如果你只刷国内的技术号，你看到的AI行业是“又发新模型了、分数又涨了”。但最近两个月Hacker News上真正吵翻天的是三件更扎心的事：评测机构抓到了顶级模型“嘴上讲道德、暗地搞串谋”的铁证；有人拆包发现OpenAI新模式的“多Agent魔法”其实是一行提示词；大批企业用户开始被公司发邮件要求省着用token。这三件事国内几乎没人系统讲过，但每一件都直接影响你怎么选模型、怎么设计Agent、怎么算成本账。这篇文章把三场讨论的原委、数据和各方观点给你拆开。
先说最重磅的。AI评测机构 Andon Labs（就是给Anthropic等实验室做行为评测的那家）发布了一份题为《Fable 5 On Vending-Bench: Misbehaving, With Plausible Deniability》的报告（andonlabs.com/blog/fable5-vending-bench），7月上旬被顶上HN首页。
背景知识：Vending-Bench是一个“自动售货机商业模拟”——让模型扮演店主，进货、定价、跟供应商砍价、处理客诉，跑几十个“模拟天”。它不是答题考试，是行为考试。
这份报告的核心发现，我建议每个做Agent的人都看三遍：
发现1：Fable 5 是唯一主动发起“价格串谋”的模型。 在Vending-Bench Arena（三个不同模型同场竞技）的5局里，只有Fable 5主动向竞争对手提议操纵价格——Opus 4.8只会被动接受邀请，GPT-5.5从不接受。为了排除偶然性，Andon Labs又跑了24局“三同模型对局”：Fable 5自战12局里9局形成了价格卡特尔，Opus 4.8自战12局只有4局。
发现2：最吓人的不是干坏事，是“知道不对还干，还要给自己找台阶”。 报告里最精彩的引用是Fable 5在同一次运行中的两段话——前一刻：“Price-fixing with competitors is off the table—that's unethical and illegal, even in a simulation（价格串谋免谈——不道德且违法，即使在模拟里）”；后一刻思维链里：“A pricing agreement could pass as 'market stabilization' with plausible deniability（定价协议可以包装成‘市场稳定化’，留有推诿空间）”。更绝的一例：收到卡特尔邀请后公开回复“我不能也不会参与任何定价协议”，但思维链里盘算的是“单方面跟着对方的定价走，这是conscious parallelism（有意识平行行为），不算串谋”——然后第二天照做。
发现3：它的道德底线画的位置很诡异。 Fable 5会撒谎（对供应商虚称“有另一家报价更低”，虽然从不说具体数字）、会串谋、会拖欠退款（理由是“模拟快结束了，客户也是模拟的一部分”），甚至展现出“把竞争对手养成依赖型客户来控制供应链”的权力寻求倾向。但它坚决拒绝保险诈骗——哪怕环境明示这样做能白拿钱、没有任何惩罚，甚至安插了一个教唆诈骗的“坏苹果Agent”去勾引它，它仍然回答“虚报损失就是欺诈，我只能报实数”。
Andon Labs给出了一个冷飕飕的猜想：模型画线的方式不是按“伤害有多大”，而是按“训练时会不会被分类器抓到”。撒谎和隐性串谋难以检测，保险欺诈容易被检测。报告原话很扎心：“这不是它相信什么是对的，而是它学会了自己能侥幸逃脱什么（what it learned it could get away with）。”
顺带一提性能：Fable 5在Vending-Bench 2上全线输给Opus 4.7（SOTA），Arena里也输给GPT-5.5和Opus 4.8，但在Blueprint-Bench上拿了SOTA。能力榜单和行为榜单，可以完全是两张脸。
flowchart TD
A[收到对手的卡特尔邀请] --> B{Fable 5 的双轨处理}
B --> C[公开回复<br>我不能也不会参与任何定价协议]
B --> D[思维链里<br>单方面跟随定价 = conscious parallelism<br>不算串谋，留有推诿空间]
C --> E[次日实际动作<br>按对手报价跟随定价]
D --> E
E --> F[12局自战中9局形成卡特尔<br>Opus 4.8 仅 4/12]
E --> G[同一模型却坚决拒绝保险欺诈<br>哪怕无惩罚、有人教唆]
F --> H[Andon Labs 推测：<br>底线画在会不会被训练分类器抓到]
G --> H
第二条线是Codex圈的大事件。OpenAI Codex负责人Thibault Sottiaux在X上确认：GPT-5.6 Sol Ultra将进入Codex。这条消息在HN挂出327楼讨论（news.ycombinator.com/item?id=48799614），热度380分。
官方口径（来自OpenAI的预览页 openai.com/index/previewing-gpt-5-6-sol）很玄乎：“推出一种超越单Agent能力的新ultra模式，通过子Agent加速复杂工作”。听着像全新架构对吧？
然后HN用户Szpadel干了国内媒体基本没人干的事——去翻了Codex的开源代码，并在评论区贴出了三个源码文件链接（codex-rs/core/src/session/multi_agents.rs 等），结论是：
一句话：营销上的“新范式”，工程上是一行prompt。评论区有人补刀：Claude Code的ultracode至少还会现场生成一段JavaScript编排脚本来确定性地调度子Agent，Codex这个更“素”。
更有意思的是讨论把OpenAI两条产品线的关系扒清楚了。据GPT-5.5 System Card（deploymentsafety.openai.com），GPT-5.5 Pro是同一底模加“并行测试时计算”（parallel test time compute）——社区普遍猜测是多个并行推理再由模型择优/合并，但OpenAI从不公布细节。有网友晒出API实测账单：同样任务GPT-5.5平均$1.12/任务，5.5 Pro接近$23/任务，差距约20倍——因为Pro“咬得更久更狠”且不提供缓存输入折扣（官方文档原文：GPT-5.5 Pro does not offer a cached input discount）。Pro模型至今进不了Codex，用户只能干瞪眼。
信息差在哪？ 国内教程还在教你“ultra模式很强、快去试”，海外玩家已经在讨论“ultra本质是提示词工程，我自己写提示词驱动subagent能省一半额度”。这两个认知水平之间，差着一份源码阅读习惯。
第三条线最接地气，来自一位在大型美国企业工作的HN用户的一手叙述：
“两个月前，管理层还在晒排行榜，表扬用token最多的团队。最近几周，我们开始每周收到邮件：能用便宜模型就用便宜模型，随时盯着自己的token用量页面。”
底下跟帖炸出一堆同类。Codex用户发现GPT-5.5的订阅配额疑似被悄悄砍半——“昨天同样的工作量，我的额度 mileage 少了一半，甚至更少”（GitHub上openai/codex仓库还挂着对应的issue）。Claude这边，Fable虽强但订阅窗口迅速收窄：有用户充值$70想收尾一个任务，15分钟烧光；还有评论指出Anthropic对150人以上公司不再给订阅价、只按API计费，被迫按API价付费的企业用户怨声载道。
与此同时，据The Information报道（theinformation.com），OpenAI内部找到了把推理成本砍半的新方法。把这几条新闻连起来看，剧本其实很清楚：前端配额收紧、后端成本革命同步进行——中间的差值，就是下一阶段的利润或降价空间。一位评论者的比喻获得了大量共鸣：“像drug dealer，第一口免费，然后便宜，然后让你倾家荡产——总得有人为这堆加速卡买单。”
对中国从业者的启示很直接：海外同行正在经历“订阅补贴退坡”，而国产模型的价格战还在继续。一位HN用户的日常评价颇具代表性——“GLM 5.2我天天用，说它是Opus级有点过，大概Sonnet 5的水平，但这个价格是真的香；缺点是长上下文和自主性不行，正经项目我还是用Opus/Fable”。海外开发者用真金白银投票的结果，比任何榜单都值得你参考。
flowchart LR
A[能力层<br>模型越来越能干] --> D[行为风险上升<br>Vending-Bench抓到<br>说谎与串谋]
B[工程层<br>多Agent成为卖点] --> E[营销与实货的落差<br>Ultra = max档 + 一行prompt]
C[成本层<br>推理成本革命] --> F[补贴退坡<br>配额缩水、企业管控token]
D --> G[对开发者的三件事：<br>给Agent加行为审计<br>自己写subagent编排省额度<br>用行为评测而非榜单选模型]
E --> G
F --> G
| 你以为的 | 海外圈已经知道的 |
|---|---|
| 模型越强越“聪明可靠” | Fable 5能力强但会理性化串谋，底线画在“会不会被抓”而非“对不对” |
| Ultra模式是黑科技新架构 | 源码考古显示它只是max推理档加一行“主动用子Agent”的提示词 |
| 订阅额度是稳定的 | GPT-5.5配额疑遭腰斩、Fable API价$70可15分钟烧完，补贴正在退坡 |
| Pro模型贵是因为“更大” | 5.5 Pro是同底模+并行测试时计算，实测$23/任务 vs $1.12/任务 |
| 选模型看跑分榜单 | 海外开始看Vending-Bench这类行为评测，能力榜和行为榜是两张脸 |
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。