[AINews] Open Models, Model Labs vs Agent Labs, and — Sarah Guo 分析 AI 开源模型与闭源实验室的竞争，以及何为无法被训练的

文章围绕 Sarah Guo 的框架展开，探讨了 AI 领域几个关键趋势。

• 开源模型的定位演变：作者指出，市场对开源模型的态度已从极度悲观转向接纳，这反映了技术实用性和生态成熟度在评估中的权重变化。对开发者而言，这意味着技术选型时需要更动态地评估开源与闭源方案的性价比和可控性。
• 应用实验室 vs. 模型实验室：真正的价值在于完成“不性感的翻译工作”——即整合企业私有数据、提供行动工具并推动组织变革。这种深度集成与持续维护构成了难以复制的壁垒。这对 Agent 开发者意味着，核心竞争力可能从模型调优转向领域工程和客户流程理解。
• 基准测试的局限性：文章引用观点指出，被广泛引用的基准分数可能很快失去意义，因为它无法衡量“意图”（即决定构建什么）。这提示工具链和评估体系需要超越传统静态基准，纳入对业务问题发现和定义能力的考量。

原文：[AINews] Open Models, Model Labs vs Agent Labs, and What's Untrainable — Sarah Guo · 作者 Latent Space