模型发布可以按天看，生产默认模型不能按天切：一套可回退的 30 天验收流程

证据截止：2026 年 7 月 31 日。本文将厂商直接说明的日期、状态、入口和价格写为事实；厂商公布的性能与客户反馈写为厂商主张；跨厂商解释写为作者推断；30 天验收流程、阈值和回退条件均为工程建议。

7 月最后三天给模型团队上了一堂很具体的课。

7 月 29 日，OpenAI 公开了 GPT‑5.6 在推理栈和 Agent Harness 上的效率优化，强调上下文膨胀、工具加载、重复请求和缓存命中会放大系统成本。 $S9$ 7 月 30 日，OpenAI 又将 GPT‑5.6 Luna 的 API 价格下调 80%，将 Terra 下调 20%，同时以 Fast mode 替代 Priority Processing；模型家族没有换代，但同一批任务的经济性和路由选择已经改变。 $S10$ 7 月 31 日，OpenAI 再次强调，真正应该衡量的是一次成功结果所包含的模型费用、重试、人工监督和错误成本，而不是单独比较 Token 单价。 $S11$

这三天没有给团队增加三个"新模型迁移项目"。它们增加的是三类不同信号：系统实现证据、价格与处理模式变化、厂商经营叙事。只有第二类会立即改变生产候选模型的成本账本；第一类应进入 Harness 设计；第三类只能作为理解厂商策略的材料。

这正是密集发布时代最容易丢失的区分：新闻事件、模型生命周期状态和生产切换决策不是同一件事。

外部模型可以按天观察，内部默认模型不能按天盲切。成熟团队需要把发布信息压缩成少量可审计的状态变化，再用固定任务集、统一适配层、影子测试、低风险灰度、停止条件和旧版本回退完成验收。最终决策也不应是"全系统换成哪个模型"，而应是"哪个任务节点在什么约束下由哪个模型执行"。

一、先把"发布"拆开，否则统计和决策都会失真

模型行业现在很少只有"没发布"和"已发布"两种状态。一次生命周期可能依次经过合作伙伴预览、公开预览、产品内灰度、API 开放、GA、开放权重、量化版本、第三方平台接入、价格调整、区域放开和旧版本退役。

这些状态对工程团队的意义完全不同。

Claude Opus 5 在 7 月 24 日被 Anthropic 标为可在全部平台使用，并给出 API 模型名与价格；这是可进入完整生产验收的正式可用信号。 $S2$ Meta Muse Spark 1.1 已进入 Meta AI，但 Meta Model API 仍是 public preview；这意味着可以做兼容性和能力探索，却不应仅凭"API 已有入口"就默认其服务承诺与 GA 相同。 $S4$ Google 同一篇公告中，Gemini 3.6 Flash 和 3.5 Flash-Lite 已在 Gemini API 等入口可用，而 3.5 Flash Cyber 仍限定于政府和可信合作伙伴的受限试点；三者不能写成同一种"正式可用"。 $S3$

Kimi K3 则展示了另一种生命周期：7 月 16 日模型发布，7 月 27 日完整权重开放。发布与权重可下载是同一模型的两个阶段，不是两次代际发布。 $S8a$ $S8b$ Tencent Hy3 从 4 月预览进入 7 月 6 日正式版，并同时提供 API 与开放权重，同样应记录为"预览到正式"的状态迁移，而不是把预览版和正式版当成两个无关模型。 $S6$

因此，团队首先要维护的不是"本月发布了多少模型"，而是一张模型状态账本。

状态类型	它说明了什么	它没有说明什么	默认动作
研究公告或技术报告	能力方向、训练方法或评测结果被公开	不代表产品、API 或权重可用	记录，不进入生产候选池
受限试点或合作伙伴预览	某些账户可开始测试	不代表地区、额度、SLA、价格已经稳定	只做探索性任务和接口摸底
产品内可用	用户可以在某个应用中体验	不代表 API 行为、上下文、工具协议相同	建立体验记录，不直接推导 API 迁移结论
API Beta / public preview	开发者可以接入	不代表版本稳定、长期保留或完整服务承诺	进入影子测试，不承载不可回退的关键流量
GA	厂商明确提供正式访问入口	不代表适合你的任务、成本或风险边界	进入完整 30 天验收
开放权重	可以下载、部署和继续开发	不代表许可证、硬件成本、推理栈和安全治理已满足	增加部署、许可证与运维验收
价格、配额或处理模式变化	同一模型的经济性或时延策略改变	不代表模型能力变化	重算单位成功成本和路由，不重做全部能力测试
区域、安全或账户限制变化	可访问范围或失败路径改变	不代表模型本身退化	更新合规矩阵、降级策略和回退测试
退役或别名迁移	旧接口的生存期发生变化	不代表新版本自动等价	启动强制迁移项目并保留兼容测试

状态去重不是编辑工作，而是工程控制。没有状态账本，团队会把同一模型的预览、API、权重和第三方接入重复计数；也会把真正影响生产的价格、配额和安全变化埋在"没有新模型发布"的结论里。

7 月 29---31 日的增量核查正好说明这一点：在本稿跟踪的官方来源范围内，没有发现新的独立模型首发、GA、API 开放或开放权重事件；但 7 月 30 日 GPT‑5.6 Terra/Luna 的价格与处理模式变化必须记录，因为它改变了生产选型的成本边界。 $S10$ "没有新模型"与"没有值得处理的变化"不是同一句话。

二、为什么发布可以按天观察，默认模型却要慢下来

"30 天"不是自然规律，也不是行业统一标准。它只是一个足够短、能响应模型变化，又足够长、能覆盖离线重复测试和一段真实流量的工程节奏。低风险内部工具可以缩短，高风险金融、医疗、法律和控制系统可能需要更长周期。真正固定的不是天数，而是证据顺序。

1. 模型名称不是完整的生产对象

生产结果由模型、推理档位、系统提示、上下文策略、工具集合、Harness、超时、重试、验证器和供应商服务共同决定。

OpenAI 在 7 月 29 日披露，其 Agent Harness 会延迟加载工具、限制工具输出、保持模型可见历史为 append-only，并通过确定性工具顺序提高提示缓存命中率。 $S9$ 这些实现不会出现在模型名称里，却会直接改变 Token、延迟、上下文干扰和长任务稳定性。

Kimi K3 的模型卡也明确披露，不同模型在多个 Agent Benchmark 上使用了不同 Harness；同一模型在不同 Harness 下的得分也可能不同。 $S8a$ $S8b$ Cursor 则披露 Grok 4.5 在 CursorBench 上存在训练数据污染优势，因此将该结果排除。 $S5$ 这些材料共同说明：榜单分数不是可以脱离运行环境直接搬进生产决策的常数。

2. 价格下降不等于任务成本同比下降

7 月 30 日，GPT‑5.6 Luna 的公开 API 单价降至每百万输入 Token 0.20 美元、输出 Token 1.20 美元；Terra 降至输入 2 美元、输出 12 美元。 $S10$ 这是明确的成本变化，但它仍不能直接回答"是否应该替换现有默认模型"。

一个便宜模型如果更容易进入工具循环、需要更多重试、输出更长、导致人工复核增加，最终可能更贵。一个单价更高的模型如果一次完成任务并减少人工接管，单位成功成本反而可能更低。

因此应记录：

单位成功成本 =（模型 Token + 工具费用 + 重试费用 + 失败补偿 + 人工复核时间折算）/ 最终验收通过的任务数

这不是会计精确公式，而是一种决策纪律。它强迫团队把失败和人工干预计入模型成本，而不是只比较价格页。

3. 平均分会掩盖严重失败

一个候选模型可以在 100 个任务中多通过 5 个，同时在支付、权限、数据删除或代码发布任务上新增一个不可接受的严重错误。平均成功率上升，不代表它具备默认切换资格。

模型验收必须至少拆成三层：

业务通过率：最终结果是否满足任务定义；
严重失败率：是否出现越权、错误写入、虚假完成、敏感数据暴露或无法回滚；
运行质量：延迟、循环、重试、Token、工具调用、人工分钟数和方差。

默认切换的前提不是"总分更高"，而是候选模型在关键风险项不退化，并且至少在质量、成本或时延中的一个维度形成足够大的业务增量。

4. 发布后的前几天最缺的是失败数据

厂商发布页通常会提供最强能力、最佳场景和官方评测，但不会覆盖你的提示词、私有工具、错误数据、超时、并发、权限策略和长尾用户表达。

生产团队真正需要的，是候选模型在自身工作流中的失败分布。这个分布只能通过重复离线运行和有限真实流量逐步获得。越是高价值流程，越不能用"我体验了几个问题，感觉不错"代替失败样本。

三、30 天验收不是四周开会，而是四个证据门

下面给出一套参考节奏。团队可以压缩或延长日期，但不应跳过证据门。

阶段一：第 0---3 天，观察与归档

目标不是马上跑分，而是确认"到底发生了什么"。

第一步，冻结事件身份。记录厂商、模型家族、精确模型 ID、公告日期、状态变更日期、来源 URL、访问日期和事件类型。不要用"最新模型""目前可用"这种无法复核的描述。

第二步，记录访问边界。包括产品入口、API、权重、地区、账户、套餐、配额、上下文、模态、工具能力、安全限制、数据保留和版本退役计划。没有证据的字段保留为未知。

第三步，判断是否进入候选池。

只有论文或演示：停止在观察层；
受限预览：只进入探索池；
API preview：可以开始影子测试，但不能替代不可回退流程；
GA 或明确可部署的开放权重：进入完整验收；
仅价格或配额变化：重算成本与路由，不默认重做全部能力测试；
强制退役：转为有截止日期的迁移项目。

这一阶段的输出是一张事件卡，而不是一份长报告。

阶段二：第 4---10 天，离线影子对比

影子测试的核心是：候选模型处理真实任务副本，但不影响真实结果。

先冻结任务集。对已有业务系统，建议从最近的真实日志中抽取 30---100 个代表性任务，覆盖：

高频简单任务；
长上下文和多轮工具任务；
容易失败的边界任务；
成本敏感任务；
高风险但可以离线回放的任务；
过去出现过的真实事故和人工接管案例。

每个任务必须有可执行的验收方法。代码任务运行测试；数据任务做对账；文档任务核对引用和关键字段；浏览器任务检查最终页面状态；语音或机器人任务检查指令识别、动作约束和超时退出。没有验证器的任务只能进入人工评审样本，不能伪装成自动分数。

然后统一运行条件。候选模型与现任模型应使用同一份任务输入、工具权限、超时、重试上限和输出验证。若某模型必须使用特定推理档位或上下文格式，必须单独记录，不能在不披露的情况下给候选模型增加额外提示和工具。

对存在随机性的任务至少重复运行，重点观察方差，而不是只保留最好的一次。记录字段至少包括：

任务是否通过；
P50 / P95 总时延；
输入、输出和缓存 Token；
工具调用次数、失败次数和循环次数；
重试次数；
人工复核分钟数；
严重错误等级；
最终单位成功成本。

影子阶段结束时，不应只得到一个排行榜，而应得到一张"任务类型---候选模型---失败模式"矩阵。

阶段三：第 11---20 天，低风险灰度

只有离线影子通过预注册门槛的模型，才进入真实流量。

灰度应从可回退、低权限、低损失任务开始。例如分类、摘要、草稿、内部搜索、候选建议、非关键代码分析，而不是直接接管付款、删除、发布、权限变更或机器人危险动作。

初始流量可以是 1%---5%，但比例不是核心。核心是四个条件：

每个请求都能知道实际使用了哪个模型、版本和配置；
候选失败时可以自动切回旧模型或转人工；
高风险写操作仍受原有审批和验证器控制；
线上指标与离线任务集使用同一套定义。

灰度期间应设置硬停止条件。出现以下任一情况，立即停止新增流量并回退：

任意 P0 级错误，例如越权、不可逆错误写入、敏感信息泄露或安全策略失效；
P1 严重错误显著高于现任模型；
P95 时延持续超出业务 SLO；
工具循环、重试或人工接管持续上升；
供应商错误率、配额或区域可用性无法满足业务；
日志无法解释模型选择或无法完成回退。

回退不是失败，而是验收系统正常工作。没有自动回退能力的系统，不应进行高频模型切换。

阶段四：第 21---30 天，默认路由与复盘

最后阶段不是选出"公司唯一最强模型"，而是形成任务级路由。

常见结果可能是：

高风险规划和复杂判断继续使用强模型；
规范明确的大批量执行切到更低成本模型；
长上下文任务保留专门模型；
某些工具链继续使用旧模型，因为候选模型的调用稳定性不足；
新模型只作为失败后的升级模型，而不是默认模型；
开放权重模型只承载隐私敏感或可离线部署的任务。

默认切换必须通过"价值门"和"安全门"。下面是一组可直接改写的参考门槛，不是行业标准：

价值门，满足至少一项：

在成本不增加超过团队预算上限的前提下，关键任务通过率出现预先设定的实质提升；
在任务质量不低于允许的非劣界限时，单位成功成本下降达到目标；
在质量与成本守住底线时，P95 时延明显改善并解决真实业务瓶颈。

安全门，必须全部满足：

无 P0 错误；
P1 错误不高于现任模型允许范围；
权限、数据、合规和地域限制已确认；
自动回退和人工接管通过演练；
模型 ID、提示、工具、验证器和路由配置均可版本化；
至少保留一段时间的旧版本回退能力和决策记录。

团队可以使用更具体的参考阈值来减少争论，例如："质量提升至少 3 个百分点，或者单位成功成本下降至少 20%，或者 P95 时延下降至少 30%；同时关键质量不低于现任模型 1 个百分点，且无新增严重错误。"这些数字只应作为内部起点，最终必须绑定业务损失、样本量和错误预算。

四、发布状态---验收动作---切换门槛---回退条件

下面这张表是整套流程的最小执行版。

发布或状态变化	验收动作	进入下一阶段的门槛	停止或回退条件
新模型研究公告，无公开入口	建立事件卡，记录能力方向、评测设置和未知项	出现可重复访问的 API、产品或权重入口	无需迁移；禁止用演示替代生产证据
受限预览 / public preview	做接口兼容、错误处理、基础任务摸底	入口稳定、限制明确，影子任务可重复运行	版本频繁变化、无可追踪模型 ID、关键条款未知
GA API	完整离线影子测试，记录质量、时延、成本、方差和严重错误	价值门至少一项成立，安全门全部通过	任意 P0、P1 上升、SLO 失败、成本收益消失
产品内可用但无 API	记录产品体验与适用任务，不推导 API 结论	厂商提供可集成入口，或产品本身就是目标工作流	无法导出日志、权限和结果不可审计
开放权重	增加许可证、硬件、推理栈、量化、吞吐、运维和安全测试	总拥有成本、稳定性和治理满足部署目标	许可证冲突、硬件成本失控、量化质量不可接受
价格或配额变化	用原任务日志重放成本模型，检查路由是否应下沉或上浮	单位成功成本出现可验证变化，质量证据仍有效	只看 Token 单价、忽略重试和人工成本
推理档位 / Fast mode / 安全策略变化	单独测试时延、价格、拒绝、fallback 和任务成功率	新模式在目标 SLO 和风险边界内稳定	拒绝率、fallback、价格或延迟超出预设范围
区域或账户放开	更新合规与访问矩阵，复测区域端到端链路	数据、延迟、SLA、合同满足要求	地域不可用、数据路径不合规、故障无法切换
旧版本退役	锁定截止日期，建立兼容回归和双跑计划	新版本通过最低非劣与回退演练	关键任务无替代模型时，升级为业务连续性风险

五、真正需要长期投资的不是某个模型，而是六项验收资产

发布越频繁，临时测试越没有复利。能降低下一次迁移成本的是以下资产。

1. 任务集

任务集是模型选型的业务定义。它应来自真实请求、历史事故、人工接管和高价值边界，而不是只由团队临时编写的"看起来很难"的问题组成。每次线上新失败都应回流为新的回归任务。

2. 统一适配层

适配层负责屏蔽不同厂商的消息格式、工具调用、推理档位、流式输出、错误码、缓存、超时和重试差异。业务代码不应直接散落模型 ID 和供应商特有参数。否则每次切换都变成全系统改造。

3. 验证器

没有验证器，Agent 只能"声称完成"。验证器应尽量检查最终状态，而不是只检查自然语言答案。代码要运行，文件要存在，网页要达到目标状态，数据要对账，引用要能打开，危险动作要经过权限与审批。

4. 可观测性

至少记录模型、版本、路由原因、提示版本、工具版本、时延、Token、缓存、重试、错误、人工接管和最终验收结果。缺少这些字段，价格变化和模型退化都无法回溯。

5. 路由与回退

模型路由不只是"便宜任务用小模型"。它应结合任务风险、上下文、工具复杂度、历史成功率、时延预算和当前供应商状态。回退既可以是旧模型，也可以是更强模型、规则流程或人工审批。

6. 决策日志与失败数据库

每次进入、拒绝或退出候选池，都记录证据、阈值、日期和责任人。失败数据库应区分循环、遗漏、错误工具参数、虚假完成、压缩丢失、拒绝、超时、供应商故障和人工接管。下一轮模型验收应优先挑战这些已知薄弱点。

六、一份可以直接执行的 30 天行动清单

第 0---3 天：建立事件身份

固定官方来源、日期、模型 ID 和状态类型；
记录产品、API、权重、地区、套餐、价格、配额和安全限制；
对同一生命周期事件去重；
判断是观察、探索、完整验收、成本重算还是强制迁移；
指定验收负责人和业务负责人。

**交付物：**事件卡、状态账本、候选池决定。

第 4---7 天：冻结任务与指标

从真实日志抽取代表性任务；
补入历史事故和高风险边界；
为每个任务定义自动或人工验收；
冻结工具权限、超时、重试和并发；
预注册价值门、安全门和停止条件。

**交付物：**任务集版本、验证器清单、实验配置。

第 8---10 天：完成离线影子

对现任和候选模型重复运行；
记录通过率、严重错误、P50/P95、Token、工具、重试、人工分钟数；
计算单位成功成本；
按任务类型分析失败，不只看总分；
将新失败加入回归集。

**交付物：**影子测试报告、失败矩阵、是否进入灰度的决定。

第 11---15 天：小流量灰度

只开放低风险、可回退任务；
打开自动 fallback 和人工接管；
保持模型、提示、工具和路由可追踪；
每日检查严重失败和供应商状态；
不在灰度期间同时大改提示、工具和业务流程。

**交付物：**灰度日报、异常清单、回退演练记录。

第 16---20 天：扩大覆盖但不扩大权限

增加任务类型或流量，不同时增加危险权限；
比较线上与离线失败分布；
检查峰值并发、区域、配额和限流；
重算真实单位成功成本；
验证旧模型仍能接管。

**交付物：**线上非劣分析、容量与成本报告。

第 21---25 天：形成任务级路由

标记候选模型适合、勉强、拒绝的任务类型；
明确升级模型、降级模型和人工路径；
冻结默认路由规则；
将价格、延迟和错误率变化纳入动态路由；
完成合规和安全复核。

**交付物：**模型路由表、最终候选配置。

第 26---30 天：切换、观察、复盘

只切换已经通过门槛的任务节点；
保留旧模型与一键回退；
观察完整业务周期内的成功率和严重错误；
记录批准、拒绝或延期的原因；
更新任务集、失败数据库和下一次验收模板。

**交付物：**默认切换决定、回退方案、验收归档。

七、什么时候应该拒绝切换

新模型不进入默认路由，并不等于团队保守。出现以下情况时，拒绝切换通常更专业：

厂商只提供榜单、样片或客户引述，没有可重复入口；
模型 ID、版本、价格或地区限制无法确认；
候选模型只在平均分上更好，但新增严重失败；
成本优势完全依赖未稳定的缓存、配额或优惠；
需要为候选模型重写大量业务逻辑，却没有可复用适配层；
离线提升无法在线复现；
供应商故障或拒绝后没有确定回退路径；
开放权重的许可证、硬件、推理和治理成本超过收益；
团队无法解释为什么某个请求被路由到该模型。

最危险的不是错过一个月的"最强模型"，而是在没有证据和回退的情况下，把供应商的不确定性直接传入生产。

八、7 月发布潮真正值得保留的结论

7 月发布集中不能被压缩成单一原因。公开材料只能支持多因素解释：Agent 模型与运行时同时成熟，真实产品轨迹进入后训练，性能竞争转向成本---时延---质量的 Pareto 前沿，开放权重和多模态产品沿各自周期进入市场，预览、GA、API、权重和第三方接入又增加了事件数量。 $S1$ $S2$ $S3$ $S4$ $S5$ $S6$ $S7$ $S8a$ $S8b$

这些因素解释了为什么新闻变多，却不能证明所有厂商因同一个竞争、融资、OKR 或营销原因选择 7 月。文章真正可操作的结论也不依赖这项因果猜测。

不论模型为什么密集发布，生产团队都面对同一个事实：外部能力和价格变化越来越快，内部业务风险不会因此消失。应对方式不是降低判断门槛，而是把判断做成流水线。

每天观察发布，每周更新状态账本；新模型通过影子和灰度逐步进入任务级路由；默认切换只在价值门、安全门和回退演练同时通过后发生。

模型会继续变。真正不应随版本消失的，是任务集、适配层、验证器、日志、路由、回退和失败数据库。

主要来源索引

$S1$ OpenAI, "GPT‑5.6: Frontier intelligence that scales with your ambition," 2026-07-09.
$S2$ Anthropic, "Introducing Claude Opus 5," 2026-07-24.
$S3$ Google, "Introducing Gemini 3.6 Flash, 3.5 Flash-Lite, and 3.5 Flash Cyber," 2026-07-21.
$S4$ Meta, "Introducing Muse Spark 1.1," 2026-07-09.
$S5$ Cursor, "Introducing Grok 4.5," 2026-07-08.
$S6$ Tencent, "Tencent Hunyuan Officially Releases Hy3," 2026-07-06.
$S7$ Cognition, "SWE-1.7: Frontier Intelligence at a Fraction of the Cost," 2026-07-08.
$S8a$ Moonshot AI, "Kimi K3" model card, accessed 2026-08-01.
$S8b$ Kimi, "Kimi Agent overview," recording 2026-07-16 release and 2026-07-27 full-weight availability.
$S9$ OpenAI, "How GPT‑5.6 fuses frontier intelligence with frontier efficiency," 2026-07-29.
$S10$ OpenAI, "Advancing the price-performance frontier with GPT‑5.6," 2026-07-30.
$S11$ OpenAI, "Building abundant intelligence," 2026-07-31.