一句话看懂：arXiv 新论文显示，在 CTI-REALM 安全检测任务中，开放权重模型在放宽对话轮数限制后，奖励超过闭源模型，且成本不到后者的十分之一。这一发现挑战了“闭源前沿模型必然更强”的默认假设。
事件核心：发生了什么
2026 年 10 月 14 日，arXiv cs.AI 发布了一篇新论文（arXiv:2610.14180），在 CTI-REALM 基准上系统比较了 26 个语言模型，其中 19 个开放权重、7 个闭源。任务形式是让 AI 智能体读取威胁情报报告，通过查询实时遥测存储，生成可用的检测规则。
论文摘要指出，CTI-REALM 原先公布的消息轮数上限是一个干扰项：一旦任务耗尽轮数，即使在已经通过的检查点上也会被清零。因此原有榜单部分衡量的是“谁能按时做完”。当开发者放宽这一限制后，被截断的模型恢复表现，最高奖励归属于开放权重模型。论文还发现，在领先模型中价格与能力关联很弱，奖励相近的模型成本可相差一个数量级以上。
为什么重要
企业若想在安全运营中使用语言模型智能体，长期面临一个选择：自托管、可审计的开放权重模型，还是昂贵得多的闭源前沿模型。这篇论文用统一评测框架给出一个信号：在特定安全任务上，开放权重模型可能只需要“多给几轮对话”，就能匹配甚至超过闭源对手。
更关键的是对评测方法的反思。论文指出，CTI-REALM 原有的检查点得分主要记录智能体“做过或提到过什么”，而不一定反映它实际提交的检测质量。作者因此提出阶段级指标，直接在遥测存储中执行模型提交的检测查询，再对照答案判定输出。这不是要合成一个总榜，而是展示不同模型在不同阶段各有所长，提示按阶段路由到最合适的模型，而非按总分选一个模型包打天下。
对用户/开发者/创作者的影响
对安全团队和 AI 应用开发者而言，这项研究提供了一种可操作的采购思路：在智能体工作流中，不一定要为每个环节都调用最贵的闭源模型。开放权重模型在本地运行、可审计、成本低，若任务轮数可以放宽，可能是更务实的选择。论文同时提醒开发者，若产品依赖固定轮数限制，评测结果可能低估模型的真实能力。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
论文还报告了各模型的输出 token 数量，发现用于“思考”的 token 占比与最终奖励并无对应关系。对构建智能体的开发者来说，这意味着不能简单用推理长度或思维链长度作为选型代理指标。目前公开信息仅来自摘要，尚无全文实验细节和同行评审结论，实际效果需等代码与数据发布后验证。
值得关注的后续
第一，CTI-REALM 的轮数限制是否会被修订，以及修订后榜单如何变化。第二，开放权重模型在放宽限制后的领先优势，能否在更多安全任务和真实企业环境中复现。第三，论文提出的阶段级指标和按阶段路由思路，是否会被安全厂商或 AI 智能体平台采纳为产品设计原则。
来源：arXiv cs.AI
