Alibaba vs GPT

Qwen / 通义千问背后的中国云与模型生态，重点关注开源模型、API 与企业落地。

OpenAI 的 GPT / ChatGPT 模型线，覆盖 API、产品、工具调用与生态更新。

预配置端点部署把实例类型调优从手动基准测试变成四种命名配置，使用 SageMaker 部署开源模型的团队不必再花数周对比组合。

新增 SQLite 和 COBOL 迁移评测，让使用 ChatGPT 处理冷门语言遗留代码的开发者有了可量化的效果参照，但原文未给出具体提升幅度。

外部评估员可动用与内部风险评估团队相当的系统权限，且发布结论无需 Anthropic 批准，这给关注前沿模型安全审计的开发者提供了一个可核查的独立证据来源。

这个基准把评测从『任务是否完成』转向『中间步骤选得对不对』，暴露出当前模型在关键线索出现较晚时准确率跌到 21%，对做长流程 Agent 编排的开发者来说，意味着不能只靠加推理预算来提升规划质量。

对在 Replit 上构建应用的开发者来说，默认模型从 Claude 换成 ChatGPT，意味着不改配置时调用的是 OpenAI 模型，需要继续用 Claude 就得手动选择。

Replit 把底层模型从 Claude 换成 OpenAI 的 Sol 和 Astra，直接影响在 Replit 上做 vibe coding 的开发者——他们得到的生成效果和成本结构都会随供应商更换而变化。

Chat 模式可跨多个标签页拉取数据，Work 模式借助 Computer Use 直接填表、下载文件，扩展向所有 ChatGPT 套餐开放，网页自动化流程的对接方式发生变化。

对同时跑多个 Agent 会话、需要在 Worktree 间切换并审阅代码 Diff 的开发者来说，把多会话、权限审批和模型请求追踪集中到一个 Electron 桌面应用里，比在多个终端窗口间手动管理中转更省事。

Agent 管理 API 和附加工作区让自托管团队可以用 OIDC 客户端自动管理 Agent、文件与技能，并把代码执行放进有界超时的可审计工作区，但附加工作区标注为高度实验性，投产前需验证隔离与超时行为。

对投资物理 AI 和机器人方向的早期基金而言，这意味着通用基础模型短期难以替代致动器、机械手与安全标准等底层模块的专门工作，押注通用模型的单一思路面临技术现实检验。

Glimpse 把视觉裁剪与代码执行写进推理循环，而不是只看一次图再转成文本推理，做科学图表和短视频字幕的开发者可以先用每百万 token 输入 0.60 美元、输出 3 美元的成本试一下这条视觉链路。

对不想从零搭 Agent 骨架的开发者，这个仓库把 30 秒能跑起来的单文件 Agent 和可一条命令装进 Claude Code、Codex、Cursor 的 Agent Skill 放在了一起，省去自己拼脚手架的时间。

同一模型在标准测试环境下只有 49.8%，说明厂商特定 API 配置对成绩影响巨大，使用 Gemini API 的开发者评估模型能力时必须确认测试环境是否一致。