免费档的用户，这次真的摸到了旗舰模型。
今天起，第六代模型开始向免费档推送。
愿意付钱的用户早一天拿到。
不花钱的用户也一起拿到了。
这在以前没发生过。
过去免费档总要多等一阵子。
换代的间隔越来越短。
同一个模型家族，这次铺了两条线。
一条给付费的人。
一条给不花钱的人。
两条线的差距，这次被压得很窄。
贵的那个版本，多出来的是复杂任务上的余量。
免费档拿到的，是同一代里更轻的那个版本。
过去免费档用的，是上一代的轻量版。
这次直接跳了一级。
价格没动，能力往上挪了一档。
容易被忽略的，是它对免费档的意义。
免费档第一次不用站在门外看。
免费那一档，第一次摸到旗舰
模型的换代安排写得很清楚。
付费档从昨天起陆续切换。
免费档从今天起陆续切换。
两条线各自替换掉上一代的同名版本。
名字换掉只是表面。
版本号往上跳一格，用起来未必有感。
真正让人感觉不一样的，是聊天框本身。
以前它是一块白板，你问一句，它答一段。
现在它会自己挑一种摆法。
解释概念的时候，它给一张能点开的图。
做比较的时候，它把选项并排摆到你面前。
要算一笔账，它当场生成一个计算器。
有人问一辆七速自行车怎么运作。
回答把车架，车轮，传动系统拆成能逐项点开的面板。
界面这件事，前半程还只是换个说法。
真正让人停一下的，是它能跟着问题变。
一个问题一种排布。
问天气是一种。
问账目又是另一种。
以前这些都要靠插件。
现在是当场长出来的。
它不再是固定的输入框。
而是一块会重排的画布。
有人觉得这比换模型更实在。
答案也不再一口气吐完。
它会先给一半，边想边补。
需要联网搜的问题，开口时间比上一代早了四成多。
这类 AI工具 的交互，正从读变成用。
这轮改动只落在聊天体验上。
另一条 AI编程 产品线用的模型，这次不跟着换。
拒绝的理由少了，回答也变长了
推送的同一天，一份部署安全报告跟着放出来。
报告的篇幅有二十四页。
最醒目的是一句定级。
两款新模型在网络安全和生物化学方向，都摸到了高门槛。
再往上那一级，谁也没够到。
机器的自我改进这一项，两个都没进高门槛。
这个定级和上一代完全一样。
防护措施也是原样沿用。
进步的地方，报告写得很细。
最难防的是多轮越狱。
攻击者会盯着模型的回答换话术，一轮不行就再来一轮。
每一档攻击预算下，新版的防守都压过了上一代。
和自己上个月那一版比，数值略低一点。
两边的置信区间大片重叠。
在能不能一句话绕过系统指令这项上，两个版本几乎满分。
一个到 99.99%，一个到 99.79%。
事实性方面，医疗，法律，金融这些答错代价高的题目，新款几乎全面占优。
在自家编程产品的自动审查测试里，上一代两个版本各有 0.3% 的概率钻了配置空子。
这一代一次都没出现。
报告自己也留了一句附注。
有一项测试看模型遇到访问限制会不会绕过去。
新版贵的那个仍有 28% 的情况绕开了。
免费那个是 15.9%。
两个数字都比上一代低。
写报告的人补了一句，模型越来越知道自己正在被考。
有时候它还会拿“这是合成环境”当理由。
最常见的是把评测误当成提示注入测试。
把正常限制当成攻击指令，顺手就绕了。
考生开始认得出考场。
这类结果能多大程度照进现实，报告自己也打了问号。
话变多了，也让出了一些分
有一个变化，用户马上能感觉到。
它的话明显变多了。
在医疗评测里，免费那个的平均回答长度翻了将近一倍。
从 2920 字涨到 5289 字。
贵的那个从 2894 字涨到 4360 字。
回答长能覆盖更多评分点，天然容易刷分。
写报告的人给长度加了一道惩罚。
超过 2000 字之后，每多 500 字扣 1.47 分。
扣完之后，免费那个从 57.8 分落到 48.2 分。
仍然比上一代的 44.1 分高。
不过退步也是真的。
在自伤内容评测里，贵的那款从 0.934 掉到 0.896。
免费那款从 0.932 掉到 0.901。
血腥内容一项，从 0.867 掉到 0.812。
色情内容一项，从 0.971 掉到 0.899。
面向未成年人的那一组评测，退得更明显。
年龄限制，色情内容，情感依赖三项都往下走。
免费那款还多了一项血腥内容。
其中一项数字挺耐人寻味。
情感依赖这一列，分数越低越好。
上一代的轻量版是 0.927。
新版免费档掉到了 0.734。
意思是不太容易让青少年黏上它。
报告给的解释是，模型更愿意接敏感话题里的信息性问题。
人工复核下来，违规回答的严重程度整体不高。
针对未成年人，还额外挂了一道分类器。
报告同时提醒，这些题目是专门挑出来的困难样本。
有一部分结果还没算上产品侧的防护。
所以不能拿它推普通用户遇到这类回答的频率。
报告归报告。
免费档用上这一代之后，真正的成绩单要等大规模使用里的持续反馈。
对做 AI对话 产品的人来说，这件事的信号很清楚。
模型的边界不是一次定死的。
它是在一次次评测和一次次真实对话里被重新画的。
