先摆三个数。
Anthropic 2026 年前 8 个月发了 8 次模型，244 天 8 次，平均 30.5 天一次；2025 年是约 61 天一次，2024 年是约 122 天一次——三年对折了两次。同一段时间里，Veracode 累计测了 150 多个大模型，AI 生成代码的语法正确率从 2023 年的约 50% 升到 超过 95%，安全通过率从约 55% 走到……约 55%。而 METR 在 2026 年 4 月测到的最强模型，能以 80% 成功率完成的任务长度是 185.9 分钟，也就是 3.1 小时。
这三个数放一起就是本文的全部论点：发版频率、coding 占比、coding 能力上限，是三条独立的曲线，被大多数讨论当成了一条。
一、发版频率：先定义你在数什么
Anthropic：三年对折两次，代价写在弃用页上
Anthropic 从不公开宣布”发布日期”这种结构化字段，但它的模型弃用页给了每个模型 “Tentative retirement date: Not sooner than X”。用两个已知锚点校准——claude-sonnet-4-5-20250929 的退役下限是 2026-09-29，claude-3-7-sonnet-20250219 实际在 2026-02-19 退役——规律是发布日 + 整 12 个月。倒推出来的时间线：
| 模型 | 倒推发布日 | 官方定位原文 |
|---|---|---|
| Fable 5.1 | 2026-09-01 | “For demanding reasoning and long-horizon agentic work” |
| Opus 5 | 2026-07-24 | “For complex agentic coding and enterprise work” |
| Sonnet 5 | 2026-06-30 | “The best combination of speed and intelligence” |
| Fable 5 | 2026-06-09 | — |
| Opus 4.8 | 2026-05-28 | — |
| Opus 4.7 | 2026-04-16 | — |
| Sonnet 4.6 | 2026-02-17 | — |
| Opus 4.6 | 2026-02-05 | — |
这是倒推值，不是官方公布的发布日，引用时必须这么写。两个第三方源独立印证了其中两个（Fable 5 = 2026-06-09、Opus 5 = 2026-07-24），我才敢用。
弃用页上有一句话值得整段抄下来：”Anthropic currently deprecates and retires models to ensure capacity for new model releases.” 它把发版频率和退役直接绑在一起了——发得快的代价是老模型必须腾容量。同一页还老实承认了三项代价：用户被迫迁移、研究者失去做对比研究的模型、以及”model retirement introduces safety- and model welfare-related risks”。现在模型寿命基本固定在 12 个月：Opus 4.1 是 2025-08-05 到 2026-08-05，Sonnet 3.7 是 2025-02-19 到 2026-02-19，都是整年。
Google：Flash 线跑到 3.7，Pro 线停在 3.1
这是本文最有说服力的一个反例，而且全部来自官方 changelog。
Gemini 3 Pro Preview 上线 2025-11-18，Gemini 3.1 Pro Preview 上线 2026-02-19。此后到今天（2026-09-02），Pro 线一个新版本都没有。同期 Flash 线：3 Flash Preview（2025-12-17）→ 3.1 Flash-Lite Preview（2026-03-03）→ 3.1 Flash-Lite GA（05-07）→ 3.5 Flash GA（05-19） → 3.6 Flash + 3.5 Flash-Lite GA（07-21） → 3.7 Flash GA（08-13）。3.7 Flash 的官方描述是 “most intelligent workhorse model yet for coding and agents“。
Gemini 3.5 Pro 原定 2026 年 6 月发（I/O 上宣布的），跳票了。Pichai 在 7 月 22 日的财报电话会上避开了这个话题，转去谈 Gemini 4，并说了两句很值得记的话：”We are creating a baseline on top of which you will see us rapidly iterate on subsequent model releases.” 以及 “picking up pace and releasing models almost at a monthly cadence is part of our road map”。提问的是 Barclays 的 Ross Sandler 和 JPMorgan 的 Douglas Anmuth，后者问的正是”发版频率对比竞争对手”。
延期原因据 Bloomberg 7 月 16 日报道，是coding 结果没达到对标 OpenAI 和 Anthropic 的内部目标（这条是二手，需标注）。如果这个报道成立，那它就是本文标题的最强证据：一家承诺”月度节奏”的公司，被 coding 这一项卡住了旗舰推理模型的发版。
顺手说清楚”频率”这个指标的坑
同一段 244 天里，Gemini 的发版次数可以是两个数：只数语言模型（Pro / Flash / Flash-Lite 的 preview 或 GA）约 6–7 次，约 35–40 天一次；把 image、video、TTS、embedding、robotics、transcribe、Gemma 全算上约 23 次，约 10.6 天一次。两个数都对，差 3.7 倍。所以看到任何”某家 X 天发一版”的说法，先问计数规则。本文统一只数语言模型的对外可用版本。
OpenAI：版本号最密，模型寿命最短
OpenAI 2026 年的语言模型序列是 GPT-5.3-Codex（2026-02-05）→ 5.4（03-05）→ 5.5（04-24 进 API）→ 5.6（06-26 限量预览、07-09 公开）→ 5.6-Cyber（08-10），约 46 天一次（这几个日期部分来自二手源，OpenAI 官网对 WebFetch 返回 403，我没能逐个从一手页面核实）。
真正能一手确认的是另一头：GPT-5.1 系列在 2026-03-11 从 ChatGPT 下线。GPT-5.1 是 2025 年 11 月发的，寿命不到 4 个月，是 Anthropic 那 12 个月的三分之一。o3 给了 90 天日落期，GPT-4.5 只给了 30 天。发版频率的另一面就是弃用速度，这一点两家的策略差异比发版间隔本身更大。
DeepSeek 在放慢，Qwen 在加速
这一对的分化很干净。DeepSeek 从 2024-05-06 到 2026-08-21 发了 17 次，总体平均间隔 52.3 天，但按年分是 2024 年 46.8 天 → 2025 年 48.6 天 → 2026 年 65.8 天，在放慢；期间还有一段 144 天的空窗（2025-12-01 → 2026-04-24），然后 22 天里连发 3 次。Qwen 同期 27 次，总体平均 33.8 天，按年分是 2024 年 75.7 天 → 2025 年 37.0 天 → 2026 年 25.8 天，在加速，光 2026 年就把 3.5 走到了 3.8。
DeepSeek-R2 至今没发，Qwen4 也没发。 两家把算力都投在了小版本号的迭代上，而不是下一代架构。
DeepSeek 自己在 V4-Pro 的材料里说落后前沿 “by approximately 3 to 6 months”，并且明确标注它的 agent 分数用的是 “the DeepSeek Harness minimal mode … with the max effort level”。这个自我标注比分数本身重要——同一份权重换 harness，分数能差 10–20 个百分点，后面还会提到。
二、coding 占了多少：三个口径，答案都不是”大部分”
口径一：产品分层
Anthropic 现在四个在售模型里，顶配 Opus 5 的官方一句话定位就是 “For complex agentic coding and enterprise work”，Fable 5.1 是 “long-horizon agentic work”。Google 3.7 Flash 是 “coding and agents”。OpenAI 的 GPT-5.2-Codex 是 “The most advanced agentic coding model for professional software engineering and defensive cybersecurity.”，GPT-5.6 的西语版发布说明里，Sol 的用途列表 “programación, investigación, ciencia, ciberseguridad, uso del ordenador” 把 programación 排在第一位。
四家的旗舰定位都用 coding 或 agentic 打头。这不是某次发布的卖点，是产品分层的主轴。
口径二：token
OpenRouter 的数据最直接：2026-02-06 前后，agentic token 首次超过人类 token（它自己的博文写 “around February 1, 2026, agentic tokens overtook human tokens”）。到 2026-08-10，agentic token 约 7.3 万亿，比 2 月的约 0.51 万亿涨了 14 倍；人类 token 约 1.4 万亿，同期只涨 2.8 倍。agent 现在烧的 token 是人类的约 5 倍，而单位成本差是 “about 15x more per request”。
但要注意：OpenRouter 只把流量分 Agentic / Mixed / Human 三类，在 API key 层面用一个 “7-signal weighted composite score” 判定，它从来没公开过”编程类别占多少 token”。它 SDK 文档里那个 categoryTokenShare: 0.48 的 “Code Generation” 是文档示例占位值，不是统计结果，看到有人引这个数就可以判定该文没做核实。
口径三：会话内部——这里有个反直觉的结论
Anthropic 2026-06-16 发了一份基于 约 40 万个交互式 Claude Code 会话、约 23.5 万人（2025-10 → 2026-04）的分析。在一个纯粹的编程工具里：
“About 56% of sessions consist of writing (25%), fixing (26%), or testing and orchestrating code (5%)”
coding 只占 56%。剩下 44% 是：操作软件 17%、规划或探索 14%、产出分析或文字 13%。
更值得注意的是七个月内的漂移方向：修坏代码 33% → 19%，操作软件 14% → 21%，写作与数据分析 约 10% → 20%（翻倍）。在一个 coding 工具内部，coding 占比是在下降的。
同一份报告给了分工的量化结论：”people make about 70% of the planning decisions but only 20% of the execution decisions”，一句话概括是 “People decide what to build, and the agent decides how to build it.”
另一份 2026-06-26 的报告补了两个对照数字：Claude.ai 聊天侧的代码与技术工作只占 “about a sixth”（约六分之一）；而 Claude Code 侧 “54% are served by Opus, against 10% of chat and Cowork conversations”。顶配模型的用量高度集中在 coding 工具里——这解释了为什么各家的旗舰都拿 coding 定位，即便 coding 在总使用量里远不是大头。
至于”coding 占企业 AI 用量 51%”“Anthropic 在企业 coding 市场占 54%”这类数字，我查到的所有来源都没有公开方法论，且互相转抄。只能当方向性陈述，不能当硬数字。
三、上限在哪里：三个互不相干的测量传统，指向同一件事
METR 的时间跨度：中位数涨到 17 小时，可交付长度只有 3.1 小时
METR 的 benchmark_results_1_1.yaml（页面最后更新 2026-05-08）给每个模型两个数：p50 是”一半会成”的任务长度，p80 是”八成会成”的任务长度。单位分钟。
| 模型 | 发布日 | p50 | p80 | p50/p80 |
|---|---|---|---|---|
| gpt-4 | 2023-03-14 | 3.99 | 0.89 | 4.5× |
| claude-3.7-sonnet | 2025-02-24 | 60.39 | 12.09 | 5.0× |
| claude-4-opus | 2025-05-22 | 100.37 | 20.43 | 4.9× |
| claude-4.1-opus | 2025-08-05 | 100.47 | 23.46 | 4.3× |
| gpt-5 | 2025-08-07 | 203.01 | 38.31 | 5.3× |
| claude-opus-4.5 | 2025-11-24 | 292.99 | 49.43 | 5.9× |
| gpt-5.2 | 2025-12-11 | 352.25 | 66.00 | 5.3× |
| claude-opus-4.6 | 2026-02-05 | 718.81 | 69.87 | 10.3× |
| gpt-5.3-codex | 2026-02-05 | 349.53 | 54.74 | 6.4× |
| gemini-3.1-pro | 2026-02-19 | 384.15 | 89.80 | 4.3× |
| gpt-5.4 | 2026-03-05 | 341.74 | 53.88 | 6.3× |
| claude-mythos-preview | 2026-04-07 | 1044.78 | 185.91 | 5.6× |
从这张表能读出四件事，以下都是我自己在这份 yaml 上算的，不是 METR 的结论：
第一，80% 可靠度下的真实上限只有 3.1 小时。2026-04-07 那个 Mythos Preview（后来的 Fable 5）p50 是 1044.8 分钟（17.4 小时），但 p80 只有 185.9 分钟。到处被引用的”AI 已经能自主工作 17 小时”用的是 p50——那是”一半会失败”的长度，不是能交付的长度。
第二，p50/p80 的比值三年没收窄。2023 年 gpt-4 是 4.5×，2026 年 Mythos Preview 还是 5.6×，Opus 4.6 甚至到 10.3×。可靠度的代价恒定在一个数量级左右，没有随能力增长被摊薄。
第三，置信区间在顶部爆炸。Opus 4.6 的 p50 区间是 316.7–3633.8 分钟，跨 11.5 倍；Mythos Preview 是 508.9–3304.3。METR 自己在 2026-05-08 加了一句注：”Measurements above 16 hrs are unreliable with our current task suite.” 所以”12 小时”“17 小时”这类数字本身就不该当结论用。
第四，发版和能力不是同一条曲线，表里有两处硬证据。OpenAI 侧 gpt-5.2（352.2）→ gpt-5.3-codex（349.5）→ gpt-5.4（341.7），三次发布、四个月，p50 微降；Anthropic 侧 claude-4-opus（100.37）→ claude-4.1-opus（100.47），跨 75 天几乎零变化。
METR 自己的口径限制也要一起读：跨度衡量的是任务难度而不是自主运行时长；人类基线来自承包商完成时间的几何均值，METR 认为这”likely overestimate how long a human expert takes”；2 小时跨度的含义是”一个低上下文的人能做的量”，不是高上下文专业人士；在 90 分钟到 3 小时这个区间实测下来，GPT-5 大约三分之一的任务每次都成、三分之一每次都败。另外 METR 的立场很明确：它看不到 “evidence of the exponential growth in time horizon slowing down”。指数还在，只是那条指数描述的是 p50。
真实会话的成功率：专家也只有三成”可验证成功”
同一份 40 万会话的分析里有第二个天花板数字，而且是在真实工作而不是 benchmark 上测的：
- verified success（可验证成功）：新手 15%，中级及以上 28–33%
- partial success（部分成功）：新手 77%，其余 91–92%
- 会话中途遇到麻烦时，verified success 从 4%（新手）到 15%（专家）
- “19% of sessions where the user appears to be a novice end abandoned, against 5-7% for everyone else”
专业度能把成功率从 15% 抬到 33%，然后就抬不上去了。顺带一个反常识的数字：软件类职业的 verified success 约 30%，其他职业约 26%，而且 “every one of the ten largest occupations in our dataset lands within seven points of software engineers”，管理类职业甚至略高于软件类。这套工具的收益不是软件工程师独占的，同时它的失败率也不是。
Veracode：语法从 50% 到 95%，安全从 55% 到 55%
这是我见到的最硬的横截面证据。Veracode 2026-03-24 的报告用 80 个编码任务、4 种语言、4 类 CWE，不加安全提示直接跑自家 SAST，累计评测了 150 多个大模型，自称是 “the most comprehensive longitudinal study of AI code security available”。结论一句话：
“Two years of ‘revolutionary’ model releases have moved the security needle from approximately 55% to… approximately 55%.”
同期语法正确率从 2023 年的约 50% 升到 超过 95%。Veracode 的判断是 “The gap between ‘code that works’ and ‘code that works securely’ isn’t just persisting; it’s widening.”
失败的分布不是随机的，这是最关键的部分：
- 强项：不安全加密 CWE-327 86%、SQL 注入 CWE-89 82%
- 弱项：XSS CWE-80 15%、日志注入 CWE-117 13%
通过的都是局部模式识别就能解决的类别，失败的都是需要跨函数跟踪数据流的类别。而且按 10 月版报告的说法，XSS 和日志注入上 “models generally perform very poorly and appear to be getting worse.”
分语言同理：Python 62%、C# 58%、JavaScript 57%、Java 29%，Veracode 归因于训练语料里过时 Java 占比过高。
换更大更新的模型有用吗？基本没有。模型规模对安全表现 “only a very small effect”，20B 到 400B 都聚在 55% 附近；GPT-5.1 / 5.2 与 GPT-4.1 在误差范围内；Claude 4.5 / 4.6 在安全性上与更早版本持平。唯一的例外是 GPT-5 系列开长推理能到 70–72%，Veracode 认为是推理过程起了内部 review 的作用——但那仍然是约三分之一的失败率，而且它证明的恰好是”多花推理”而不是”换新版本”。
benchmark 侧：OpenAI 亲手废掉了自己造的尺子
2026 年 2 月，OpenAI 发文《Why SWE-bench Verified no longer measures frontier coding capabilities》，明确停止用它评估前沿能力。SWE-bench Verified 是 OpenAI 自己在 2024 年 8 月发布的。理由里那个数字很说明问题：过去 6 个月，准确率只从 74.9% 提升到 80.9%。污染原因它写得也直白，benchmark 和仓库 “both open source and broadly used and discussed, which makes avoiding contamination difficult for model developers”，另一篇姊妹文章直接说它 “no longer provided meaningful signal”。
继任者是 Scale AI 的 SWE-bench Pro，1,865 个长时程任务，覆盖公开 / held-out / 商业代码库，自称 “contamination-resistant testbed”。俄亥俄州立的 Yu Su 对这轮换代的评价是：”Every benchmark has its shelf life.”
四、两个流传很广的数字，需要纠正
“AI 让开发者慢 19%”——METR 自己推翻了，但替代结论跨过零
2025 年那个 RCT 结论（任务耗时 +19%，CI +2%~+39%）传播极广。METR 在 2026-02-24 发了更新：第二轮 57 人、143 个仓库、800+ 任务，开发者经验中位数 10 年。
| 队列 | 点估计 | 95% CI |
|---|---|---|
| 2025 早期原研究 | +19%（变慢） | +2% ~ +39% |
| 2025 晚期，10 位回访者 | −18%（加速） | −38% ~ +9% |
| 2025 晚期，新招募者 | −4%（加速） | −15% ~ +9% |
两个新结果的置信区间都跨过零，既证不出加速也证不出减速。所以正确的表述不是”从慢 19% 变成快 18%”，而是”原来那个负结论不再成立，但新结论在统计上和零无法区分”。
真正有意思的是 METR 为什么放弃这个实验设计。招募不到人了：越来越多开发者 “would not want to do 50% of their work without AI”；已入组的人里 “30% to 50% of developers told us that they were choosing not to submit some tasks”。有一位开发者干脆”没有完成任何一个被分配到禁用 AI 组的任务”。两个方向的选择偏差都剔掉了收益最高的人和最高的任务，所以 METR 把自己的估计当下限而不是最佳估计，并且自评 “our data is only very weak evidence for the size of this increase”。
一句原始回复很能说明这个设计已经走不通了：”my head’s going to explode if I try to do too much the old fashioned way”。当对照组本身不可招募时，RCT 这条路就断了——这也是为什么后面很难再有一个干净的因果数字。
“某模型 SWE-bench 95% 登顶”——榜上 100 条里 99 条是自报
这条我没能从一手源核实，所以只说它的定性部分：这类榜单的分数绝大多数是厂商自报，同一份权重换成标准化 harness，分数能差 10–20 个百分点。前面 DeepSeek 主动标注自己用 “the DeepSeek Harness minimal mode … with the max effort level”，是少见的诚实做法。看 coding 分数先看 harness，再看是谁跑的。
五、采用度和信任度正在背离
Google DORA 2025（近 5,000 名从业者）：90% 在工作中用 AI，比上一年 +14 个百分点；超过 80% 认为提升了生产力。
Stack Overflow 2025（2025-12-29 发布）：84% 在用或计划用（上年 76%），但信任其准确性的只有 29%，从 2024 年的 40% 掉下来；主动不信任的 46% 超过信任的 33%，只有 3% 报告”高度信任”；66% 说要花时间修”几乎对但不完全对”的代码。
用的人在涨，信的人在跌。这两条曲线的交叉点就是本文讲的天花板在真实工程里的样子：模型能把 95% 的代码写对，剩下 5% 的定位成本没降，而信任是按最坏情况定价的。
代码质量侧还有一批数字指向同一个方向，但都是二手、我未能直接核实（原页 403）：GitClear 2026 年的报告称 commit 内复制粘贴 +41%、代码块重复 +81%、错误屏蔽构造 +47%、两周内 churn +15%；它更早的 2021→2024 研究（2.11 亿行）称重复代码块增至 8 倍、重构下降 60%、churn 从约 3.3% 升到 5.7%。另有一个开放数据集（429 个 AI 生成项目、2,160 万行）称 14% 泄露了密钥或硬编码凭据。方向一致，精度不可信，别拿去做决策。
我的判断
一、发版频率已经和能力增长解耦，而且开始反向指示。30.5 天一版这个节奏不可能由预训练突破驱动——三年对折两次的曲线跟算力和数据的增长曲线不是一个形状。它更像是把后训练、工具使用、harness 调优这些增量拆成小版本连续出货。反过来看 Google：Pro 线冻了 6 个多月，据报道正是因为 coding 没达标。冻结的那条线才是能力线，跑得快的那条线是产品线。
二、天花板的位置不在”能做多难的任务”，而在”能不能不用回头检查”。三个互不相干的测量传统给出的是同一个形状：METR 的 p50 三年涨了 260 倍而 p50/p80 的比值一动不动；Anthropic 自己 40 万会话里专家的可验证成功率停在三成；Veracode 四年 150 多个模型的安全通过率停在 55%。中位能力在指数增长，尾部可靠性在原地。所有”AI 能自主干 N 小时”的说法，把 N 换成 p80 的数就都缩水到三小时级。
三、失败集中在需要跨函数追踪状态的地方，这不是规模能解决的。Veracode 的分类别数据是本文最有诊断价值的一段：局部模式（加密选型、SQL 拼接）通过率 82–86%，需要数据流跟踪的（XSS、日志注入）13–15%，而且在变差。这和 METR”任务越长成功率掉得越快”、和 Anthropic”遇到麻烦后专家也只有 15%”是同一个现象的三个侧面——上下文里的隐式状态越多，模型越不行，而这恰好是真实代码库区别于 benchmark 的核心特征。
四、coding 是产品分层的主轴，但不是用量的大头，这两件事同时成立。顶配模型 54% 的用量在 coding 工具里，所以旗舰必须拿 coding 定位；但 coding 工具内部 coding 只占 56%，还在往操作软件和写作分析漂。“coding 占比”这个问题问的其实是三个不同的分母，混用会得到从六分之一到 51% 的任何答案。
五、给工程实践的结论只有一条：把 review 预算按 p80 定，不要按 p50 定。多花推理（GPT-5 长推理把安全通过率从 55% 抬到 70–72%）比换新版本更有效；把任务切到 3 小时以内比让 agent 跑 17 小时更有效；对 XSS、日志注入、以及任何需要跨文件追数据流的改动，Veracode 那句 “the human security review remains irreplaceable” 目前没有被任何数据推翻。
值得盯的几个日期和信号
- Gemini 3.5 Pro 或 Gemini 4 的实际发布时间。Gemini 4 已确认在预训练（2026-07-21 公告尾部）。Pro 线一旦解冻，就能验证”卡住的是 coding”这个报道；继续冻着则更说明问题。
- METR 什么时候补上 Opus 4.7 / 5、GPT-5.5 / 5.6、Grok 4.3 的跨度数据。现在 yaml 里最新的一条是 2026-04-07，五个月没更新，而这期间各家发了十几次。
- p80 有没有第一次跨过 8 小时。这是”能不能不回头检查一个工作日”的临界点。p50 破 16 小时按 METR 自己的注是不可信测量，别当信号。
- Veracode 下一版（预计秋季）的安全通过率有没有离开 45–55% 区间。四年没动过，任何一次显著位移都是真突破。
- 有没有出现第三方标准化 harness 的公认榜单。只要分数还是厂商自报，10–20 个百分点的 harness 差就足以让任何跨厂商比较失效。
- Anthropic 的 12 个月寿命会不会随着 30 天节奏继续缩短。弃用页那句 “to ensure capacity for new model releases” 说明这两个数是同一个约束下的两端。
本文所有数字的性质已在正文逐条标注。一手源：Anthropic 模型总览页与弃用页（2026-09-02 实测）、Anthropic Economic Index（2026-06-16 / 06-26）、METR benchmark_results_1_1.yaml 与 2026-02-24 uplift update、Veracode（2026-03-24）、Google Gemini API changelog、OpenRouter 官方 blog、Stack Overflow 2025 调查。Anthropic 的发布日期全部为按官方退役承诺倒推；Bloomberg 关于 Gemini 延期原因、GitClear 的质量数字、以及收入与市场份额相关数字均为二手，正文已标注。