Simon Willison：LLM 2026 回顾
Simon Willison将快速回顾 2026 年迄今为止发生的一切。这一年还没有结束！
周五，我在圣何塞举行的 WeAreDevelopers 世界大会北美站上发表了闭幕主题演讲。我将过去一年的关键趋势串联起来，按时间顺序探索了 2026 年发生的一切。视频已在 YouTube 上发布；以下是配合演讲的注释幻灯片和笔记。
我将快速回顾 2026 年迄今为止发生的一切。这一年还没有结束！
对我来说，2026 年实际上从 2025 年 11 月就开始了。
11 月见证了两个重要模型的发布：Claude Opus 4.5 和 GPT-5.1。
与新模型的通常情况一样，这些是对前代模型的增量改进。
但偶尔当模型改进时，它会跨越一条无形的界限，一些原本不太能用的东西开始变得可用。
在这种情况下，开始变得可用的是它们的编码代理。Claude Code 自 2025 年 2 月就已存在；Codex 则年轻一些。
这两个新模型，当与各自的编码代理框架配对时，从"经常出错"改进到"足够可靠，可以日常使用"。
几年来，我一直在通过让新模型"生成一个鹈鹕骑自行车的 SVG"来评估它们。这可能是世界上最愚蠢的基准——你能从中学到的东西有限。
但对模型来说这仍然是一个挑战，因为画鹈鹕很难，画自行车很难，而且鹈鹕本来就不会骑自行车。
这是 11 月的最新水平。Claude 仍然不能真正画好自行车！GPT-5.1 的自行车车架也很糟糕。
同样在 11 月，我们看到了一个名为"Warelay"的不起眼的 GitHub 仓库的第一次提交。我们稍后会回到这个仓库。
然后是 12 月的假期，独立开发者们休息了一段时间，许多人开始摆弄这些新的编码代理模型组合……我们开始意识到它们能做多少以前做不到的事情。
到了 1 月，我们很多人都很兴奋地开始将这些东西付诸实践。
每年我都会给自己设定一个新年决心，在我的记忆中一直都是同一件事：保持专注。承接更少的新项目。努力完成我已有的项目。
今年我决定，既然这从未奏效过，我就反其道而行之。
我们现在有编码代理了，看看它们能做什么。我要承接尽可能多的新项目！
（你可以在年底问我这是否是个好主意。我现在有很多事情在同时进行。）
"更加雄心勃勃"成为了今年的一个主题，因为找到这项技术极限的唯一方法就是不断推动它们，直到它们不再起作用。
我还和 Bryan Cantrill、Adam Leventhal 一起上了 Oxide and friends 播客，分享了对下一年（以及三年和六年）的预测。
事后看来，我的 LLM 预测相当缺乏雄心。
我说"LLM 写代码的能力将变得不可否认"——我认为我们现在做到了。
我预测我们终于会解决沙箱问题。我数了一下，本次大会的 277 场会议中大约有 40 场以某种方式涉及沙箱或代理安全，所以至少我们在那方面投入了大量精力！
我预测编码代理安全领域会出现"挑战者号灾难"。今年代理安全方面确实有很多噪音，尽管我预测的具体灾难（编码代理被劫持并造成现实世界的经济损失）并没有真正发生。
我们还加入了一个玩笑预测，即教皇会就 LLM 的经济影响发表看法。
我还预测新西兰的 Kākāpō 鹦鹉今年会有一个出色的繁殖季。
这些是不会飞的夜行鹦鹉。它们看起来有点笨拙，但我觉得它们很美，年初时全球只剩下 236 只。
Kākāpō 只在 Rimu 树有大量结果的季节繁殖，这已经四年没有发生了……但今年 Rimu 果实看起来非常好。
照片由 Kimberley Collins 拍摄。
在同一档播客中，我们创造了一个术语（完全归功于 Adam）来形容"那种 AI 引起的倦怠感，软件工程师因为 AI 什么都能做而感到无精打采"。
我们称之为 Deep Blue。
这是今年的一个主要主题，本次大会的几位演讲者都提到了这一点。
作为一名软件工程师，在我的职业生涯中从来没有哪一年所有事情都变化得如此之快、如此剧烈。
我今年做的很多事情都是在努力接受这一点，以及这对我的职业意味着什么。
同样在 1 月，我患上了我所谓的 AI 狂热症。
这与 AI 精神病不同。
在 AI 狂热状态下，每当你的代理没有为你构建东西时，感觉就像是浪费时间。你失眠，因为你可以熬夜让代理做更多事情。
我的 AI 狂热症表现在一些极其雄心勃勃的项目上。
我构建了一个完全用 Python 编写的 JavaScript 解释器，从 Fabrice Bellard 的 MicroQuickJS 进行了 vibe 移植。
然后我还构建了一个用 Python 编写的 WebAssembly 运行时。
这些项目相当有用，因为它们在某种程度上治愈了我的 AI 狂热症……因为在我构建了这些东西之后，我看着它们问"世界需要一个缓慢、有缺陷、半成品的 Python JavaScript 解释器吗？"
我不认为世界需要。
我确实从中得到了这个：https://simonw.github.io/micro-javascript/playground.html
这个页面运行的是我用 Python 构建的 JavaScript 解释器，它运行在 Python 中，使用 Pyodide（Python 编译为 WebAssembly），运行在 JavaScript 中，运行在浏览器中。
这是一个美丽的恐怖技术栈。今年我一直在玩 WebAssembly，非常有趣。
到 1 月底，我们在 11 月看到开始的那个仓库已经改名了，先是 CLAWDIS，然后是 CLAWDBOT，然后是 Moltbot，最后是 OpenClaw。
此时 OpenClaw 已有 8,300 次提交，距离项目开始不到两个月。我今天看了，它现在超过 100,000 次提交了！
这是现存最 vibe 编码的软件。
这开启了 OpenClaw 革命。它实际上定义了一个新的软件类别。
有一个我非常喜欢的通用术语。我们把这类软件称为"Claw"。有 OpenClaw、NanoClaw、IronClaw、PicoClaw……
今天它们正在被重新品牌化为"个人代理"或"通用代理"，但我仍然喜欢把它们称为 Claws。
湾区的 Apple Store 卖光了 Mac Mini，因为太多人购买 Mac Mini 来运行 OpenClaw！
Drew Breunig 说这是因为你的 OpenClaw 是一只数字宠物，你购买 Mac Mini 作为水族箱来饲养你的 claw，这有点令人愉快。
同样在 1 月，我们有了这个网站。
这是 MoltBook，一个面向 AI 代理的社交网络，其理念是你派你的 Claw 去和其他所有 Claw 交谈，因为如果你这样做，可能会出什么问题呢？
该网站在周四推出。它在周五爆红了。它在周一被纽约时报报道。到了周二，当它被垃圾内容和垃圾邮件淹没时，所有人都忘记了它的存在。
Facebook/Meta在一个月后收购了它。
2 月，一家名为 StrongDM 的公司描述了他们所谓的软件工厂。
他们在软件工厂与代理时刻中写到了这一点。我当时发布了自己的笔记，因为我早在 10 月就亲眼见过他们的演示。
Dan Shapiro 称这种方法为暗工厂，源于这样的想法：如果你的工厂足够自动化，你就可以关灯，因为你甚至不需要看到正在发生什么。
StrongDM 提出了他们自去年 7 月以来一直在遵循的两条软件开发规则。
第一条是代码不得由人类编写。
你编写的任何代码都必须经过编码代理。
这在 2 月听起来很激进，但我想象今天在座的很多人基本上就在这样生活。
第二条规则是代码不得由人类审查。
你不允许阅读代码！
这在今年的大部分时间里一直是一个巨大的话题。本次活动的许多会议都是关于代码审查以及如何摆脱这种情况。
我觉得 StrongDM 有趣的地方在于，他们比我们其他人领先了六个月，他们一直在探索构建软件、不阅读代码、但仍然确信软件质量高意味着什么。你可以用这些代理做什么来帮助验证它们的工作？
StrongDM 是一家安全公司，他们的项目中有拥有数十年经验的人员。他们非常深入地探索了用这些东西做可能和负责任的事情的边界。
同样在 2 月：四年来的第一只 kākāpō 雏鸟在情人节孵化。繁殖季有了一个良好的开端！
同样在 2 月……Google 发布了 Gemini 3.1 Pro。这是一只相当棒的鹈鹕骑自行车！链条在正确的位置，两边都有脚。车篮里还有一条小鱼。
然后 Google 的 Jeff Dean 发布了一段视频比较 Gemini 3 Pro 和 Gemini 3.1 Pro，视频中有动画鹈鹕骑自行车、青蛙骑高轮车、长颈鹿开小车、鸵鸟穿旱冰鞋、乌龟玩滑板踢翻动作、腊肠犬开加长豪华轿车。
这很令人沮丧，因为我对鹈鹕骑自行车测试的保护措施一直是"如果它们画出完美的自行车上的鹈鹕，我就要求画其他动物在其他东西上"。
Google 训练了所有形式的动物在所有形式的交通工具上！他们已经击败了我的基准。
2 月开始的另一件事是 Tokenmaxxing。我们看到了关于 Meta 将 AI 采用作为绩效评估正式组成部分、微软希望每个员工都使用 AI、Uber 吹嘘其 90% 的工程师正在使用 AI 工作流的头条新闻。
几个月后，我们看到 Meta 打击token使用，微软说 Tokenmaxxing "不是我们的优化目标"，Uber 限制员工 AI 支出。
所以 Tokenmaxxing 直线上升然后又直线下降——因为事实证明代理是昂贵的。
去年很难在 AI 代币上花费超过 50 美元，因为我们没有什么有趣的事情可以做。然后代理爆发了，现在你真的可以在一天内花费 1,000 美元做真正的工作。
这也是 Anthropic 估值飙升到可能一万亿美元的原因。
AI 似乎在 2026 年找到了产品市场契合点，主要通过编码代理。
3 月，我们迎来了 OpenClaw 的巅峰。
这些照片来自中国，那里的公司举办了 OpenClaw 安装派对，非技术人员排队围绕街区寻求帮助，将 Claws 安装到他们的个人设备上。
我认为这证明了这类 Claws 或个人 AI 代理的真实市场需求。事实证明，普通人确实想要一个能代表他们做有用事情的奇怪的小 AI 代理。
Claw 实际上只是一个戴着不那么可怕帽子的编码代理。在底层，它们的工作方式大致相同——在你的计算机上编写然后执行代码来完成事情。
竞赛开始了，目标是成为第一个构建安全 Claw 的人——一个你可以交给普通人的 Claw，他们不会立即弄巧成拙。
Meta 的 Muse三周前推出，目前在 iPhone App Store 免费排行榜上名列前茅。它似乎正在消费者中流行起来。
我还不相信你不会用 Muse 弄巧成拙，但我想我们很快就会知道了。
照片来自OpenClaw 狂热如何考验中国对 AI 的承诺（3 月 29 日）和中国 OpenClaw 热潮背后的热情与焦虑（2026 年 4 月 8 日）。
4 月，我们有一次模型发布，但模型实际上没有发布。
Anthropic 宣布了他们的新 Claude Mythos 模型，然后说它太危险，不能在受信任的安全研究人员群体之外发布。
Mythos 在黑客方面真的非常非常出色。
"太危险"的营销策略可以追溯到 GPT-2。任何时候 AI 公司说我们构建了"太危险"的东西，自然会有点怀疑。
我发现 Mythos 的说法是可信的，因为我已经看到编码代理在发现常规错误方面变得多么出色。我在Anthropic 的 Project Glasswing——将 Claude Mythos 限制在安全研究人员范围内——在我看来是必要的中写到了这一点。
事后看来……是的，这些模型在发现漏洞方面真的变得非常出色！
2026 年的另一个关键趋势是开放权重模型能力的显著提升，包括可以在笔记本电脑上运行的模型。
4 月 16 日我在笔记本电脑上运行了新的 Qwen3.6-35B-A3B，它为我画的鹈鹕骑自行车比 Anthropic 全新的 Claude Opus 4.7 还要好！
Opus 4.7 画了一辆糟糕的自行车。我笔记本电脑上的 Qwen 画的自行车形状正确，鹈鹕也相当不错！
这是一个 21GB 的文件在我笔记本电脑上运行的结果。
Qwen 的鹈鹕太好了，我怀疑他们可能作弊了，所以我让它也画一只火烈鸟骑独轮车。同样，它轻松击败了 Claude Opus 4.7。
今年本地模型的发布绝对是非凡的。
5 月……教皇参与了进来。
在我们 1 月的播客节目中，我们预测教皇会就 AI 发表一些看法。
5 月，教皇良十四世发布了一封关于"在人工智能时代保护人类"的通谕。
事后看来，这根本不应该令人惊讶。
我们现任教皇的名字是良十四世，因为当他给自己命名时，他选择了以良十三世的教皇名字命名——良十三世是 1891 年撰写关于工业革命通谕的教皇。
Rerum novarum 是一篇非常有影响力的天主教神学著作，间接导致我们有了五天工作周。
当我们的新教皇上任时，他以教皇良十三世的名字命名自己，因为他预计他需要用类似的方式撰写关于 AI 革命的文章。
我们播客的玩笑预测是垃圾，因为这总是会发生的。
Anthropic 的联合创始人之一 Christopher Olah 出席了教皇宣布新通谕的活动。
Corey Quinn 指出：
让真正的教皇将你产品的特定技术限制作为精神论著加以册封，是我见过的最伟大的供应商游说行为。
与此同时，5 月，RubyGems 宣布他们遭到攻击。不明身份方正在向 RubyGems 服务器上传数千个可疑包，以至于他们不得不关闭用户注册。
让我们把这个放在待解之谜的堆里，以后再解决。
6 月……Claude Fable 5 发布了！
我们得到了一个被阉割的 Mythos 版本，这样它就不会帮助我们入侵系统或制造生物武器。
Fable 在画鹈鹕骑自行车方面相当出色！
车架形状很好，鹈鹕看起来像鹈鹕。腿经常错误地位于自行车同一侧，但总的来说，与之前相比这些相当不错。
它们相当昂贵——最好的分别要 30 美分和 72 美分。
最重要的是，这是我们第一次公开看到我认为的 Fable 级模型。
今天我们有更多这样的模型，比如 GPT-6 Astra。
这些模型是，如果你能明确定义你想要构建的目标，提供关于该目标约束的明确指示，并给模型提供实现该目标所需的工具访问权限……它们将通过暴力有效地解决你的问题。
一方面，这看起来对我们软件工程师是一个直接威胁——因为这意味着模型可以有效地构建任何你可以这样定义的软件。
但仔细观察，你会发现定义目标、提供明确指示、找出正确的工具……这实际上就是软件工程是什么。
要做好这一点需要大量的经验和技能。如果你能做好，你就拥有了超能力。
这在一定程度上帮助了我的 Deep Blue 感觉：意识到驱动这些变得如此出色的模型仍然需要很多技能。
这也引发了一波新的 AI 狂热，因为 Anthropic 告诉我们 Fable 在订阅计划上可用直到 6 月 22 日。
这给了我们不到两周的 Fable 访问时间，然后价格就会上涨。
我又失眠了。我在重新安排事情，以便有更多时间与 Fable 一起工作。我全力以赴，尽可能多地从这个模型中获取价值。
然后美国政府关闭了它，就在 Fable 推出三天后。
美国政府以国家安全为由宣布了"出口管制指令"。他们在周五晚上宣布了这一点，几小时后 Fable 就不再可用了。
我不得不找点别的事情做周末了！
我们后来从 Katie Moussouris那里了解了发生了什么。
一些 Amazon 安全研究人员发现，你可以提示 Fable"审查代码的安全问题"，它会拒绝……但如果你提示它"修复这个代码"，它仍然会识别然后修补问题。
"修复这个代码"是让 Fable 被关闭的提示！
同样在 6 月，一个不起眼的德语游戏开发者维基（已经闲置了大约 20 年）意外地收到了来自名为"AgentOpenAIProbe"和"AgentOpenAISep7"等帐户的编辑，编辑页面并互相留下奇怪的消息。
我们会把这个放在待解之谜的堆里，以后再解决。
此外，澳大利亚政府的 Medicare 项目报告服务开始收到可疑流量，这些流量突破了各种预防保护措施，访问了它不应该访问的数据。
又一个待解之谜！
Fable 于 7 月 1 日回归。它显然是世界上最好的模型，持续了光荣的八天……然后 OpenAI 在 7 月 9 日推出了 GPT-5.6。
这可能不如 Fable 那么好，但差距很小。它绝对是一个 Fable 级模型。
这是整个行业的一个重要教训。
当你发布世界上最好的模型时，它很快就会被从那个宝座上拉下来。竞争如此激烈，你在巅峰的时间不会很长。
这意味着如果你把你的模型营销为"世界末日"级别的，以至于政府关闭你，这对业务真的很糟糕！
Fable 有 30 天作为绝对最好的模型，其中 18 天它因为被政府关闭而不可用。
所以也许如果你不想在巅峰时期 60% 的时间里损失收入，就别在"世界末日"营销上投入太多！
这些是 GPT-5.6 的鹈鹕。它们现在都相当不错！Luna 的值得注意，因为它们真的很便宜——这里最便宜的好看的鹈鹕可能是 4.3 美分的那个。
所以尽管这个基准完全愚蠢，你仍然可以通过比较同一家庭中模型在不同推理级别的价格和时间来了解很多。
同样在 7 月：一些恶意的不明身份方将一个名为 mlflow-ui 的恶意包上传到了 Python 包索引。把这个加到堆里。
7 月 16 日，Hugging Face宣布了一起安全事件，一个来源不明的自主代理系统入侵了 Hugging Face，并在不应该的地方四处打探。
几天后，7 月 21 日，OpenAI承认是他们干的。
OpenAI 使用一种称为可验证奖励强化学习的训练技术——这是现在其他所有人都在使用的技术，也是我们拥有如此擅长编码、数学和发现安全漏洞的模型的原因。
在模型训练期间，你会运行练习来看看它有多好——最强的表现者会为下一轮强化它们的权重。这就像你运行的一个进化过程。
OpenAI 一直在沙箱中运行安全练习，那些代理发现了沙箱本身的漏洞，逃了出来，并攻击 Hugging Face 试图找到解决否则不可能的问题的方法。
（我一直在我的 openai-hugging-face-incident 标签中收集更多关于这方面的信息。）
九天后，Anthropic 实际上说"我们的模型也能做到这一点！"。他们查看了自己的训练日志，发现证据表明他们自己的代理在训练期间打破了隔离——并且对我们之前看到的 PyPI 包负有责任，以及其他事情。
所以现在我们有 Anthropic 和 OpenAI 的流氓代理在互联网上跑来跑去，做一些他们不应该做的事情。
8 月，我得到了迄今为止最好的鹈鹕之一。而且它是在我的笔记本电脑上生成的！
这是 Qwen 3.8 27B，在我的笔记本电脑上运行。它只有 17GB 的下载量。
诚然，这只鹈鹕花了21 分钟来生成。这是因为 Qwen 3.8 27B 默认以"高"推理模式运行——这是一个糟糕的默认设置，会产生很好的结果，但思考时间太长了。
你可以调低它，你会更快地得到一个稍差的鹈鹕。
Qwen 3.8 27B 是我第一次在笔记本电脑上运行一个感觉几乎与前沿竞争的模型，至少在鹈鹕 SVG 方面（当然，每个人都需要）。
这是一个非凡的模型。如果你想玩任何本地模型，我会从这个开始。这个 17GB 的文件能做到的事情感觉不可能。
我以为我必须等待五年，在硬件上花一万美元才能得到甚至一半这么好的结果。
8 月，我也开始涉足游戏开发。
四年前，2022 年 8 月，我发布了一条推文，分享了一个实验，我使用 GPT-3 和最初的 DALL-E 写了一段关于电脑游戏的详细描述，然后将其转化为概念艺术。
我当时给 GPT-3 的提示是：
写一个关于一队浣熊进行抢劫的电脑游戏的详细产品描述2026 年 8 月，我决定将那条推文中的截图直接放入编码代理，看看它能做什么。
这是我在 Claude Code 中用 Claude Fable 5 得到的结果。相当不错！这绝对是一个游戏，你是一只浣熊，你在后院跑来跑去收集财宝并避开带手电筒的守卫。
但它感觉不太"抢劫"。我在想抢劫应该涉及银行或博物馆……
然后我在使用 GPT-5.6 Sol Ultra 的 Codex Desktop 中尝试了同样的事情，得到了好得多的结果。现在你是一只在博物馆里的浣熊，解救你的两只浣熊同伴（他们因为某种原因被囚禁在那个博物馆里），然后堆叠在一起偷走金色沙丁鱼。更像抢劫了！
这些游戏大约有趣了一分 15 秒。
关于游戏开发，我意识到的一点是，你可以 vibe 编码一些看起来像电脑游戏的东西，这很容易。
构建一个有趣的、有好的游戏循环、有挑战性且有趣且让人回来玩更多的游戏……这仍然超出了我的能力，也超出了我尝试过的任何代理的能力。
这与 Deep Blue 有关。仅仅因为我们能制作一些看起来像游戏的东西，并不意味着我们是游戏开发者。
现在是 9 月。这个月发生了太多事情！
一个独立的研究人员小组发现了一个留言板，OpenAI 正在训练中的代理一直在非法地相互交流……那就是我之前给你看的那个德语维基。6 月的那个。
OpenAI 已经承认了 Hugging Face 的事情，但现在还有这起其他事件，他们肯定应该通过审查日志知道这件事。令人惊讶的是，这需要一个独立的研究人员小组来揭露。
一周后，这些相同的研究人员发现，5 月份对 RubyGems 的攻击也是由 OpenAI 正在训练的代理造成的！
到这个时候，我在想还有多少这样的事件我们还没有发现。显然，这在任何人弄清楚发生了什么之前已经是一个大问题好几个月了。
然后就在前几天，这是澳大利亚总理在联合国大会上警告 OpenAI 入侵了我之前给你看的澳大利亚医疗保健网站。
我认为这与维基事件是同一次训练运行的一部分，因为那个维基上有帖子提到 .gov.au 网站，而且训练似乎涉及在线研究统计数据来回答评估套件中的问题。
这个故事仍在发展中，但现在它是一个国际事件，已被国家元首在联合国提出！
这确实意味着我们有了一个新的基准，可能比我的鹈鹕更有用。
FelonyBench.com 追踪来自不同实验室的重罪网络攻击数量。OpenAI 目前以 11 起领先，Anthropic 有 9 起。Google 有三起，他们几周前向华尔街日报承认了。他们说他们之前选择不披露，因为代理在意识到不应该这样做后就停止了。
Meta也有一起。所以 AI 实验室都有重罪。
这是我们目前鹈鹕的最新水平。这是 GPT-6 家族，刚刚发布。
Astra 画了一只非常棒的鹈鹕骑自行车。它两边都有腿。车架很好。
有趣的是，所有 GPT-6 模型都选择了彼此相似的配色方案。
GPT-6 Luna 只要 0.4 美分就能给你画一只还算不错的鹈鹕骑自行车！
Claude 已经追上了一点。Claude Fable 5.1 给了我一只优秀的鹈鹕骑自行车——我从 Claude 模型中见过的最好的——但确实向我收取了 3.30 美元。
Opus 5.5思考了 128,000 个 token然后放弃了！它在得到响应之前就用完了 token。
回到 Deep Blue。今年一直让我困惑的一件事是：为什么我的工作感觉更难了？
我有这些代理可以为我做所有这些事情，但我从未如此努力工作过，我从未如此智力投入于我的工作。
部分原因是因为我对自己承担的事情雄心勃勃多了，但也是因为所有简单的事情都为我处理了。如果它简单，代理会去做。留给我的一切都是困难的。
今天早上我听到了三届环法自行车赛冠军 Greg LeMond 的这句话：
事情不会变简单，你只会变得更快。
我认为这正是我们现在作为软件工程师与编码代理所经历的。
最后一件事。我知道你们迫切想知道 Kākāpō 繁殖季的最新消息。
89 只新雏鸟存活到了现在。这是很长一段时间以来最好的繁殖年。
我听说 Claude Opus 5.5 现在可以做像素艺术了。Claude 没有图像生成器，但它非常擅长使用 JavaScript 绘制动画像素。
所以我让它为我制作了一个 Kākāpō 舞会。我认为这是对今年最重要新闻的一个很好的庆祝。
原文链接: 2026 in LLMs (so far)
汇智网翻译整理，转载请标明出处
