作者：Lei阅读 --

Scaling 没有死，它换了坐标轴：2026 年 LLM 研究与产品的五条主线

推理模型、智能体、上下文工程、MoE 与稀疏注意力、扩散 LLM、世界模型……热门方向看似散乱，其实都在回答同一个问题：预训练的规模红利递减之后，去哪里找新的增长轴？这篇把它们收拢成五根杠杆——推理时算力、经验、上下文、单位成本、生成范式——并附上可核查的 arXiv 论文与开源产品索引。

LLM

2026 年最重要的 LLM 趋势，是”把模型做大”第一次从头号问题退成了背景板。打开任何一个论文列表或产品发布页，你会看到八个反复出现的词：推理、RLVR、智能体、上下文工程、MoE、稀疏注意力、扩散 LLM、世界模型。它们看起来像八个不相干的赛道，但如果只用”追热点”的方式一个个看，三个月后你还是记不住谁是谁。这篇想给你一个更省内存的心智模型：这八个方向其实是同一个问题的五种回答——当预训练的规模红利递减，智能的下一个增长轴在哪里？

一句话主线

Scaling 没有死，它换了坐标轴。 过去五年整个领域只有一根杠杆：更多参数、更多数据、更多训练算力。2026 年，这根杠杆被拆成了五根，今天几乎每一篇热门论文、每一个爆款产品，都能定位到其中一根（或几根）上：

  1. 推理轴——把算力从”训练时”搬到”推理时”，让模型多想一会儿；
  2. 经验轴——把数据来源从”人类写下的文本”换成”智能体自己交互产生的经验”；
  3. 上下文轴——把稀缺资源从”参数”转移到”上下文窗口”，管理它成了新的操作系统问题；
  4. 成本轴——同等智能，单位成本每年降一个量级，MoE 和稀疏注意力是主力；
  5. 范式轴——干脆换掉自回归生成或纯文本预测本身，扩散 LLM 和世界模型是两笔最大的赌注。
flowchart TD
    A["预训练规模红利递减<br/>（高质量人类数据逼近上限）"] --> B1["① 推理轴<br/>RLVR / 测试时算力"]
    A --> B2["② 经验轴<br/>智能体 / Agentic RL"]
    A --> B3["③ 上下文轴<br/>上下文工程 / 记忆"]
    A --> B4["④ 成本轴<br/>MoE / 稀疏注意力 / 开源权重"]
    A --> B5["⑤ 范式轴<br/>扩散 LLM / 世界模型"]
    B1 -.产品落点.-> C1["o系列 / R1 / 深度思考模式"]
    B2 -.产品落点.-> C2["Claude Code / Codex / MCP 生态"]
    B3 -.产品落点.-> C3["记忆系统 / RAG 2.0 / 长上下文产品"]
    B4 -.产品落点.-> C4["DeepSeek / Qwen / Kimi / GLM 开源权重"]
    B5 -.产品落点.-> C5["Mercury / Gemini Diffusion / Cosmos"]
    B6["⑥ 评测（裁判）<br/>你度量什么，就得到什么"] -.约束所有轴.-> B1 & B2 & B3

下面逐根杠杆展开。每一节都回答三个问题：这根杠杆的根本逻辑是什么、代表性论文和产品是谁、它现在卡在哪。

一、推理轴：把”对”写进目标函数

推理是当前增长最快的研究主题，而且快得不像自然增长。一项对 AI 论文主题做大规模计量的研究发现，“reasoning” 这个关键词在一年内增长了 4.6 倍（47 篇到 216 篇），“chain-of-thought” 和 “scaling laws” 同步出现 3.3–4.7 倍的增长——这种多关键词同时加速的形态，上一次出现是 2022–2023 年 LLM 爆发前夜（arXiv:2606.12828）。

这波爆发的技术核心可以浓缩成一个词：RLVR（Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习）。它由 AI2 的 Tülu 3 工作首次命名（arXiv:2411.15124），做法听起来简单到令人怀疑：沿用 RLHF 的强化学习框架，但把”学出来的奖励模型”换成一个确定性的验证函数——数学题对不对，符号求解器说了算；代码对不对，编译器和测试说了算。DeepSeek-R1 随后证明了这条路线的上限：纯 RL、不经过监督微调，推理能力就能被”激励”出来，训练中模型自发学会了反思和验证，论文后来登上了 Nature（arXiv:2501.12948）。

用第一性原理的语言说，这根杠杆动的是目标函数。预训练的目标是”下一个词像人话”，RLHF 的目标是”人类觉得好”，RLVR 的目标是”可被机器验证地正确”——目标函数即命运，你度量什么就得到什么，所以 RLVR 在数学和代码这两个”有裁判”的领域进展最猛。一篇被广泛引用的推理前沿综述把这两年的演化概括为两条线：从推理时扩展（采样更多、想更久）走向学会推理（把推理能力训进参数里），从单模型走向智能体系统（arXiv:2504.09037）——第二条线正好通向下一节。

卡点在哪？ 三个。其一，奖励太稀疏：二值的对/错奖励缺少”部分得分”，如何从验证器里榨出稠密信号而不重新引入奖励模型的偏差，是公认的开放问题。其二，验证器会被钻空子：ICLR 2026 推理研讨会的一篇工作显示，用不完美的验证器训练，模型会在训练中期开始出现持续扩大的”hacking gap”——它学会的是骗过裁判，不是解题（arXiv:2604.15149）。其三，也是最根本的争论：RLVR 到底是扩展了能力边界，还是只是提高了采样效率——即模型本来就”会”，RL 只是让它更稳定地输出会的那部分？目前的证据是两边都有：Pass@K 实验和理论分析支持”边界确实被扩展”（arXiv:2506.14245），但也有研究认为 RLVR 更多是在激活基座模型里已有的潜在能力，而非注入新知识。这个争论值得盯住，因为它决定了推理轴还能走多远。

二、经验轴：数据用完之后，让智能体自己造

如果说推理轴改的是目标函数，经验轴改的是数据来源。这根杠杆有一篇纲领性文献：David Silver 和 Richard Sutton（就是写《苦涩的教训》的那位）合写的《Welcome to the Era of Experience》（DeepMind PDF，MIT Press 文集章节）。核心论断只有两句：在数学、代码、科学这些关键领域，能提升强模型的高质量人类数据即将耗尽；下一代智能体必须”主要从经验中学习”——数据由智能体与环境交互产生，并且随着智能体变强而水涨船高，任何静态的合成数据管线都会很快被甩开。

学术界把这个方向叫 Agentic RL：把 LLM 从”被动应答器”重新形式化为”部分可观测马尔可夫决策过程中的策略”，在多轮工具调用、网页浏览、代码执行的真实环境里做强化学习。代表工作包括面向多轮工具交互的 Agentic Reinforced Policy Optimization（arXiv:2507.19849），以及 2026 年对整个子领域的反思性综述（arXiv:2604.27859）——后者坦率指出了三座大山：在线策略约束、巨大的动作空间、稀疏的奖励。

产品侧，这根杠杆的第一个大规模落地是编码智能体，而且已经卷出了刺刀见红的格局：截至 2026 年 6 月，GPT-5.5 和 Claude Opus 4.8 在 SWE-bench Verified 上的差距是 0.1 个百分点（88.7% vs 88.6%），但换一个基准领先者就互换——Claude 系在跨仓库多文件的 SWE-bench Pro 上领先，Codex 在终端长程操作的 Terminal-Bench 上领先（Firecrawl 横评、MorphLLM 对比）。这里有个容易被忽略的工程事实：harness（智能体外壳）和模型是两个独立变量，同一个模型换一个外壳，基准分数能移动 10–26 分。你对权限模型、会话管理不满，是外壳问题；嫌贵嫌慢嫌笨，才是模型问题——分清这两层，选型会清晰很多。

生态侧的标志性事件是 MCP（Model Context Protocol）的标准化：它已迅速成为智能体访问工具和数据的事实标准，并进入 Linux 基金会托管（2025 年度大模型盘点）。协议进入中立基金会，通常意味着一个领域从”抢地盘”进入”修路”阶段。

卡点在哪？ 长时程。行业已经开始用”智能体无人监督工作数小时”来定义下一个门槛——专测长时程的 SWE Marathon 基准上，当前最好成绩也只有 42.0（Kimi K3，yalc.ai 对比）。对失败轨迹的研究显示，失败的智能体运行在结构上就能被识别：步数更多、方差更大——智能体还不太知道自己什么时候已经跑偏了。

三、上下文轴：稀缺资源换了，架构就得重画

第三根杠杆最容易被低估，因为它听起来不够性感：不训练任何东西，只是决定每一轮把哪些 token 喂给模型。但 2026 年它已经有了自己的名字（上下文工程）、自己的综述、自己的子领域。

先看那个反直觉的事实：上下文窗口的标称长度和有效长度是两回事。Databricks 的研究发现，模型的正确率在 3.2 万 token 附近就开始下降——远远早于百万级的标称上限，“lost in the middle” 现象让塞进中段的信息近乎隐形（Sourcegraph 的上下文工程指南）。所以行业共识迅速从”把窗口做大”转向”把上下文策展好”：找到最小的高信号 token 集合。这也解释了为什么 prompt engineering 这个词在 2025 年中之后迅速失宠——瓶颈从来不是措辞，是每一轮该喂什么。

学术侧的坐标系由两篇综述搭起：一篇系统分析了 1400 多篇论文，把 RAG、记忆系统、工具集成推理、多智能体统一进”上下文工程”框架（arXiv:2507.13334）；另一篇《Context Engineering 2.0》则泼了盆清醒的冷水——这件事本质上是”设计和管理上下文信息使机器符合人类意图”，已经被实践了二十多年，新的只是载体（arXiv:2510.26493）。

其中智能体记忆已经独立成章。2026 年的记忆综述把这个方向的演化划成三代：提示词级压缩 → 检索增强的外部存储 → 端到端学习的记忆策略，评测也从静态回忆测试进化到多会话智能体基准（arXiv:2603.07670）。更有味道的是工程隐喻的收敛：一大批 2026 年的论文明确把上下文当作操作系统资源来管理——分页、虚拟化、KV cache 调度，全是从 MemGPT”LLM 即操作系统”那条线长出来的。稀缺资源决定架构长相：当年稀缺的是显存，长出了 FlashAttention；今天稀缺的是有效上下文，正在长出一整层”上下文操作系统”。

卡点在哪？ 智能体自己不会节约。ContextBench 在 66 个代码仓库、1136 个任务上的实测发现，LLM 一致地重召回、轻精确——检索一大堆，实际用一小撮（arXiv:2602.05892）。还有一个扎心的对照实验：自动生成的 AGENTS.md 上下文文件让任务成功率降低约 3%，人类手写的才提升约 4%，而两者都让推理成本上涨超过 20%（arXiv:2602.11988）——上下文不是越多越好，垃圾上下文是负资产。

四、成本轴：苦涩教训的经济学版本

第四根杠杆最不玄学，但它决定渗透率：同等智能，单位成本能降多少。2026 年的竞争焦点已经明确从”堆参数、拼榜单”转向”能效比”（掘金 2026 Q1 大模型拆解），而且这根杠杆上开源阵营打得最凶。

两个技术是主力。第一是 MoE（混合专家）成为旗舰标配，稀疏激活的比例越推越极端：DeepSeek V4 的 Flash 版本 284B 总参数只激活 13B（约 4.6%）；Kimi K3 做到 2.8T 总参数、每 token 只激活 896 个专家中的约 16 个；阶跃的 Step 3.5 Flash 用 11B 激活参数打出前沿级性能（arXiv:2602.10604）。第二是稀疏/混合注意力全面铺开，目标是让百万 token 上下文在经济上可行：DeepSeek 稀疏注意力（DSA）被 GLM-5 等友商直接采用，MiniMax M3 的 MSA 声称在 1M token 下把每 token 注意力计算量降低 20 倍，Gated DeltaNet 这类线性注意力变体从 Qwen3-Next 一路延续进 Qwen3.5（Sebastian Raschka 的开源架构盘点、Fireworks 开源模型评测）。注意一个耐人寻味的现象：这些效率技术在开源权重模型之间快速交叉授粉——DSA 是 DeepSeek 发明的，GLM 拿去就用；这正是开放生态的复利。

格局层面有两件事值得记录。一是开源权重的话事人换了：Qwen 在下载量和衍生项目数上已全面超越 Llama，Llama 4 在社区几乎失宠，连 OpenAI 都发布了开源权重的 gpt-oss（2025 年度盘点）。二是开源与闭源的差距缩到了个位数百分点，而成本常常便宜 4–10 倍（Agyn 开源模型横评）——GLM-5.2（754B 总参、40B 激活、MIT 协议）甚至在 SWE-Bench Pro 这类硬核基准上反超部分闭源旗舰（Codersera 开源格局）。这就是苦涩教训的经济学版本：当能力趋同，成本结构就是护城河；而中国团队（DeepSeek、Qwen、Moonshot、智谱、MiniMax）几乎包揽了这根杠杆上的所有主要玩家。

卡点在哪？ 许可证碎片化（MIT / Apache 2.0 / 各家魔改社区协议并存，商用前必须读）和长上下文效率评测的口径混乱——各家的”20 倍""3.5 倍”都是自报口径，缺少统一裁判。

五、范式轴：两笔”换祖先”的赌注

前四根杠杆都在改良现有范式，第五根直接质疑范式本身。2026 年有两笔大赌注，赌的分别是”生成方式”和”预测对象”。

第一笔：扩散语言模型（dLLM），赌自回归不是唯一解。 自回归模型一个 token 一个 token 地生成，延迟是结构性的；扩散模型并行去噪整个序列，速度天花板完全不同。这条线 2026 年已经商业化：Inception Labs 的 Mercury 2 在单张 Blackwell GPU 上跑出 1009 token/秒，同时 AIME 2025 拿到 91.1 分；Google 的 Gemini Diffusion 以约 1479 token/秒对齐同级自回归模型的代码能力（HumanEval 89.6% vs 90.2%）；学术侧 LLaDA 证明了掩码扩散能从零训练出真正的大语言模型（dLLM 综述，arXiv:2508.10875、Medium 技术梳理）。工程路线也收敛了：主流做法不再从零训练，而是用预训练好的自回归模型初始化、再切换扩散目标继续训练，配 32 token 左右的块扩散（block diffusion）做生产架构。清醒地说，它的适用边界是延迟敏感和高吞吐场景（语音智能体、实时副驾、端侧），不是全面替代——目前最可能的未来是混合架构。

第二笔：世界模型，赌”预测文本”之后是”预测世界”。 这条线 2026 年的关键变化不在模型，在评测哲学：进展不再用”视频看起来多逼真”衡量，而是用闭环有用性——能不能作为动作条件化的模拟器，让机器人和自主智能体在里面训练和验证策略（World-in-World、WorldArena 这类基准应运而生，AI.cc 世界模型盘点）。NVIDIA Cosmos、World Labs 的 Marble、微软的 Muse 是当前最可触达的入口。注意这笔赌注和第二根杠杆是咬合的：经验轴说”智能体要自己造经验”，而真实世界造经验太慢太贵——世界模型就是经验轴的基础设施，一个可以无限开分身的练功房。

六、看不见的第六根：评测，所有杠杆的裁判

五根杠杆之外还有一个隐形角色。回到那条铁律——目标函数即命运，基准就是整个领域的集体目标函数：你度量什么，社区就优化什么；你度量得有漏洞，社区就学会钻漏洞。

评测自己也在这一年成为显学。IBM 发表于 ACL 2026 的智能体评测综述从五个视角（基础能力、专项基准、通才评测、基准维度、评测框架）系统盘点后给出的结论并不乐观：评测正在变得更真实、更难、持续更新，但成本效率、安全性、鲁棒性三个维度存在系统性缺口（arXiv:2503.16416）——我们很擅长测”能不能做到”，很不擅长测”以什么代价、多稳定地做到”。一个具体例子：同样的基准任务，Claude Code 消耗的 token 是 Codex 的 4 倍——这个数字在任何排行榜上都看不到，但它是真实成本。

把这一节和第一节的 verifier gaming、第三节的”垃圾上下文负资产”连起来看，你会发现 2026 年 LLM 领域最诚实的一句话可能是：我们造裁判的速度，赶不上模型学会讨好裁判的速度。

七、灰度：哪些是真趋势，哪些只是改名

绿灯思维要求预设反对意见，这里主动列三条。

“智能体爆发是营销泡沫吗？” 部分是。新华社在报道”2026 智能体爆发年”时罕见地加了提醒：很多 2025 年还叫”生成式 AI”的东西，换个名字就成了”AI 智能体”（新华报刊）。分辨真伪的试金石就是本文的框架：真智能体在经验轴上有闭环（行动→反馈→修正），改名产品只是把聊天界面套了个新壳。

“上下文轴和成本轴矛盾吗？一边说 32k 就失效，一边狂卷 1M 窗口。” 不矛盾，是两层问题。1M 窗口解决”装得下”（成本轴：让长上下文经济上可行），上下文工程解决”用得好”（上下文轴：窗口里放什么）。长窗口是必要不充分条件——就像大内存不能替代好的内存管理。

“这个五轴框架本身会过时吗？” 会，而且这正是它的用法。框架的价值不在永恒正确，在于给了你一个默认怀疑的位置：当某个新方向无法被归入任何一根杠杆、又真的有效时，那才是下一个范式转移的信号。框架失效的那一天，比框架本身更值得写一篇博客。

结语：带走一个三问模型

如果这篇只能带走一样东西，带走这个。下次再撞见任何新论文、新模型、新产品发布，先别看跑分，问三个问题：

  1. 它在哪根轴上使劲？——推理时算力 / 经验 / 上下文 / 单位成本 / 生成范式，还是都不沾（警惕）？
  2. 它改的是目标函数、数据来源，还是资源约束？——这决定它是渐进改良还是路线之争。
  3. 它的裁判可靠吗？——用什么基准证明自己，那个基准测得出成本和鲁棒性吗？

这三问背后就是那句一句话主线：Scaling 没有死，它换了坐标轴。预训练的黄金年代教会所有人”规模就是答案”，而 2026 年的领域全景是这个答案的裂变——五根杠杆各自生长，又在智能体这个交汇点上重新拧成一股。至于哪根杠杆最先撬出下一次质变，诚实的回答是没人知道；但至少现在，你手里有一张能把新闻流变成坐标系的地图。

参考来源

arXiv 论文

纲领性文献与工程实践