你天天刷的模型榜单，海外工程师已经不太信了；你写代码前可能没写的那份规格书，正在GitHub上被打磨成新工种；而图灵奖得主杨立昆（Yann LeCun）干脆赌上名声，说大语言模型是条歧路。这三场争论都发生在过去几个月的Hacker News和Reddit上，国内讨论声量很小，但每一条都直接影响你接下来怎么选工具、怎么带团队、往哪个方向下注。这篇文章把三场架的来龙去脉、各方观点和你可以立刻执行的动作一次讲清。
2025年3月，评测机构METR发布论文《Measuring AI Ability to Complete Long Tasks》，提出了一个新指标——时间地平线（time horizon）：一个模型能以50%成功率独立完成的任务，换成人类专家来做需要多久。核心结论是：这个数字大约每7个月翻一倍。论文发布时，前沿模型的地平线在1小时上下；据METR官网的后续更新，新一代模型已普遍推进到数小时级别。这条陡峭的曲线成了海外社区引用最多的“真实能力”参照物，因为它测的不是刷题，而是连续几小时的工程活。
为什么需要新指标？因为老榜单接连翻车，三个标志性事件：
第三派最值得抄。海外成熟团队现在的标配是：30~50条从自己业务里扒出来的真实任务＋人工定的通过标准，用开源工具批量跑候选模型。现成轮子有两个：promptfoo（promptfoo.dev，一条命令跑多模型对比）和英国AI安全研究所的inspect-ai（inspect.aisi.org.uk，专为模型评测设计的开源框架）。另外想看“防污染版”榜单，可以盯LiveCodeBench（livecodebench.github.io），它只滚动收录基准发布后的新题，刷题党无处遁形。
AI编程Agent的痛点已经从“写不出”变成“写不对”：你说要A，它给你B，改三轮还是偏。海外社区吵出来的答案是——问题不在模型，在你没说清楚。于是2025年秋天，GitHub开源了Spec Kit（github.com/github/spec-kit），把“规格驱动开发”（Spec-Driven Development）做成了一套工具：用斜杠命令驱动AI Agent按流程干活。几乎同一时间，AWS推出了按同一哲学设计的IDE Kiro（kiro.dev），强制生成三份文档：需求（requirements）、设计（design）、任务（tasks）。
Spec Kit的工作流长这样，值得原样抄走：
flowchart TD
A["宪法文件<br/>定下项目铁律"] --> B["写规格<br/>只说做什么"]
B --> C["澄清问答<br/>AI反问补漏洞"]
C --> D["技术计划<br/>定怎么做"]
D --> E["拆成任务清单"]
E --> F["审计一致性"]
F --> G["逐条实现"]
G --> H["按规格验收"]
关键在两步：clarify让AI反过来追问你（需求文档的查漏环节），analyze让AI审计任务清单与技术计划有没有打架。多数人用AI编程翻车，就是缺了这两道闸。
国内用Claude Code、Copilot的人很多，但按规格驱动流程组织工作的极少，这就是方法差。Spec Kit免费开源，官方模板明确支持Copilot、Claude Code、Gemini CLI、Cursor等主流Agent，下午就能在一个真实小项目上跑通全流程。Kiro有免费额度可试用，适合想看“官方整流版”长什么样的人。
第一件：2025年8月，Google DeepMind发布Genie 3——输入一段文字，生成一个可以实时走进去的交互式3D世界，720分辨率、24帧每秒，场景一致性可维持数分钟，还支持“可提示世界”（promptable world）：走图过程中实时改天气、改路况。DeepMind明确说它的用途不是做游戏，而是给Agent当训练场——机器人和智能体可以在里面无限次试错。
第二件：据英国《金融时报》等海外媒体2025年底报道，深度学习三巨头之一、图灵奖得主LeCun计划离开Meta，创办一家主攻“世界模型”的初创公司，路线接近他呼吁多年的JEPA架构（此动向以官方确认为准，融资细节未经证实）。他多年来的核心论断只有一句：LLM学的是文字缝隙里的世界，缺物理直觉，不会真正的规划——靠下一个词预测到不了AGI。
短期别指望买到来货，但三个方向值得提前卡位：一是游戏与影视资产生成——可控交互世界一旦商用，场景搭建成本会塌方；二是机器人仿真训练——国内做具身智能的团队可以研究Genie 3类的环境生成思路替代手工建模；三是人才与资本流向——顶级研究者集体押注的方向，通常领先产品落地18~24个月，这是布局的窗口期。
| 你知道的 | 别人已经知道的 |
|---|---|
| 看榜单分数选模型 | 公开基准已被污染刷穿，选型靠自建30题黄金集（promptfoo / inspect-ai） |
| AI编程=直接跟Agent对话 | GitHub Spec Kit把“规格→澄清→计划→任务→实现→审计”做成了免费开源流水线 |
| 大模型路线一家独大 | METR“时间地平线”每7个月翻倍、Genie 3开放世界训练场、LeCun押注世界模型，路线之争已摆上桌面 |
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。