大模型还没卷完 厂商已经在找新战场了

七月的 AI 圈，用 " 乱斗 " 来形容一点不过分。

GPT-5.6 Sol 刚上线没几天，Grok 4.5 就杀出来了，马斯克放话说每秒比 Opus 快还便宜。谷歌那边 Gemini 3.5 Pro 押注全新底座，7 月 17 号亮相。国内 DeepSeek V4 正式版也锁定七月中旬，顺带还搞了个峰谷电价——工作时间用 API，价格翻倍。

但你要觉得这波只是 " 谁的模型更强 "，那就把故事看浅了。同一时间发生的另外几件事，比模型军备竞赛有意思得多。

做模型的开始做手机了

7 月 9 号，阶跃星辰宣布要推出首款 AI 智能体手机，7 月 13 号开发布会。

这事有意思在哪——阶跃星辰是大模型公司，不是手机厂商。但它没选择继续卷模型参数，而是直接跳进硬件赛道。OpenAI 自己也说过要做 AI 终端，计划 2027 年上市。结果被一个中国公司抢先了。

背后逻辑也简单：模型再强，得有个载体让人用起来。网页端和 App 的用户黏性就那么回事，原生集成的硬件才是护城河。阶跃星辰拉上了华勤技术做代工，国内 60% 头部手机品牌已经跟它有合作——这盘棋下得不算小。

你可以试试关注 7 月 13 号阶跃星辰的发布会，看看 "AI 原生手机 " 到底跟现在的智能手机有什么不同。如果只是多了个语音助手，那不算新闻。如果是操作系统级别的 Agent 集成，那就有点意思了。

不做聊天机器人，做机器人用的视频模型

同样是 7 月 9 号，蚂蚁灵波开源了 LingBot-Video。这是全球第一个面向具身智能的 MoE 架构视频生成基础模型。

你可能会问，具身智能的视频模型跟 Sora 那种有什么区别？

区别大了。Sora 是做给人看的——画面好看就行。LingBot-Video 是做给机器人 " 看 " 的——它得理解物理世界怎么运转。东西掉地上会弹起来，推桌子桌子会滑动，这些对人来说是常识，对机器人来说就是天大的问题。

这个模型融合了 7 万小时的具身数据，包括灵巧操作、机器人移动、第一视角交互。总参数 300 亿，但推理时只激活约 30 亿——同等规模的 Dense 架构，效率比它低三倍。

你可以试试关注具身智能赛道。大模型卷了两年，下一波大机会很可能在 "AI+ 物理世界 "。从工厂到家庭，从仓储到医疗，机器人缺的不是手，缺的是脑子。

图像生成不再比谁画得像，比谁真能用

字节跳动 7 月 8 号悄悄发布了 Seedream 5.0 Pro。

乍一听又是一个图像模型，跟 Midjourney、DALL-E 有什么区别？但这次字节的打法变了——他们没说 " 我们的画质更好 "，而是强调 " 像素级的交互式编辑 "。意思是你不再只是输入 prompt 等结果，你可以在生成过程中精准控制每个元素的位置、大小、颜色。

更狠的是文字渲染。阿拉伯语从右往左排版，西班牙语重音符号，中文竖排——这些多语言排版的坑，Seedream 5.0 Pro 全填上了。说白了，它不只是个画画玩具，是个能产出商业物料的工具。

你可以试试拿 Seedream 做个实际工作的物料试试——比如生成一张带中文文案的海报。跟 Midjourney 比一下中文文字渲染的准确率，差距可能让你吃惊。

ChatGPT 终于不是 " 对讲机 " 了

GPT-Live 全双工语音模型也在这两天正式推送了。

之前用 ChatGPT 语音，体验跟用对讲机差不多——你说一句，它想一会，它回一句。中间那半秒的停顿虽然不长，但足够从 " 聊天 " 变成 " 问问题 " 了。

全双工的意思是：你可以边说话边被理解，它可以边听边想边回。你打断它，它能立刻停下。你犹豫了一下，它能等你。这才是真正像 " 对话 " 的东西。

这比任何跑分都更能说明问题。语音交互的门槛一旦跨过去，客服、教育、陪伴、会议记录——这些场景的商业化想象空间，比一个更好的代码模型大多了。

真正的竞争才刚开始

回到七月的模型大乱斗—— GPT-5.6 Sol 很强，Grok 4.5 很猛，Gemini 3.5 Pro 还有两周。但说句实话，它们之间的能力差距，不足以改变普通用户选择哪个产品。

真正的变量在别的地方：谁能把模型装进手机、装进机器人、装进设计师的工具栏、装进你的日常对话里。

过去两年大家在比谁的模型参数多、谁在榜单上排第一。但你看蚂蚁灵波做具身智能视频、阶跃星辰做 AI 手机、字节做可编辑图像、OpenAI 做全双工语音——这帮聪明人已经换赛道了。

模型能力正在趋于收敛，产品能力才刚刚拉开差距。七月这场乱斗，看点不在模型本身。