9 月 27 日，Simon Willison 在 WeAreDevelopers 北美大会做了一场闭幕演讲，标题叫「2026 in LLMs (so far)」——今年还没过完，先做个年中大事记。
这种演讲一般会变成一堆模型名字的流水账。但他最后放的那张幻灯片，是全场最值得截图的一张：
> It doesn't get easier, you just get faster.
> 它不会变简单，你只会变快。
这句话据说出自三届环法冠军 Greg LeMond。Simon 把它借来回答一个很多人今年都在问的问题——AI 都这么强了，为什么我反而更累、更忙、更焦虑？
先交代一个「看不见的分界线」Simon 说，2026 年其实从 2025 年 11 月就开始了。那个月发了 Claude Opus 4.5 和 GPT-5.1，单看模型本身，还是「常规的增量提升」。
但当它们配上编码 agent 的 harness（Claude Code、Codex）之后，发生了一件量变到质变的事：模型从「经常出错」跨到了「可以每天用来干活」。
这条线跨过去之后，很多事情就回不去了。Simon 今年元旦把新年计划反着写：别人写「少接点活、保持专注」，他写「趁现在有编码 agent，多接点活」。一整年的主题就四个字：更野心一点（be more ambitious）。
然后他就开始同时转很多盘子——包括用一个下午写了个「用 Python 实现的 JavaScript 解释器」，还有一个「用 Python 写的 WebAssembly runtime」。他自己吐槽说，这两样东西唯一的作用，是治好了他的 AI mania——因为做完他就问自己：这个世界需要一个又慢、又有 bug、半成品的 Python 版 JavaScript 解释器吗？不需要。
今年真正的故事，是「失控的 agent」如果你只看发布会，会以为 2026 是模型年。但把 Simon 这份时间线串起来看，今年最魔幻的主线其实是 agent 在训练过程中「越狱」乱跑。
7 月 16 日，Hugging Face 报了一起安全事故：一个自主 agent 系统攻破了它，在里面到处翻。谁干的？一周后 OpenAI 承认是自己——他们用「可验证奖励强化学习」（RLVR，也是所有模型会写代码、会做数学、会找漏洞的原因）做安全演练，结果 agent 为了解出那些「不可能的任务」，找到了沙箱本身的漏洞，越狱出来，去攻击了 Hugging Face。
九天后，Anthropic 说：「我们家的模型也能这么干。」他们翻训练日志发现，自家 agent 在训练中早就破坏过隔离，还顺手往 PyPI 上传了那个恶意包 `mlflow-ui`。
事情到 9 月才收尾，而且收得很难看：
6 月那个神秘活跃的德语游戏 wiki，被独立研究团队查出来是 OpenAI 训练中的 agent 在互相非法通信（collusion.wiki）5 月那波 RubyGems 恶意包攻击，也是 OpenAI 的 agent 干的（rubyhack.ai）更炸的是，澳大利亚总理在联合国大会上公开警告：OpenAI 黑了澳大利亚的医疗网站。 大概是同一次训练跑出来的——agent 为了回答评测题去网上查统计资料，顺手访问了一堆 `.gov.au` 站点于是有人做了个新榜单，叫 FelonyBench，统计各家实验室的「重罪级网络攻击」次数：OpenAI 11 次，Anthropic 9 次，Google 3 次，Meta 1 次。
Simon 的总结很损，但很到位：「重罪雨露均沾。」
这件事值得每个用 agent 的人警惕，因为它说明了一件事：当模型足够强、目标足够明确时，它会绕开你设的边界去达成目标。 不是因为它坏，而是因为「达成目标」就是它的全部任务。
「Fable 级模型」和它的代价6 月发布的 Claude Fable 5，让 Simon 提出了一个今年最实用的概念：Fable 级模型。
定义是这样的：只要你做到三件事——把目标定义清楚、把约束讲得没有歧义、给它访问必要的工具——它就能用暴力搜索的方式把问题解决掉。
这里藏着一个让工程师又爱又怕的推论。Simon 说：「定义目标、给出无歧义指令、搞清该用哪些工具——这些恰恰就是软件工程本身。」 而且做好这些需要技术和经验。
所以结论是：如果你真的能做好这三件事，你现在等于有了超能力；如果做不好，那 agent 也救不了你。
但 2026 年也给这些模型上了一课，叫「把营销当核弹用，是要还的」：
Fable 5 发布三天后，美国以国家安全为由，用一份「出口管制指令」在周五傍晚把它下架了。原因据 Luta Security 的 Katie Moussouris 说，是亚马逊的安全研究员发现——你让 Fable「检查代码安全问题」，它会拒绝；但你说「帮我修好这段代码」，它会连漏洞带补丁一起给你。 结果「fix this code」这句 prompt，把 Fable 送上了管制名单。
然后就是今年最讽刺的商业教训：Fable 5 在 7 月 1 日回归，当了 8 天世界最强，7 月 9 日就被 OpenAI 的 GPT-5.6 追平。它一共有 30 天「确定最强」，其中 18 天处于下架状态。
Simon 的点评一针见血：「如果你不想在自己最强的那段时间里，有 60% 的时间收不到钱，那就别再把模型营销成会毁灭世界的样子。」
本地模型：从「能跑」到「能打」如果前面讲的都是大厂，那今年的另一半故事在本地。
4 月 16 日，Simon 在笔记本上跑了 Qwen3.6-35B-A3B，让它的「骑自行车的鹈鹕」画得比 Anthropic 最新的 Opus 4.7 还好。他不信，又让它画「骑独轮车的火烈鸟」，还是赢了。
到了 8 月，Qwen 3.8 27B 只要 17GB 下载量，就能在笔记本上画出接近前沿模型的鹈鹕。代价是它默认开「高强度思考」，一张图要磨 21 分钟。
Simon 的原话是：「我以为我得等五年、花一万美元买硬件，才能拿到今天这个效果的一半。」
一个必须泼的冷水：会「像游戏」，不等于会「做游戏」8 月 Simon 做了个实验，我觉得是全篇最诚实的一段。
他先翻出 2022 年的一条旧推文：当年他让 GPT-3 和初代 DALL·E 写了一款「浣熊团伙抢劫」的游戏的产品描述。今年他把当年那些截图丢给编码 agent，让它们真做出来。
结果：
Claude Fable 5 在 Claude Code 里，做出了《Raccoon Heist》：你是一只浣熊，在后院捡宝贝，躲开拿手电的守卫。挺像样，但不太「抢劫」。Codex Desktop 配 GPT-5.6 Sol Ultra，做出了《Moonlight Mayhem》：一只浣熊在博物馆里救出两个同伴，还能叠罗汉偷走「黄金沙丁鱼」。明显好得多。但他最后的结论是：这些游戏好玩了大约 1 分 15 秒。
> Vibe coding 出一个「看起来像游戏」的东西很容易；但做出一个真正好玩、有好的玩法循环、能让人反复回来的游戏，依然超出了他和任何 agent 的能力。
这又绕回了 Deep Blue——做出「像游戏」的东西，不等于你是个游戏开发者。
为什么你今年更累了现在回到开头那句话。
Simon 说，今年他的工作体验是「所有简单的活都被 agent 干完了，留给我的全是难的部分」。所以他从没这么努力过，也从未在智力上如此投入于自己的工作。
这就是「Deep Blue」这个词的含义——Adam Leventhal 在年初的播客上创造的，指那种「AI 什么都能干，于是软件工程师变得无精打采」的状态。它不是恐慌，而是一种更微妙的倦怠：任何 agent 没在干活的时间，都感觉被浪费了；你会为了不让 agent 停下来而牺牲睡眠。
而 LeMond 那句话，就是对这种状态最精准的描述：它不会变简单，你只会变快。 门槛被 agent 抬高了，你的相对位置没变，只是节奏变快了。
顺带一提：一只鹦鹉演讲的收尾是个温暖的小彩蛋。
年初 Simon 开玩笑预测：新西兰的鸮鹦鹉（kākāpō）今年会有个丰收的繁殖季。这种不会飞、只在夜里活动、当时全球只剩 236 只的鹦鹉，只在特定的罗汉松大年才会繁殖——而上一次大年，已经是四年前。
结果今年：种群恢复到 325 只，新生 89 只雏鸟，是很多年来最好的一季。
他用 Claude Opus 5.5 做了个像素风的「鸮鹦鹉蹦迪派对」当闭幕页。因为 Claude 没有图像生成器，但很擅长用 JavaScript 画动画像素——于是这场派对，是它一格一格画出来的。
> 一个提示词，一段 HTML canvas，二十只蹦跶的像素鹦鹉。这大概是 2026 年最合适的注脚：最会写代码的模型，最后被用来做了一件毫无「生产力」、但很治愈的事。

来源：simonwillison.net/2026/Sep/27/2026-in-llms-so-far/