五分钟回顾LLM领域过去六个月的进展

Simon Willison 发布于 2026-06-29 阅读 131

作者在PyCon US 2026闪电演讲中( 2026/05/09 ),用5分钟回顾了LLM领域过去六个月的重大进展。

我整理了自己在 PyCon US 2026 上五分钟闪电演讲的带注释幻灯片,使用的是我的注释演示文稿工具最新版本

LLMs 过去六个月的总结,五分钟  Simon Willison - simonwillison.net  PyCon US 2026 闪电演讲

我在 PyCon US 2026 上做了这次闪电演讲,试图在五分钟内总结 LLMs 过去六个月的发展。

11月的拐点

11月的拐点

选择六个月这个时间段相当方便,因为它涵盖了我所说的2025年11月拐点。11月是 LLMs 的关键月份,尤其是在编码方面。

“最佳”模型在 Anthropic、OpenAI 和 Google 之间易手五次

一方面,所谓“最佳”模型(主要看感觉)在三大提供商之间易手了五次。

生成一张鹈鹕骑自行车的SVG

#

和往常一样,我使用我的生成一张鹈鹕骑自行车的SVG测试来帮助说明模型之间的差异。

为什么用这个测试?因为鹈鹕很难画,自行车很难画,鹈鹕不能骑自行车……而且任何 AI 实验室都绝不可能针对如此荒谬的任务训练模型。

五张鹈鹕,分别对应以下五个模型。质量各异!

11月初,被广泛认可的“最佳”模型是9月29日发布的 Claude Sonnet 4.5。它给我画了这只鹈鹕。

11月,它被 GPT-5.1、然后 Gemini 3、然后 GPT-5.1 Codex Max 超越,接着 Anthropic 凭借 Claude Opus 4.5 夺回了桂冠。

我认为 Gemini 3 在这批模型里画出了最好的鹈鹕,但鹈鹕不能代表一切。大多数实践者都同意 Opus 4.5 在接下来的几个月里保持了领先地位。

编码 Agent变得优秀了

过了一段时间才变得明显,但11月真正的新闻是:编码 Agent变得优秀了。

OpenAI 和 Anthropic 在 2025 年的大部分时间里都在进行基于可验证奖励的强化学习,以提高其模型编写代码的质量,尤其是与它们的 Codex 和 Claude Code 代理框架配合使用时。

11月,这项工作的成果变得显而易见。编码 Agent从“经常有效”变为“基本有效”,跨越了一个质量门槛,你可以将它们作为日常工具来完成实际工作,而不需要花大部分时间去修复它们愚蠢的错误。

GitHub 上 "Initial commit" 的截图,仓库 steipete/Warelay,提交 f6dd362,steipete 于 2025年11月24日提交  这是 MIT 许可证的副本

OpenClaw 龙虾

同样在11月,发生了一件事——某个叫 Pete 的家伙在一个当时还很不起眼的仓库 "Warelay" 上进行了第一次提交。

12月/1月( LLM 精神病)

在假期期间,从12月到1月,我们很多人都利用休息时间,尝试了这些新模型和编码 Agent,看看它们能做什么。

它们能做的很多!我们中的一些人有点过于兴奋了。我自己也短暂地经历了一种“LLM 精神病”,开始启动一些野心勃勃的项目,想看看能把它们推多远。

micro-javascript 游乐场 在由 Pyodide 驱动的沙盒化 micro-javascript 环境中执行 JavaScript 代码

我的一个项目是用 vibe coding 方式实现的 JavaScript 的 Python 实现——松散地移植自 MicroQuickJS——我称之为 micro-javascript。你可以在这个游乐场 的浏览器中尝试它。

JavaScript 在 Python 中运行,Python 在 Pyodide 中运行,Pyodide 在 WebAssembly 中运行,WebAssembly 在 JavaScript 中运行

#

那个游乐场演示展示了使用我的 micro-javascript 库在 Python 中运行的 JavaScript 代码,而 Python 又运行在 Pyodide 中,Pyodide 运行在 WebAssembly 中,WebAssembly 运行在 JavaScript 中,JavaScript 运行在浏览器中!

这很酷!但是否有人需要一个满是 bug、缓慢、不安全、半生不熟的 JavaScript 的 Python 实现呢?

并没有。我在那个假期期间还有不少其他项目,后来都悄悄废弃了!

2026年2月

来到2月。还记得那个在11月底有第一次提交的 Warelay 项目吗?

Warelay → CLAWDIS → CLAWDBOT → Clawdbot → Moltbot →🦞 OpenClaw

#

在12月和1月,它经历了好几次改名……到2月时,它已经以最终名称 OpenClaw 风靡全球了。

对于一个诞生不到三个月的项目来说,它获得的关注度相当惊人。

通用术语: Claw

OpenClaw 是一个“个人AI助手”,我们实际上为这类东西有了一个通用术语,基于 NanoClaw 和 ZeroClaw 等等……它们被称为 Claws

你的 Claw 的水族箱

Mac Mini 在硅谷周边开始售罄,因为人们购买它们来运行自己的 Claws。

Drew Breunig 跟我开玩笑说,这是因为它们是新的数字宠物,而 Mac Mini 是你的 Claw 的完美水族箱。

《蜘蛛侠2》中阿尔弗雷德·莫里纳饰演的章鱼博士,用他的四只爪子撕碎一列纽约地铁列车。

我最喜欢的关于 Claws 的比喻是 2004 年电影《蜘蛛侠2》中阿尔弗雷德·莫里纳饰演的章鱼博士。他的爪子由 AI 驱动,只要他的抑制芯片没有损坏,就绝对安全……之后它们就变邪恶并接管了。

鹈鹕骑自行车 很棒了

Gemini 3.1 Pro  一张非常棒的鹈鹕骑自行车的插图。

同样在2月:Gemini 3.1 Pro 发布,给我画了一张非常棒的鹈鹕骑自行车。看看这个!它的篮子里甚至还有一条鱼。

然后 Google 的 Jeff Dean 发布了一段视频,里面有一只动画鹈鹕骑自行车,还有一只青蛙骑前轮大后轮小的自行车,一只长颈鹿开微型汽车,一只鸵鸟穿轮滑鞋,一只乌龟玩滑板踢翻,一只腊肠狗开加长豪华轿车。

所以也许 AI 实验室终究还是注意到了!

开源模型

2026年4月

就在刚刚过去的一个月里发生了很多事情。

Gemma 4 26B-A4B (17.99GB)  一只骑自行车的不错的鹈鹕,虽然自行车有点变形。

Google 发布了 Gemma 4 系列模型,这是我见过的来自美国公司的最强大的开放权重模型。

GLM-5.1 MIT, 754B 参数, 1.51TB!

同样在上个月,中国 AI 实验室 GLM 推出了 GLM-5.1——一个开放权重的 1.5TB 巨兽!这是一个非常有效的模型……如果你能负担得起运行它的硬件的话。

GLM-5.1 给我画了这只非常老练的鹈鹕骑自行车。

编辑注: 现在有了更强的 GLM-5.2

……不过当它尝试动画化的时候,自行车弹到了顶部,而且自行车变形了。

Bluesky 截图  Charles ‪@charles.capps.me‬ 我觉得你应该用另一种运动方式的另一种动物去烦它。  我有点说不清道不明的感觉。 /s  北弗吉尼亚负鼠骑电动滑板车!!

Charles 在 Bluesky 上建议我用一只北弗吉尼亚负鼠骑电动滑板车试试。Charles 觉得中国模型可能为此测试训练过。

北弗吉尼亚负鼠自黄昏以来巡游联邦 还有一张非常酷的负鼠插图。

然后它做到了!我在其他模型上试过,它们根本比不了。“自黄昏以来巡游联邦”简直完美。它也是动画的

Qwen3.6-35B-A3B 是一个 20.9GB 的文件,可以在我的笔记本电脑上运行  它画的鹈鹕骑自行车比 Opus 4.7 更好,后者把自行车架画错了。

四月另一个出色的中国开放权重模型来自 Qwen。我笔记本电脑上的 Qwen3.6-35B-A3B 给我画了一只比 Claude Opus 4.7 更好的鹈鹕。这是一个 20.9GB 的开放权重模型,可以在我的笔记本电脑上运行!

(我认为这主要表明鹈鹕骑自行车已经彻底超出了它作为一个有用基准的极限。)

Claude Sonnet 4.5 鹈鹕作为对比。

这是九月份的 Claude Sonnet 4.5 鹈鹕,供对比参考。

过去6个月的主题: 编码 Agent变得真正出色 本地模型远超预期

所以,这就是过去六个月的两个主要主题。编码 Agent变得真正出色……而可在笔记本电脑上运行的模型,虽然比前沿模型弱很多,但已经开始远超预期。

  • 原文链接: simonwillison.net/2026/M...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~

相关文章

0 条评论