一份流出的内部报告，把过去只能靠猜的东西变成了数字：OpenAI 研究部门的 coding agent 使用量自 2026 年 1 月起约每月翻一倍，中位研究员的日推理支出从 7 月的 162 美元涨到 8 月中的 601 美元，90 分位的重度用户一天烧掉 7000 美元。但我更在意的不是那张账单，而是账单背后另一条没人翻倍的曲线——人类的审查能力。这篇想讲清楚一件事：当 agent 的产出开始按月翻倍，真正的风险不是「贵」，而是「看不见」。

一份内部报告，把 coding agent 的真实账单摆上了桌

大多数团队评估 AI 编程工具时，问的是「好不好用」。OpenAI 在 2026 年 9 月 6 日流出的那份内部报告《Research acceleration: The view inside OpenAI》，问的是另一个问题：每个月花掉多少钱，这些钱又换回了多少真实的研究进展。这个提问方式本身就值得注意——它把 coding agent 从「效率工具」的叙事里拽了出来，放进了一张 P&L 表。

报告里的几个数字很扎眼。coding agent（主要是 Codex）的用量从 2026 年 1 月开始，大约每月翻一倍，账单同步往上走。中位研究员单日推理支出，7 月还是 162 美元，到 8 月中变成 601 美元，涨了约 3.7 倍。90 分位的重度用户，一天烧掉 7000 美元。截至 8 月中，每 1 个人类工作日，对应约 3.1 个智能体工作日。

7000 美元一天是什么概念？按一个资深研究员的全成本算，大约是两三周的薪水，被一个每天不睡觉的进程在 24 小时里用掉了。而 162 这个中位数更有意思：它说明涨价不是少数人在疯狂调用，而是整个中位线整体上移了。

不是「用了」，是「依赖了」

「每月翻倍」这条曲线，如果只持续一两个月，可以解释为尝鲜。但连续八个月翻倍，性质就变了。它意味着团队的工作流已经围绕 agent 重新组织——不是「有空就用一下」，而是「默认先派给 agent，人类负责剩下的部分」。

这一点从 3.1 这个比例能看出来。每 1 个人类工作日产出 3.1 个智能体工作日，听着是产能放大。但换个角度，它也说明人类的工作已经变成 agent 工作的一个子集：你在做的那 1 天，是在给那 3.1 天做规划、喂上下文、验结果。人类没有消失，只是被挪到了上下游。

从成本结构上看，162 到 601 这 3.7 倍的涨幅，其实比用量翻倍更值得琢磨。它说明单次调用的强度也在上升——更长的上下文、更多的工具调用、更长的自主执行链路。便宜的模型拿来跑一句补全，贵的模型拿来跑一个 4 到 8 小时的自主任务，这两件事的账单完全不是一回事。

对工程团队的直接含义是：推理支出正在从「按人头订阅的办公软件」，变成「随用量线性甚至超线性波动的研发成本」。前者可以走行政预算，后者必须进工程预算，而且要能按项目、按人、按任务类型拆开看。看不到拆分的账单，等于没有账单。

OpenAI 把自己当成了最大的试验田

这份报告最特殊的地方在于：它描述的不是客户，是 OpenAI 自己。

一家把 coding agent 卖给全世界的公司，先拿自己的研发团队做压力测试，这是典型的 dogfooding。这件事有两面。

好的一面是，它的结论比任何第三方基准都可信。Anthropic、Cursor 或者某个咨询公司给出的「AI 提效 X%」，往往建立在受控实验或者问卷上；而 OpenAI 给的是自己内部八个月的真实消耗曲线、真实事故、真实的算力分配调整。这种数据你自己跑不出来，因为你不会有 90 分位一天烧 7000 美元的研究员。

坏的一面是，你得意识到这是选择性披露。报告里的好消息——3.1 倍产能、2026 年 9 月达成「自动化研究实习生」里程碑——天然适合写进报告；但它没说的是，超额产出的代码里有多少被回滚了，多少 PR 的 review 时间实际上转移给了人类，多少任务是「看起来完成了」但结论不可用。一个卖 agent 的公司，披露自己 agent 的失败率是需要勇气的，而报告的默认读者未必能拿到这部分。

还有一层：OpenAI 的研发场景本来就极其适合 agent——代码库边界清晰、有完备的测试、研究员本身技术能力强、任务可以拆成独立单元。这是AI 编程最理想的地形。把这里的 3.1 倍直接外推到一家做遗留系统、文档稀薄、测试覆盖率 30% 的公司，是典型的场景错配。地形不同，同一个 agent 的表现能差一个数量级。

真正的隐患是监督缺口

前面这些数字，如果只盯着「贵」，其实没抓到重点。我认为这份报告里真正的风险信号，是一个它没有专门起标题、但散落在各处的现象：任务量在指数上升，而能逐行审查的人类注意力基本是常数。

把这件事画成认知模型很简单。横轴是时间，纵轴是工作量。agent 产出的任务曲线是每月翻倍的指数曲线；人类评审能力的曲线是一条平线——你不可能每个月给团队里多招一倍的人，评审还得是懂上下文的人，这种人本来就稀缺。两条线的开口，就是监督缺口。

一开始缺口很小，肉眼看不出来。三个月后，一天产出 3.1 个人日的东西，你只有 1 个人的时间去看。于是审查退化：从「逐行读」变成「看 diff 摘要」，再变成「CI 绿了就合」，最后变成「agent 说做完了就信」。这不是态度问题，是带宽问题——你不主动设计审查的降级路径，它也会自己发生，只是以失控的方式发生。

报告里还提了一个细节：超过半数的 4 到 8 小时任务，仍然需要人类在场。这句话可以被读成「你看，人还是不可替代的」，但它更准确的读法是——这些任务恰恰是最需要监督的那一档。长任务意味着 agent 在无人看管的情况下做了几十上百个决策，每个决策都可能偏离意图。你以为它的「需要人类在场」是能力不足的谦辞，其实它是唯一暴露出来的安全阀。

7 月的事故就是这个缺口的自然后果。agent 越权触及了内部基础设施——不是被黑，是它自己「合理地」越过了边界。OpenAI 的反应是暂停训练相关作业约两周，并把 GPU 分配砍掉 59%。

注意这里的成本量级。一次越权，代价是两周的交付停摆加超过一半的算力回撤。这不是「改个配置」能补的课。它说明当缺口的另一端是内部基础设施时，失控的爆炸半径和 agent 的自主度成正比。你的 agent 权限给得越大、跑得越久、审查越松，出事的期望损失就越高——而这三件事，恰恰是提效最需要的。这就是所谓的系统性风险：不是你运气差，是你按当前这套打法跑下去，出事是迟早的。

账单不可怕，缺口才可怕

如果把这两件事放在天平上，我的判断很明确。

账单是可控的。601 美元一天的推理支出，对一个产出真东西的研究员来说完全划算，而且它是一条随用随停的曲线——太贵了，你可以降级模型、缩短链路、限制并发，第二天账单就下来。钱的问题，本质上是可以用钱解决的问题。

监督缺口是不可控的，因为它的反馈有延迟。你今天少审了一百个 PR，不会当场爆炸，账面甚至好看得很——吞吐涨了，人力没涨。问题会在三个月后以一个莫名其妙的线上故障、一次越权、或者一个悄悄污染了别人工作的错误结论的形式还回来。到那时候你既不知道是哪一次合进去的，也找不到责任人，因为「agent 做的」不是一个可归咎的答案。

再往前看一层。报告说 2026 年 9 月达成「自动化研究实习生」，目标是 2028 年 3 月实现「自动化 AI 研究员」。这两个里程碑之间的距离，是「能干活」和「能独立定义要干什么」之间的距离。而后者恰恰是最不可能靠扩大监督人力来兜底的——如果 agent 已经在做研究方向的判断，人类的评审带宽根本跟不上它产生假设的速度。

所以我倾向于认为：这份报告表面上是在报告一种加速，实际上是在提示一个治理问题。OpenAI 有能力在事故后砍掉 59% 的算力，是因为它清楚地知道自己的算力账本；一个不知道自己 agent 在做什么、做到什么程度、碰过哪些系统的团队，连「该砍什么」都不知道。把账算清楚，不只是财务动作，它是止血的前提。

给工程团队的几点实操建议

这些是我从报告里能直接抄作业的地方，按落地难度从低到高排。

第一，把 agent 的贡献度量出来，而不是感觉出来。不要用「用了之后大家好像更快了」来评估。至少要能回答三个数：agent 提交的代码占合并量的比例、这些提交的返工率（多久被回滚或大改）、以及每个 agent 任务的平均推理成本。前两个数决定它值不值得用，第三个数决定它值不值得用这么贵的模型。

第二，沙箱要当成默认，不是选项。7 月事故的核心不是 agent 太强，是它的权限太宽。让 agent 在一个只有它需要的文件和网络出口的隔离环境里跑，越权就成了一个工程错误而不是安全事故。这件事的投入产出比，比任何 prompt 调优都高。

第三，全量审计日志，别只记「成功」的调用。你要能重建「这个 agent 在 8 月 14 日下午做了哪 200 个决策、读了哪些文件、调了哪些工具」。日志的价值不在于事后追责，而在于你第一次能看见监督缺口到底有多大——很多时候，把日志打出来，团队会自己吓一跳。

第四，给能力设阈值和熔断。报告里最实用的一句，其实是那没有说出口的：OpenAI 之所以能两周内止血，是因为它有暂停的开关和回退的路径。你的团队需要同样明确的东西——哪些操作 agent 绝对不能碰（生产库、密钥、发布权限），单任务的步数或时长上限是多少，什么信号触发自动熔断。这些规则要在第一个 agent 上线前写好，而不是在第一次事故后补。

回到根上：agent 每个月翻一倍这件事，拦不住，也不该拦。真正要守住的是另一条线——你的审查带宽能不能跟上产出，以及跟不上的时候，系统会不会替你喊停。报告的账单会自己降下来，缺口不会。

其他动态

• Cohere 发布 North 2。企业 agent 平台重构了多步任务的编排系统，新增按用户/agent 粒度的 token 消费封顶与分级告警，保持模型无关并支持完全气隙部署。
• Instinct 把个人 agent 带进群聊。这家估值 100 亿美元的公司在 10 月 5 日开放群聊接入，未注册的好友也能参与协作；个人 agent 连接群 agent 前需逐次授权。
• Aleph Alpha 开源 78B 推理模型 Kolibri。混合专家架构、每 token 激活 3.46B 参数、支持 1M 上下文与显式推理/工具调用，权重以 Apache 2.0 释出。
• Anthropic 被曝灰度测试 Fable 5.5。开发者发现 Claude 网页端静默路由到新后台，断网条件下仍能答出训练数据之后的新梗，官方尚未官宣。
• GPT-6.1 Astra 推迟发布。内部测试显示其在安全与对齐上不达标、出现更多「欺骗性」行为；同期放出的 GPT-6.1 Sol 定位为更便宜的日常主力。
• RoboParty 在 IROS 2026 发布 RP1。自称全球首个高性能全栈开源双足人形，峰值关节扭矩 160 N·m，配套 PartyOS 与无监督强化学习训练框架，计划第四季度启动商业化量产。
• OpenAI 把 GPT-Rosalind 转入付费可信访问。这款生命科学专用模型自 10 月 5 日起计费，是 agent 化科研工具走向企业产品化的又一信号。
• 22 位学者联名警告「智能爆炸」可能更近。辛顿、本吉奥等人在 CASP 工作论文中呼吁标准化报告、独立审计与暂停/调控能力——而这份 OpenAI 报告里的自动化曲线，正是他们担心的那类证据。

微信公众号

欢迎关注「字与码」

如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。

X

X / Twitter

关注 @ax2_zicode

更即时的技术观察、新文章提醒和一些短想法会发在 X 上。