前天凌晨Anthropic發(fā)了Opus 4.8。模型能力其實(shí)沒見多大長進(jìn)，但有兩個跟分?jǐn)?shù)無關(guān)的動作值得留意：一是把自家Fast模式的價格砍到原來的三分之一，二是新增了能一口氣調(diào)起幾十上百個subagent的Dynamic Workflows。

連最前沿的玩家都把勁兒使在「怎么把一大堆a(bǔ)gent又快又穩(wěn)地跑起來」上，而不是單純堆智能。這其實(shí)是個信號：到了生產(chǎn)級的環(huán)境里，「快速、高效地執(zhí)行」正在變成新的勝負(fù)手。

巧的是，同一天階躍星辰也開源了Step 3.7 Flash，主打的正好是這件事：agent效率，在真實(shí)工作流里更快更穩(wěn)地把整條鏈路跑完，開源，還明說能接進(jìn)Claude Code等各種主流agent。我看到的第一反應(yīng)就是：那就拿它來測一測，一個國產(chǎn)開源模型，到底能不能站上這個位置。

我試模型，一般直接上女媧和達(dá)爾文

每次有新模型出來，大家都先看跑分。我倒是養(yǎng)成了另一個習(xí)慣。

我手里有兩個自己寫的skill，一個叫女媧，一個叫達(dá)爾文。女媧在GitHub上攢了兩萬多star，干的事是輸入一個人名，自動深度調(diào)研、提煉思維框架，最后生成一個能跑的人物skill。達(dá)爾文更新，前幾天剛發(fā)布2.0，專門給別的skill打分、提改進(jìn)、改完再打分。

為什么拿這倆當(dāng)試題？不光是因?yàn)樗鼈儭钢亍埂Ｕ嬲脑蚴牵?strong>它們里頭都設(shè)了檢查點(diǎn)——該停下來問我的地方。

這件事benchmark測不了。跑分測的是「答得對不對」，測不了「該閉嘴的時候它閉不閉嘴」。而能力不夠的模型最容易翻車的，恰恰就是這個：跑著跑著自己加戲、十幾次工具調(diào)用里掉一次鏈子、本該停下來問我的時候一頭扎過去，把整條鏈路帶溝里。一個模型聰不聰明，看跑分能看出個大概；但它在長任務(wù)里靠不靠譜，只有真的跑一遍才知道。

所以拿女媧和達(dá)爾文試，比看十張benchmark表都直接。這次輪到Step 3.7 Flash。

先說這是個什么模型

Step 3.7 Flash是階躍5月底發(fā)布并開源的新一代Flash模型，Apache 2.0協(xié)議，權(quán)重在GitHub、HuggingFace、ModelScope都能下載，也支持本地部署。

它最有意思的設(shè)計，是那個稀疏MoE架構(gòu)。你可以把它想成一個博士天團(tuán)那么大的知識庫，但每次回答只叫醒最相關(guān)的一小隊(duì)專家上場，用不著把所有人都吵醒。所以它體量不小，跑起來又快又輕。最高生成速度能到每秒400個token，上下文256K。更細(xì)的參數(shù)感興趣可以去官網(wǎng)翻，正文就不堆了。

階躍給它的定位很克制，不說自己最聰明，主打的是「agent效率」，在真實(shí)任務(wù)里又快又穩(wěn)地把活從頭跑到尾、中間不掉鏈子。官方放了一組benchmark，我截在這兒，你可以自己看。

它不是樣樣第一，這本來也不是它的目標(biāo)。在SWE-Bench、ClawEval這些agent類基準(zhǔn)上，它拿到的是同體量里相當(dāng)能打的成績。真正的賣點(diǎn)不是分?jǐn)?shù)最高，是用小得多的激活參數(shù)、更快的速度，把這個水平穩(wěn)定地交付出來。

對我來說最關(guān)鍵的是另一件事。階躍官方文檔里明明白白列了一排它能直接接入的工具：Claude Code、OpenClaw、Hermes Agent、Cline、Roo Code、Kilo Code、Open Code。 這就好辦了，我平時這套女媧、達(dá)爾文的工作流底座就是Claude Code，既然官方說能接，我不用專門改造什么，直接把底模換成Step 3.7 Flash就行。成本這塊我也順手記了下，按官方控制臺每百萬token輸入1.35元、輸出8.1元，是Flash該有的水平，不過這次我更關(guān)心的是另一件事——它把活一步不落干完的樣子。

我是怎么試的

先把環(huán)境擺清楚，免得說不清。

底模是step-3.7-flash，通過CCR路由進(jìn)Claude Code，我配了個stepfun命令，敲下去啟動的就是Step 3.7 Flash驅(qū)動的Claude Code，不動我平時的默認(rèn)配置。

聯(lián)網(wǎng)搜索這塊有個小插曲。換了底模之后，Claude Code原生的搜索用不了了（那是另一套服務(wù)端機(jī)制，跟模型本身無關(guān)），我改接了Tavily的MCP，讓模型用普通的工具調(diào)用去搜，實(shí)測能搜到真東西。整個過程模型自己跑，我只在它停下來問我的檢查點(diǎn)上點(diǎn)頭或搖頭，沒替它改過答案。

主菜：女媧造一個AI投資視角

我給女媧的任務(wù)是，蒸餾一個AI領(lǐng)域的投資視角，幫我做投資判斷和技術(shù)理解。

它先跟我確認(rèn)了人選，然后干了件挺重的事，一口氣開了6個子agent并行調(diào)研。每個agent盯一個維度：有的扒著作和系統(tǒng)研究，有的找長訪談，有的研究表達(dá)風(fēng)格，還有的去搜外部批評、決策記錄、最新動態(tài)。

這是第一個考驗(yàn)。6個agent同時在后臺跑，有的5分鐘就回來，有的足足跑了22分鐘。Step 3.7 Flash得一邊等、一邊把這些并行任務(wù)的狀態(tài)都管住，不能把誰的結(jié)果跟誰的搞混，也不能因?yàn)槟硞€慢就崩掉。它穩(wěn)穩(wěn)扛住了。說句實(shí)話，中間有2個調(diào)研agent是重試了一次才成的，但這種程度的retry在長任務(wù)里很正常，它自己處理掉了，沒讓我操心。

等6個agent全回來，它沒有急著往下沖。而是停下來，把調(diào)研質(zhì)量整理成一張摘要，問我：質(zhì)量OK，要不要進(jìn)入下一步提煉框架？

這一下就讓我對它好感倍增。前面說過，這正是能力不夠的模型最容易翻車的地方：該問的不問，自作主張沖過去。它沒有，它老老實(shí)實(shí)停下來等我回了句「可以」才繼續(xù)。

我確認(rèn)之后，它讀完6份調(diào)研，提煉出6個核心思維模型、8條決策啟發(fā)式，加一整套表達(dá)風(fēng)格，一次性生成了一個能跑的人物skill。生成完它還自己啟動了獨(dú)立的評審agent來挑毛病。這點(diǎn)特別對我胃口，因?yàn)槲易约憾ǖ蔫F律就是寫東西的AI不能審自己，它照做了，然后按評審意見補(bǔ)了觸發(fā)詞、事實(shí)核查這些細(xì)節(jié)。

調(diào)研、提煉、生成、自評、改進(jìn)，一整套Agent loop從頭到尾跑通了。

這就是「agent效率」想說的事

跑完女媧，我對「agent效率」這個詞有了具體的體會。

我試過的模型常有兩種毛病。一種偷懶：任務(wù)一復(fù)雜，它就懶得一步步走，直接蹦個結(jié)果給你，中間該做的調(diào)研、該調(diào)的工具全跳過，看著快，其實(shí)是糊弄。另一種正相反，太勤勞，像個害羞的做題家，一頭扎進(jìn)去埋頭苦干，卻不懂在該停的地方停下來跟我匯報、跟我確認(rèn)，等你回過神，它已經(jīng)按自己的理解跑出老遠(yuǎn)。一個偷工減料，一個過猶不及，兩種都挺影響實(shí)際好不好用。

Step 3.7 Flash兩頭都沒沾：該走的全程一步?jīng)]省，該停下來問我的地方又老老實(shí)實(shí)停住。它要的不是某項(xiàng)分?jǐn)?shù)最高，是既不偷懶、也不擅自做主。 這跟「智商」關(guān)系不大，跟「靠譜」關(guān)系很大。而靠譜，才是agent能不能真正干活的分水嶺。

彩蛋：拿剛發(fā)布的達(dá)爾文2.0再壓一道

女媧跑完我有點(diǎn)意猶未盡，順手又上了達(dá)爾文。

得交代下背景。達(dá)爾文2.0是我前陣子剛發(fā)布的大升級，吸收了微軟研究院同期掛出的兩篇skill優(yōu)化論文。整套機(jī)制比1.0重了不少：每一輪要啟動兩個互相獨(dú)立的評委agent打分、改完必須驗(yàn)證分?jǐn)?shù)真漲了才接受、不漲就自動回滾、關(guān)鍵節(jié)點(diǎn)還設(shè)了強(qiáng)制暫停等我確認(rèn)的卡口。這套機(jī)制對模型和工具的編排能力，要求比女媧還高。

正因?yàn)橐蟾撸盟?dāng)壓力測試最合適。我讓Step 3.7 Flash用達(dá)爾文去優(yōu)化我另一個寫脫口秀的skill。

它跑得有模有樣：先建了git分支，設(shè)計測試用例，跑一輪基線評分，定位出最弱的一維是「檢查點(diǎn)設(shè)計」。然后開始一輪一輪地改，每輪都老老實(shí)實(shí)重新啟動兩個全新的獨(dú)立評委來盲評，改完就commit一次。改到后面漲幅收窄，早停機(jī)制觸發(fā)，它自己停了手。

誠實(shí)說，這次也不是完美無瑕。中間有一兩處編輯操作報錯，那更多是我本地工具環(huán)境的毛病，不是模型的鍋，它退回去換個方式重試就過了。一個測試要是順到一點(diǎn)磕碰都沒有，我反而不信。

重點(diǎn)是，一個我自己設(shè)計的、要求很高的復(fù)雜流程，被一個開源的Flash從頭到尾、規(guī)規(guī)矩矩地跑完了。能把這套多評委、回滾、檢查點(diǎn)的機(jī)制完整執(zhí)行下來，并且執(zhí)行效果基本和我用訂閱的claude code類似，還挺超出預(yù)期的。

我的判斷

其實(shí)，Step 3.7 Flash的能力比我上面表達(dá)的更豐富一些，這次試的只是文本類的agent工作流，它原生的多模態(tài)、視覺搜索那些能力我還沒碰。感興趣的可以去看看官方的案例，我覺得對于需要投喂圖片去表達(dá)自己觀點(diǎn)和需求的場景，視覺理解能力還挺關(guān)鍵的。

就我這兩套最吃鏈路穩(wěn)定性的重活來說，它交出的答卷讓我有點(diǎn)意外。我本來的預(yù)期是，換個更小更快的Flash多少得忍受點(diǎn)跑偏和折損，結(jié)果它該并行并行、該停下停下、該回滾回滾，把整套流程穩(wěn)穩(wěn)走完了。我覺得已經(jīng)是個挺穩(wěn)健可用的agent基座了。

說回開頭。Anthropic用降價和Dynamic Workflows押的注，階躍用一個開源Flash押的注，其實(shí)是同一件事：在生產(chǎn)環(huán)境里把復(fù)雜agent流程又快又穩(wěn)地跑完，正在變成比「誰家分?jǐn)?shù)更高」更要緊的能力。如果你也想用上Claude Code、codex這類工具，又卡在成本或別的原因上，一個能接進(jìn)Claude Code、開源、又能把整條鏈路穩(wěn)穩(wěn)跑完的國產(chǎn)模型，確實(shí)值得一試。能把復(fù)雜Agent工作流可靠跑完的能力，正在從最頂尖的那幾個閉源模型，擴(kuò)散到開源模型上。 對想把工具攥在自己手里的人來說，這個趨勢比任何一次跑分刷新都值得高興。

具體怎么接，你也不用怕折騰。階躍官網(wǎng)把每個harness（Claude Code、Cline這些）的接入方式都寫了詳細(xì)說明，照著配就行。實(shí)在懶得自己弄，還有個更省事的法子：把那幾篇接入文檔直接丟給任何一個你能用上的國產(chǎn)電腦端agent，讓它幫你配，基本都能搞定。 讓agent幫你接上一個能干活的模型，這事本身就挺有意思的。

下次再有人問我新模型行不行，我大概還是那句話：別光看分，塞進(jìn)女媧和達(dá)爾文里跑一圈，就知道了。