三条是「测不了」。这一节是「我认为会怎么走」。
五条全是判断。所以每一条都写上它会被什么证伪。明年回来，可以一条条对。

未来两年最大的一次能力跃迁，不会来自参数或数据，会来自编排层。「模型多强」和「系统多强」正在变成两个独立的数。

依据RAH 那篇把 backbone 锁死在 GPT-5，只换 harness，在 Oolong-Synthetic 上 71.75% → 81.36%。论文自己说这 +9.61 分来自 harness 而不是模型。

会被什么证伪如果下一代模型在不换 harness 的前提下，把同类长上下文任务再推 10 分以上，这条就错了。

两年内它不再是有意义的横向对比项。取而代之的问题是：它能管多大的外部状态。

依据第 4、5、8 三关都在为「把窗口做长」付账。而递归 harness 的做法是根本不放进窗口：放在磁盘上按需读，4M token 的任务靠的是文件系统。

会被什么证伪如果厂商继续把窗口当主要卖点，并且长窗口在实测上持续压过「外部状态 + 按需读」，这条就错了。

MoE 是「每个 token 只激活 2/8 的参数」。动态 workflow 是「每个子任务只激活一个子 agent」。同一个思想在往上爬，下一层是记忆：每次只激活相关的那一小块。

依据这三层的动机完全一样：总量可以很大，单次代价必须小。前两层已经发生了，而且都是先在论文里出现、一年内进产品。

会被什么证伪如果两年内长期记忆的主流做法仍然是「全量塞进上下文」或「向量库粗检索」，没有出现类似路由的门控结构，这条就错了。

第四代的全部可行性押在「它能判断子 agent 干对了没有」。代码领域已经成立。写作、研究、决策这些没有可执行判据的地方，并行会放大错误而不是收敛。两年内不会有通解。

依据Anthropic 的 codebase 迁移明确把「现有测试套件」当作标准，这恰恰说明校验依赖外部判据。而 METR 已承认超过 16 小时的测量不可靠。

会被什么证伪如果出现一个在无测试领域（比如长篇研究报告）上，多 agent 并行稳定优于单 agent 的控制变量评测，这条就错了。

格局会是少数几个底座模型 + 大量场景化 harness，而不是一家通吃。因为增益转移到 harness 之后，harness 是和场景绑定的，而场景是碎的。

依据同一份数据里：换 harness 不换模型 +9.61 分（71.75 → 81.36），换模型不换 harness +8.41 分（81.36 → 89.77）。两个量级相当，说明这是两个独立的乘数，谁也吸收不了谁。

会被什么证伪如果某一家的通用 harness 在跨场景评测上普遍压过场景专用 harness，这条就错了。