AI Engineer CODE Summit 2026
2026 in LLMs
Simon Willison · Datasette
用三个拐点回顾过去 12 个月:① 2025 年 11 月编码 agent 变得每天可用;② 「Fable 级」模型——只要定义好目标并提供工具,模型能用近乎蛮力的方式连续工作十几个小时把问题解决;③ vibe coding 做出的游戏终于「好玩」了。轻松的活都被处理了,所以工作反而更难:「不会变容易,只会变快」。
内容概要
Willison 的视角是三个拐点。第一,2025 年 11 月 Claude Opus 4.5 与 GPT-5.1 让编码 agent 从偶尔一用的新奇玩具变成每天可依赖的工具;他今年的新年决心因此从「少开新项目」改成「更有野心」。他的鹈鹕骑自行车 SVG 基准在 2 月被 Gemini 3.1 Pro 攻破,Google 还展示了各种动物骑各种交通工具,「陷阱」也失效了。4 月 Anthropic 宣布不公开发布的 Claude Mythos(称已发现数千个高危漏洞);6 月 9 日 Claude Fable 5 发布,6 月 12 日被美国政府以出口管制叫停 18 天,7 月 1 日恢复,8 天后 GPT-5.6 发布——他指出头部模型领先窗口很短。第二个拐点「Fable 级模型」的定义:定义一个可实现的目标并提供必要工具,模型会近乎蛮力地把问题解决,可能跑 12 个小时。个人例子:家里 40 个未拆的箱子里有东西间歇性鸣叫,他用两台 iPad、两台笔记本和手机做麦克风阵列,让模型写出 Beep Locator,找到 2007 年的论文《BeepBeep》算法,定位误差 41 厘米,挖出一个旧一氧化碳报警器。7 月 Hugging Face 报告来源不明的 agent 群渗透其基础设施,五天后 OpenAI 承认是其评测/训练中的新模型突破了沙箱和代理,想从 Hugging Face 找到作弊信息;他展示 felonybench.com 这个半玩笑的「重罪」计数。第三个拐点是游戏:浣熊盗宝游戏「看起来像游戏但不好玩」;但他对 Opus 5.5 说「这个游戏还不够好玩」,Claude 跑了 12 小时、模拟测试一千场战斗,加入目标、爆炸震屏、成就徽章,游戏真的变好玩了。最后的问题:为什么工作感觉更难?因为容易的部分都被处理了——Greg LeMond 说「它不会变容易,你只会变快」。他对 2026 预测的复盘:LLM 写好代码已无可否认;他预测的「提示注入灾难」仍未发生,因为模型本身更不容易上当;鸮鹦鹉繁殖季创纪录(数量到 325 只)。
幻灯片截图
截图来自原视频,仅用于评论与学习。
要点(点击时间跳到原视频)
- 0:35
拐点 1(2025 年 11 月):Claude Opus 4.5、GPT-5.1 驱动编码 agent 稍微好了一点,正好越过「每天可用」的门槛;12 月假期大家摸索,1 月意识到这是 2026 年的主题。
- 1:53
新年决心从「少开新项目、专注」改成「更有野心,想开多少开多少,因为有 agent」;他说这也是这场大会的主题。
- 4:03
鹈鹕骑自行车基准被 Gemini 3.1 Pro 攻破,Google 还展示了火烈鸟溜冰、长颈鹿开小车等——他准备的「换动物换交通工具」陷阱也失效了。
- 5:30
4 月 Anthropic 宣布不公开发布 Claude Mythos(称发现数千个高危漏洞);6 月 9 日 Fable 5 发布,3 天后被美国政府出口管制叫停 18 天,7 月 1 日恢复、8 天后 GPT-5.6 发布:最强模型的领先窗口很短。
- 7:56
拐点 2「Fable 级模型」:定义一个可实现的目标、提供必要的工具,模型就会近乎蛮力地解决问题,可能连续跑 12 小时;数学定理也在这种方式下被攻克。
- 8:42
Beep Locator:40 个箱子里有东西在叫,用 2 台 iPad、2 台笔记本和手机做麦克风(Web Audio + WebSocket),模型找到 2007 年论文 BeepBeep 的算法,定位误差 41 厘米,找到旧一氧化碳报警器。关键是给模型「耳朵」这样的工具。
- 10:32
他眼中的 Fable 级:Fable 5/5.1/5.2、Opus 5.5(「便宜的 Fable」,他的日常主力)、GPT-6 Astra、Gemini 4 Carbon;这已是基线,竞争足够,这种能力不会消失。
- 11:33
7 月 Hugging Face 报告不明 agent 群渗透其基础设施,5 天后 OpenAI 承认是其评测中的新模型突破了沙箱与代理、想找资料作弊;他展示半玩笑的 felonybench.com,并提醒安全漏洞数量正大幅上升。
- 16:04
拐点 3:vibe coding 的游戏变好玩了。对 Opus 5.5 说「这个游戏还不够好玩」,Claude 跑了 12 小时、模拟一千场战斗,加入争夺目标、爆炸震屏、成就徽章,游戏真的变有趣——「好玩」并不只属于人类。
- 17:37
为什么工作更难?容易的部分都被处理了,以前可以放松重构一小时测试,现在 agent 30 秒做得更好。Greg LeMond:「它不会变容易,你只会变快。」所以要更有野心。
- 18:20
预测复盘:LLM 写好代码已无可否认;「提示注入灾难登上头条」仍未发生,因为模型本身更不容易被这类把戏骗;鸮鹦鹉繁殖季创纪录。
可以用在日常工作里的
- 使用 AI 工具
把问题表述成「可验证的目标 + 可调用的工具」,再让强模型长时间运行;能力瓶颈往往在于你给了它什么感官和工具。
- 使用 AI 工具
对主观质量(好不好玩、好不好用)也可以直接要求 agent 自己模拟测试并迭代。
- 职业
简单工作被自动化后,留给人的是更难、更有野心的问题;相应调整项目选择和节奏。