OpenAI 的研究重心，换了方向。
公司应用研究负责人 Boris Power 透露了一组数字。
大约八成到九成的研究，都投向了 GPT-7、GPT-8 和更往后的模型。
可眼下的 GPT-6，团队并没有放手。
九月刚过，这家公司先放出主打能力上限的 GPT-6 Astra。
九月二十二日，又快又省的 Sol 和 Luna 跟着上线。
一边把大部分精力押给下一代，一边还在给现役模型添柴。
这看起来有点矛盾。
两头都要顾。
于是有两个问题摆上桌面。
重心既然已经前移，手头的模型为什么还在优化。
想把模型越练越强，为什么又做更小更便宜的版本。
为什么还在补眼前的窟窿
用 Power 的话说，有些针对现役模型的投入，内部甚至叫作「极度短视」。
这类活能让团队今天迭代得更快，学到的也更多。
但长期的赌注，始终压在下一代身上。
这里要分清一件事。
一个今天值得做的优化，它的保质期有多久。
模型调用工具老出错，团队就收集数据、调整训练，把洞补上。
比如 AI编程 助手写错一段代码，就得回头补数据和训练。
每修好一处，对 AI工具 的用户就更好用一点，团队也多攒一份经验。
麻烦在于，下一代模型一出来，今天费力补的短板可能自动消失。
模型跑得越快，有些方案就越需要重新掂量。
但明天会过时，不代表今天能省。
用户现在就要用。
该补还得补。
对做 AI对话 产品的团队来说，这个判断尤其现实。
功能今天不稳，用户明天就走。
先练强模型，再教出小模型
既然大模型要做强，为什么还花力气做小模型。
在他的逻辑里，这两件事其实是一回事。
先练出一个能力很强的通用模型，再让它当老师，去教更小更专的模型。
他拿 Astra 和 Luna 举例，画出这条「先做强、再蒸馏」的路线。
这也解释了那八九成研究为什么押给下一代。
新模型既能自己解难题，也能当下一批小模型的老师，把能力搬进更便宜的产品。
蒸馏的常见做法并不复杂。
先让强模型生成示范，挑出高质量输出，再拿这些数据去训练轻量模型。
这套手法这家公司自己很熟。
2025 年 3 月发布音频模型时，团队就明说过靠蒸馏把大模型的知识传给小模型。
官方还讲过一个直观的例子。
让 GPT-4o 当老师。
去教一个更小的模型，根据葡萄酒信息判断葡萄品种。
在 300 条验证数据上，小模型的准确率从 64.67% 涨到 79.33%。
已经很接近老师的 79.67%。
这只是单个任务的结果，不等于小模型全面追平。
学生也不必学会老师的全部本事。
只要在特定任务上够用，成本又降下来，这笔账就划算。
回到 GPT-6 家族，类似的能力迁移还在继续。
九月二十二日上线的两款新模型，主打更快更实惠。
据称它们用了相近的训练方法，把进步带给成本更低的模型。
配方没有完整公开，也不能说它就是缩小版。
但方向很清楚。
大模型抬上限，小模型降门槛。
哪怕日常只用便宜模型，也可能间接受益于更强的研究成果。
大小模型怎么分工才划算
不是所有任务都值得动用最顶级的模型。
活有轻重。
一份工作里，有些环节要深度判断，有些只是把明确的要求执行到位。
让大小模型各接一段活，钱才花在刀刃上。
比如准备一次项目汇报。
几份材料说法不一，数据口径互相打架，结论也没想清楚。
这时可以让更强的模型先梳理逻辑、找出矛盾，指出还缺哪些证据。
等关键事实核实、方向定下来，后面的活就能交给小模型。
遇到材料解释不了的新问题，再请强模型回来。
大模型啃难题，小模型接住那些要求明确、反复要做的活。
具体怎么分，还得看模型在任务上的实际表现。
便宜当然有吸引力。
便宜不等于省。
可如果每次都得自己试模型、拆任务，省下的费用很可能又变成多花的时间。
合理的分工，是让小模型以低成本兜住日常工作，把难题留给需要判断的时刻。
这笔账最终要看整项工作的总成本，模型费用和人的时间都算进去。
算总账才准。
模型在进化，人的角色也在变
在他看来，这几代模型也在改变人的位置。
用 GPT-4 时，用户得精心设计提示词。
到 GPT-5，上手容易了，仍要不断反馈纠偏。
而到了第六代，它已经更像一个能接下目标、自己往前干的同事。
这只是他的判断，不能说所有任务都能彻底放手。
但公开材料里确实提到一些具体变化。
在写代码这类场景里，Astra 能一边向用户提问，一边继续处理不依赖回答的工作。
遇到重要决定，它会停下来等人拍板。
它还能在接到新要求时，记住原来的目标和约束。
这些变化没有跑分直观，却决定 AI 能不能从工具走向同事。
背后考验的是自主推进任务、持续扛活的能力。
这不容易。
要记得住目标，推得动工作，也知道哪些决定必须请人拍板。
未来的 GPT-7、GPT-8 能把这种协作推到哪一步，还要看后续产品。
对用户来说，模型升级的价值要算一笔更实在的账。
交代完一个目标，还得替它拆多少步骤，催多少次进度，收多少烂摊子。
只有这些负担真的轻了，进步才算落到工作和生活里。
