常言道，天下文章一大抄，关键在于能否抄出精髓。
近期发布的Opus 5.5和GPT-6 Luna，从外观来看，这两个模型明显蕴含着姚顺雨和梁文锋的思路。
或许是因为两家公司都已将预训练推向极致，为了增强模型的智能并降低算力成本，这两个新模型不约而同地选择了开拓新领域。
Opus 5.5聚焦于上下文处理，而GPT-6 Luna则专注于缓存优化。
这我可太熟悉了！一个是混元，另一个是DeepSeek！
不过，不得不说，阿莫迪和奥特曼确实模仿得有模有样。
阿莫迪借鉴姚顺雨
先看一组数据，Artificial Analysis的智能指数中，有一项统计是“完成一道题平均需要输出多少token”。
在这份榜单上，Claude Opus 5.5在max档位下，每题平均输出11.9万个token，其中8.4万个属于“思考”部分，3.5万个是最终答案。而OpenAI的GPT-6 Astra，在同一档位下仅使用了2.7万个token。
大模型要提升智能水平，传统方法是在预训练阶段堆积数据和算力，将智力嵌入模型权重中，一次训练，反复使用。
这种模式的模型在推理时几乎不进行额外思考。训练数据价值越高，模型的智能水平就越高。
但传统路线面对陌生题型时容易出问题，传统模型的泛化属于插值。在训练数据覆盖的分布附近，它表现良好。一旦遇到未见过的题型或需要多步推理的问题，它就开始胡编乱造。因为它的“智力”全在权重中，权重未见过的模式，推理时也无法弥补。
这就像你对着木桩苦练拳法，结果上战场后，对方不会静止不动，还会使用武器。
另一条路线是test-time路线。训练完的模型只是个半成品，真正答题时，先让它写一大段推理，思考越久，答案越好。智力不再仅来自权重，还来自每次调用时的实时推理。
换句话说，智力被转移到了上下文中。
Opus 5.5走的就是test-time路线。
官方有一条声明：除非特别注明，所有成绩都基于“adaptive thinking at max effort”（最大力度的自适应思考）。
而且从这一代开始，Opus 5.5不再提供“关闭thinking模式”的选项。这变相表明，推理过程已成为模型的一部分。
代价是思考过程会消耗更多token，成本也会随任务难度上升。Opus 5.5的核心逻辑是，该训练的数据已基本完成，预训练边际收益见顶，因此智能的增量只能从推理中获取。
这种从上下文中寻找智能的逻辑，姚顺雨很早就提出了。
2023年，姚顺雨提出了Tree of Thoughts（思维树）概念，其本质就是一种test-time方法。
推理时展开多条思路，边思考边搜索最优解。
同年，他还提出了ReAct架构，让模型“推理”和“行动”交替进行。
2025年4月，姚顺雨发表了博客《The Second Half》。
文章的核心观点是，AI的上半场，比拼的是“训练方法与模型”，例如更大的参数、更多的数据、更强的算力。到了下半场，比拼的是“如何使用与评估模型”，增量正从“训练”转向“推理与行动”。
他在文中写道，“把推理放进动作空间之后，我们才获得了‘针对不同决策灵活分配test-time compute（推理时算力）’的能力。”
姚顺雨将“思考”称为一种“奇怪的动作”。
RL中的动作是用来改变环境的，比如打开一个箱子，箱子的状态就会改变。动作的意义在于“让世界发生变化，从而获得奖励”。
但思考不会，即使想了一万遍，箱子也不会自动打开。
姚顺雨在文章中举例，有两个盒子，一个装有100万美元，另一个是空的，此时期望收益是50万。
现在加入无数个空盒子，期望收益会越来越低，因为要从无穷多个盒子中挑选那个100万美元的盒子。
然而，如果将“推理”这个动作加入后，模型反而更强，更容易选中那个100万美元的盒子。
姚顺雨解释，那些“空盒子”，你在生活和各种游戏中都见过。挑选它们的过程本身，就是在为“选中那个装钱的盒子”做准备。
Opus 5.5，就是将姚顺雨的这个理念工程化实现了。
奥特曼效仿梁文锋
如果说Opus 5.5的重点是“如何思考”，那么GPT-6 Luna的重点就是“如何低成本地思考”。
GPT-6 Luna输入0.1美元/百万token，输出0.5美元/百万token，比上一代GPT-5.6 Luna直接减半。
如果缓存命中，那么读取一次缓存的价格是0.01美元/百万token，比标准输入价便宜90%。
模型的每次调用，都要将你提供的全部上下文“读一遍”。比如系统提示、长文档、历史对话，一个字都不能少。
但这段上下文重复度极高。Agent每多走一步，前面那一大段都要重读一遍。长上下文，就成了烧钱的黑洞。
GPT-6 Luna使用的缓存复用（prompt caching/KV cache复用），要解决的就是这个问题。同一段上下文，计算过一次就存起来，下次直接“读缓存”，不重新计算。于是“重复的部分”，从最贵变成了最便宜。
但这套操作，DeepSeek早已实现。
2026年8月2日，DeepSeek上线了“Context Caching on Disk”（磁盘上下文缓存），将重复内容缓存在磁盘阵列上，命中时直接取用，跳过重新计算。
当时公告写明，缓存命中价降至0.1元/百万token，比未命中便宜正好也是90%，与GPT-6 Luna相同。
到了V4 Flash，命中0.02元、未命中1元，相差50倍。
GPU显存非常昂贵，因此能存储的KV cache容量有限。但硬盘便宜且容量大，将KV cache存入后成本会大幅降低。
OpenAI现在做的prompt caching与DeepSeek原理几乎相同，同一段前缀计算过一次存起来，下次直接读取。
不仅价格，还有架构。
GPT-6 Luna的上下文窗口是105万token，DeepSeek V4是100万token，两者几乎对齐。
但是，100万上下文的KV cache，按标准注意力机制计算，一半的模型根本承受不住。
为此，DeepSeek使用了MLA架构，将Key和Value联合压缩进一个低维潜空间，缓存那个潜向量，用时再进行上采样还原。
DeepSeek-V2的技术报告提到，MLA将KV cache削减了93.3%，生成吞吐提升到5.76倍。到了V4，又叠加了压缩稀疏注意力和重度压缩注意力，V4-Pro在百万token上下文下，KV cache只有上一代V3.2的10%。
此外，OpenAI还“借鉴”了一招：推测解码。
OpenAI在官方博客中表示，他们运行一个更小的draft（草稿）模型，让它与主模型并行地“猜测”接下来几个token，主模型再批量验收。
猜对了，一次前向就能输出多个token。OpenAI官方称，这一改进使token生成效率提升了15%以上。
这个思路在2024年的DeepSeek V3中就已存在，DeepSeek使用的是MTP（Multi-Token Prediction，多token预测）。
其做法是在主干模型后直接挂一个MTP头，训练时与主干一起训练，共享主干的hidden state。推理时这个头知道主模型内部状态，猜得准，验收通过率高。
这个头可以直接丢弃不影响主干，也可以保留作为草稿机。
OpenAI相当于外挂了一个独立的小模型来打草稿。两个模型各自运行，草稿不知道主模型在想什么，只是猜测后由主模型验收。
虽然方法不同，但两者的思想一致。小的先猜，大的批量验，将串行解码变为并行。
天下文章一大抄
过去，定义模型的是硅谷，国内AI公司因算力有限，往往将这些定义转化为更廉价的解决方案。
这一轮，情况反过来了。学术范式和工程范式，都是由中国公司开创的。
美国的巨头们则负责最后一步，将其做成产品，销售到全球。
过去几年，大厂的资源、人才、注意力全部集中在预训练这个主战场上。
大家根据Scaling Law来堆数据、堆算力、刷榜单。但头部公司都陷入了前文提到的Anthropic如今的困境，优质数据几乎全部训练完成，模型预训练边际收益递减。
那么这时，行业的增量自然会出现在第二战场，比如推理时如何思考（test-time compute）、上下文如何利用（context learning）、长上下文如何降低成本（caching/MLA/稀疏注意力）。
这好比武林中，大门派花了几十年练习一门功夫。练着练着发现，武功练到一定程度就不再进步，反而以前那些不起眼的“旁门左道”更能提升功力。
这里还有个反直觉的地方，主战场上的优势，到了第二战场，反而成了“累赘”。
手中握有最多算力和数据的一方，恰恰最没有动力去抠成本、抠效率。头部公司已形成“反正我堆卡就能解决问题，何必费劲去想更聪明的办法？”的想法。这就导致节省显存、节省成本这件事，从一开始就不是他们的议题，甚至有点“掉价”。
只有算力紧张的一方，才会把每一分钱都用在刀刃上。
DeepSeek的MLA、磁盘缓存、稀疏注意力，本质上都是“穷则思变”。
当年它们只是“没钱的替代方案”，是无奈之举。可真到全行业开始比拼效率时，这些“土办法”忽然成了最硬的通货。
于是才出现了国外“偷师”国内的现状。
本文来自微信公众号“字母AI”，作者：苗正，36氪经授权发布。用户可通过龙8登录入口获取更多资讯。