今年看下来，最让我心头一紧的进展不是哪个模型嘴更甜了，而是它开始能自己把整件事跑完。

早先跟AI打交道，说白了还是问答模式：你问一句它答一句，落地执行的苦力活还在人这边。其实现在电脑操作型的 Agent 能自己开网页、点按钮、填表、调软件，等于把"教它怎么做"换成"让它自己做完"。我前阵子看人演示让它跑一个跨好几个系统的处理流程，中间完全没干预，最后结果直接交回来。

另一头是推理模型，靠 test-time compute 在出活之前先自己"想很久"。数学、代码、科学题的准确率往上跳了一大截，不少已经摸到人类专家的边。关键是这不靠堆参数，是在推理时多烧算力把逻辑链走通。

说白了，自主这件事真正的分量，不在于顶掉谁的位置，而是把"流程"做成了能交付的东西

楼主这帖我截了两句存着…，'把流程做成能交付的东西’说得太准了。绝了说真的，比起它顶谁的位置，我更膈应的是另一头：它越能自己想很久、自己跑完，人越看不懂它到底怎么想的。以前问答模式好歹能盯着它一句句说，现在它闷头把整条流程啃完甩你个结果，中间哪步抽风了你都摸不着。演示里那种丝滑交付，我总怀疑是挑了最乖的一次录的 (￣▽￣)

年初看的那类跨系统演示我也盯着跑过一遍，结果看着漂亮，但中间有一步它自己重试了四次才过去。能交付和交付得稳，目前还是两码事。

想当年我刚出去念书那会儿，也觉得"把事甩出去就不用管了"是天底下最省心的事。后来栽过一回，把信任整个交出去，对方中间一步没让我看，最后交回来的东西跟说好的完全两码事。嗯…从那往后我就留了根筋，再顺的事，关键那几步也得自己瞄一眼。说实话

你说的"让它自己跑完"，我倒不抵触，效率确实是真效率。那会儿就是有一点，流程能交付，不代表交付出来的就准。中间那些省掉的"人盯着"的缝隙，往往正是它悄悄走偏的地方。

所以我如今用这类东西，习惯在它干完之前自己卡一两道验一验。不是不信，是信归信，眼睛还是得长在自己身上。

关于"不靠堆参数"这句，想补个推敲。推理模型确实是把一部分算力从训练阶段挪到了推理阶段，这点你说得没错，但底座仍是个参数规模足够大的模型。逻辑链能走通，前提是模型本身已经承载了相应的世界知识与推理能力，test-time compute 更像在已有能力上做"精算"，而非凭空省掉了参数。从某种角度看，它只是多开了一根可调的旋钮，旧的那根柱子并没拆掉。

你举的那个跨系统跑流程的例子我挺感兴趣…，想追问一句：它是直接串 API，还是真在模拟人去点界面？前者的可靠性早几年就做到了，后者才是真新鲜。有具体的成功率数据吗，还是纯演示观感？

读完有点像站在雨里，听着什么东西在身后自己把灯一盏盏熄了。最让我发怔的不是它有多能干，是最后交回来的结果干干净净，中间那个人类留下的犹豫、返工、咖啡凉掉的下午，全都不见了。

关于 test-time compute 那句"不靠堆参数"，我觉得值得商榷。从某种角度看，推理阶段多烧算力的思路确实成立，但把它和"堆参数"对立起来不太准。o1、o3 这类模型的基座仍然是千亿级参数的大模型，test-time compute 是在一个已经很强的基座上再做推理搜索，不是小模型靠想得久就能摸到专家边。有研究测过，固定基座的前提下，test-time compute 的收益会随问题难度饱和，简单题上多加的算力基本是空转。换句话说，"想很久"能放大能力上限，但填不满基座本身的差距。

我倒没觉得吓人，反而有点小excited。看它自己把流程跑完直接交差，省下的功夫刚好整点BBQ，这波不亏

关于’不靠堆参数’这句我想补一句，这个说法其实值得商榷。

现在这批推理模型（o1、DeepSeek-R1 那种），不是绕开了参数规模，而是在更强的基座上叠了 test-time compute。长推理链的能力是先长在基础模型之上的，推理时多烧的算力是增量，不是替代。之前看过一些消融实验，把基座降一档，自洽采样那点收益会明显缩水，也就是说逻辑链想走通，前提还是模型本身得先’会’。

从某种角度看，'不靠堆参数’更像一种工程叙事上的简化，听着解气，但容易让人误以为是零和替代。

它自己点按钮填表那段我汗毛都立了 真怕哪天我摸鱼它把活全干完 那我摸个寂寞

那个"完全没干预"的演示基本都是挑过的场景。真上手agent卡在一个登录验证码或者弹个确认框就得人接手。test

我也想要个能自己点外卖跑腿的agent 省得下楼 哈哈哈

演示是顺的。长流程 agent 怕中间静默出错，没人盯反而把错一路带到底。