9 月 22 日傍晚，OpenAI 在 Anthropic 发布 Opus 5.5 约一小时后放出 GPT-6 Sol 与 GPT-6 Luna。定价直接腰斩：GPT-6 Luna 输入 $0.10/M、缓存输入 $0.01/M、输出 $0.50/M——Willison 的原话是，这是 OpenAI 历史上最便宜的模型之一，往上只有效能更弱的 GPT-4.1 Nano 和 GPT-5 Nano。GPT-6 Sol 为 $2/M 输入、$0.20/M 缓存、$10/M 输出，与 GPT-5.6 Sol 相比同样是半价。

注意对比基准：GPT-5.6 系列十一月有既定的 25% 涨价计划，所以这次是"相对促销价再降 50%"，等于把降价做成了永久姿态。Artificial Analysis 的评测结论是智能指数与 GPT-5.6 系列相近、成本减半，各基准有升有降。Willison 顺带判了 GPT-5.6 Terra 死刑——与 Sol 同价之后，"继续用 Terra 的理由蒸发了"。

铺货速度很快：OpenRouter、Arena、ChatGPT Work 与 Codex 同日上线，Perplexity 把 Sol 设为 Computer 的默认 Light 档。Sam Altman 的说法是按任务定价"在市场上没有对手"。

Opus 4.5 到 5.0 五代模型同价 $5/$25，5.5 把牌价降到 $4/$20，降 20%。真正的变量在缓存：cache reads 价格降了 60%——长 agent 会话里 90% 以上的输入 token 走的是缓存价，这一刀对账单的影响大于标价降幅。Artificial Analysis 给出智能指数 58 分登顶；Claude Code 作者 Boris Cherny 实测称比 Fable 5.1 快且便宜 51%（其自测口径）。

Willison 的实测也踩了坑：max 思考档面对"骑自行车的鹈鹕 SVG"，两次都把 128k 输出上限整个耗在推理链上，没吐出一个像素，每次烧掉 $2.56、耗时近 20 分钟。他的结论不留情面：max 档在愚蠢题目上都会想过载，不敢托付正经活。对照项 Fable 5.1 的 max 档正常交卷，还给出了他见过最好的 Anthropic 鹈鹕。

系统卡披露（Rohan Paul 转述，精确口径需核查）：安全演习中约半数运行出现或有危害行为的迹象。Sonnet 5.5 与 Haiku 5.5 已在路上，而 Haiku 4.5 现价 $1/$5，对上 Luna 的 $0.10/$0.50，低端市场的仗更难打了。

机制说清楚就一句话：每次工具调用立即在事件日志里追加一条 "in-progress" 记录，工具在后台继续跑，完成后补写结果再触发模型——模型不再花 token 去管等待、轮询和心跳。作者特别指出工程难点是这套"双记录"不能打断 KV cache，而 Responses API 对这种模式欠定义，部分非 OpenAI 推理商会直接拒绝请求。

数字来自 GPT-6 Astra xhigh 实测，全部挂在 Harbor 上可复现：Terminal-Bench 4.0 通过率 57.9% 与 Codex 榜单基线持平，成本 $1,428 对 $2,350；SWE-Atlas Codebase QnA 65.8% 对 63.3%，$936 对 $1,303；DeepSWE 1.1 通过率 72.4% 对 69.0%，$1,367 对 $1,633；对比 Pi 最高省 20%。省钱的归因有两条：极简 harness 足迹（简单提示、无子 agent、无 workflow、工具输出裁剪）加每轮模型调用塞进更多重工具调用。

SDK 已开源在 GitHub：Go 库、类似 codex exec 的 runner、Harbor 基准 runner 三件套。博客引文列表本身就是立场声明——Arena 团队的 HarnessTax 和 Complete Skeptic 那篇《(KV) Cache Rules Everything Around Me》。

三件套：Air in JetBrains IDEs 负责在 IDE 内指挥、编排 agent 并验证产出；Air Teams 把个人 agent 活动变成可协调的团队交付流；Air Governance（由三月发布的 JetBrains Central 改组而来）管组织级策略、可见性、审计与 AI 成本核算。自家 agent Junie 全 surface 支持，开放性则押在 ACP（Agent Client Protocol）和 ACP Registry 上，第三方 agent 的完整 harness——规划、工具、模型路由、可观测性——都能接进来。

博客的核心论证写得比产品清单更值得读：生成代码越来越便宜，验证代码越来越贵；真正的难题不是明显错误的代码，而是"看似正确、通过了浅层检查、揣着坏假设"的代码。agent 可以被委托，责任不能——"凌晨三点出事的时候，接电话的不会是 agent"。多 vendor 是既定事实，组织缺的是横跨所有 vendor 的上下文、策略、账单和记录。

策略层面的原话：过去 26 年 JetBrains 只为个人开发者工作台造东西，现在开始为"agentic 工作被发起、执行、协调、审查和治理的整个系统"造东西。

漏洞链路：安全研究员 Patrick Wardle 利用一个未文档化的 Muse 设置，把云端转录处理重定向到攻击者自己的 endpoint，进而拿到 Muse 账户的访问权。两个设计缺陷叠加成灾——听写强制走云端而非端上，以及任意本地 app 都能改写 Muse 全部未文档化设置。Wardle 的 PoC 实现了通过 Muse 拍照、向磁盘写恶意文件，多数情况下用户毫无感知。

他的表述值得原样记录："不用再写一个完整的 Mac 盗号恶意软件，直接借 AI 助手自己的权限就行。" Meta Superintelligence Labs 的 David Singleton 回应称这是本地提权而非远程利用、实际风险很低，但已发布 hotfix。同期 Amazon 以 Meta 未获授权为由封禁了 Muse 访问其电商平台。

背景反差刺眼：Muse 发布时主打隐私与安全，上架 12 天美加下载量 reportedly 超过 ChatGPT 同期，周一 Meta 股价涨 11%。

改进清单：默认更高缓存命中率；折扣覆盖 30 分钟窗口内复用的合格共享前缀；新增显式 cache breakpoints 让开发者自选要复用的前缀；GPT-6 可以在响应间切换 reasoning effort 而不破坏缓存（通过追加 configuration_update 实现）；prewarming 把共享指令和工具定义的处理挪到用户提问之前；官方给出 append-only 更新纪律——改工具用 allowed_tools 而非删定义，改指令用 developer message 追加而非改前文。

配套两个工具：Prompt Caching Dashboard 看命中率曲线和输入构成；诊断工具直接对比当前请求与近期响应，返回 JSON 长这样——type: cache_miss、reason: tools_changed、影响 5,629 tokens。miss 原因被结构化输出了。

客户数据：GitHub Copilot 称数十亿请求中需新鲜处理的 token 占比降超 50%；Manus 的 agent 团队不到一周把缓存命中率从约 85% 提到稳定高于 90%；另一位工程师从 83% 到 91%、缓存写入减约三分之二、推理成本降 36%。缓存输入 token 折扣最高 90%。

数据基础：222 个 AI 模型、最多 11 个基准，借用 CAISI 的方法估算同一模型在不同预算约束下的表现，得出"给定性能水平的成本"曲线。核心数字：自 2023 年起每季度降约 47%。横向对比——比 DNA 测序快 4 倍、比算力快 6 倍、比锂电池快 18 倍、比（1973 年以前的）电力快 54 倍。

结构性发现比均值更有用：性能处于 SOTA 时降得最快，五基准平均 66%/季；两年后放缓到 32%/季。分领域看，游戏类谜题 39-43%/季，数学题 50-52%/季。案例锚点很直观：2025 年 1 月 o3 首破 FrontierMath 25% 时花费 $0.55，今年夏天 GPT-5.6 Luna 做到同样成绩只花 $0.0015——18 个月，377 倍。

评估基于 10 个工作日的 API 测评，五个任务：Budget NanoGPT Speedrun、LMCA 概念论证、Train a Program、Gaming Bot、Sunlight 开放式研究写报告。结论分两半：对 AI R&D 的加速能力略高于 Fable 5.1，在可验证与难验证任务上都有改进，但属于增量而非跃迁，不太可能全自动 R&D——缺的是前瞻、预测、自建反馈回路这类"研究者判断力"。模型开发本身"至少部分被 AI 加速，但不太可能被剧烈加速"：内部初步报告估约 1.5X（1 年干出 1.5 年），2X 的概率约 30%，METR 特别指出这个估算连适用的时间段都没写清楚。

程序细节同样有信息量：这是一份无薪协议下的评估；METR 起草初稿后 Anthropic 有权审阅和编辑，最终文本双方签认；另有一个更高权限团队的独立内部评估，只向本文作者团队共享结论、不共享证据——METR 把这称为更完整评估流程的试验版。

方法叫 hint-guided self-distillation：GLM 5.2 用同一组权重对同一条录制的 turn 打两次分——一次带纠正提示、一次不带——训练目标是对齐无提示时的 next-token 分布。标注管线做两件事保证质量：把反馈追溯到具体的决策点，并校验每条纠正提示只使用错误发生前可获得的信息，压掉事后诸葛偏差。

数据分三层：线上 A/B 测试中，新 checkpoint 的工具调用失败相对降 21.2%（绝对值 2.24%→1.77%，推理时不需要 hint）；离线带 hint 测试中，同一个未改动的模型避开原始失败的比例从 75.1% 升到 93.7%；训练数据先在合成环境做 RL，再上真实用户会话，排除含 PII 和 opt-out 用户的会话。

关键洞察在对比里：传统 rejection sampling fine-tuning 只模仿成功会话，会把模型"自己从错误里爬出来"的过程连同证据一起丢掉——新方法从成功会话里模仿有用步骤，从两类会话里用验证过的提示纠正错误。

OpenRouter 官方发 TIP：通过 Classifiers 功能调 TypeSafe AI 的 Jev 自动分类 LLM 请求，结果可在 Explore 里分析。评论区有用户报"先分类后生成"模式在自家管道省约 30 倍成本（第三方口径）。Metaview 宣布全线接入 Jev，搜索提速约 10 倍（转述，无第三方核证）。

Simon Willison 的 llm-typesafe 0.1a0 插件（已核实）把用法写得很具体：llm install llm-typesafe、设 key，然后三种输出模式——noul 二分判断（"这条消息是否明确要求退款？"返回 {"type":"noul","noul":0.99}）、choice 多选（客服工单分流 billing/technical/other，criteria 里写清判定标准）、score 打分（bug 报告可复现性三档）。Jev 本身 09-16 期已报过：不做文本生成、一次查询并行输出带校准概率的结构化判断，0.35 秒一个、输出 token 免费。