Anthropic 在发布新 Claude 模型前，通过头部客户极限测试验证真实业务表现，比单纯跑分更具参考价值。借助 Agent 能力，新模型在起草法律文件等复杂任务中成功率提升约 20%，实现持续准确输出。当前大模型发展重心已转向 Agent 在垂直场景的落地，边缘案例为下一代优化指明方向。这种与客户深度共创的模式建立了高信任壁垒，值得产品团队借鉴。
Anthropic 在发布新 Claude 模型前，会找一小批头部客户做极限测试。这种让真实业务场景来“找茬”的机制，比单纯跑分更有参考价值。
Claude 客户拿到新模型的第一件事往往就是跑自动化评估，比较典型的场景是起草复杂法律文件这样的任务。之前让大模型处理这种工作基本属于白日梦，现在借助 Agent 能力，模型可以自主检索信息、综合分析并编辑文档。测试面板上 Agent 的成功率提升了大约 20%，彻底告别了动不动卡壳的状态，能够持续快速准确地输出结果。
大模型发展到现在，核心看点已经转移到了 Agent 在复杂垂直场景里的真实落地。今天模型搞不定的边缘 case 正好指明了下一代模型的优化方向。Anthropic 和客户深度共创的方式，使得双方像同一个团队一样紧密配合，建立起极高的信任壁垒。值得所有产品开发者和团队借鉴。
OpenAI 旗下 GPT-5.6 Sol Ultra 通过 64 路并行 agent 在 1 小时内生成了图论 CDC 猜想的证明文本，成本不足 500 美元。该成果引发争议，因缺乏 Lean 机械化验证、未公开完整推理轨迹及受限于图论形式化库不成熟，数学界对其有效性存疑。此事表明 LLM 已具备启发式数学搜索能力，但验证基础设施滞后仍是瓶颈。未来“多路并行+防放弃 prompt”或成范式，而完善 Lean 工具链是确立 AI 证明可信度的关键。
针对复杂疾病治疗难题，Arc 研究所正利用 AI 构建通用“虚拟细胞”模型。该模型将 RNA 表达视为生命语言，计划四年内通过 CRISPR 和单细胞测序完成 10 亿次实验进行训练。研究人员可借此在电脑模拟中预测基因或化学干预方案，实现从盲目猜测到精准预测的转变。该工具将于今年晚些时候开源，有望在未来四五年内推动个性化医疗及复杂疾病治疗取得临床突破。
OpenAI 正式发布 GPT-5.6，推出 Sol、Terra、Luna 三档模型。Sol 在 Agent 评测中领先，但编码基准落后竞品且存在 token 过度消耗问题，Terra 性价比显著提升。新功能包括程序化工具调用、缓存优化及 Sol 自主训练 Luna。尽管安全围栏较严且知识截止日期存疑，该版本仍属扎实迭代。对于 Codex 用户建议升级，而 Claude Code 用户需权衡工作流兼容性，两大 AI 厂商竞争已趋白热化。
围绕《Claude 新模型发布前让客户极限测试，Agent 落地成核心》展开交流，未登录用户可浏览评论，登录后可参与讨论。
