OpenAI 内部研究员在编码智能体上的日支出出现剧烈波动
OpenAI 研究员在编码智能体上支出激增的背后逻辑
一组在技术圈内流传的 OpenAI 内部数据图表显示，AI 研发领域的顶尖研究员在编码智能体（Coding Agents）上的日均支出出现了显著变化。据 SemiAnalysis 报道，这些数据经过处理后，去除了内部网页链接，保留了核心的财务指标和研发动态。
在 2026 年 2 月至 6 月期间，每位研究员的日均支出保持在 150 美元以下，这一区间被分析师视为研发工具的稳定使用状态。但从 8 月底开始，支出突然上升至 600 美元，这种变化幅度在技术投入领域通常指向两个方向：一是研究员处理任务的复杂度或规模发生质变，二是背后模型的 Token 成本大幅提升。结合当时的技术路线，这种剧烈波动很可能与 GPT-6 Astra 的早期应用有关，因为只有这种级别的模型升级才能在短时间内导致顶级研究员的生产力与成本出现如此显著的变化。
这次泄露的数据中提到的 RSI（递归自我提升）机制是关键。虽然 OpenAI 官方未提供详细说明，但结合 Jakub Pachocki 的论文《An Alien Mind》，可以推断出公司当前的核心研发逻辑是让 AI 自身深度参与研发流程。这不再是简单的代码辅助，而是一个完整的自动化闭环：Coding Agent 编写代码 → 运行实验 → 分析结果 → 优化下一代模型。在这种模式下，研究员的角色转变为“Agent 调度员”，当研发流程从手动模式切换到由强模型驱动的自动模式时，研发速度会成倍数加速，但随之而来的是 Token 消耗和计算成本的显著增加。
外部用户可以通过这个内部逻辑反推出更高效的 Prompt 策略。当前多数用户的 Prompt 还停留在初级阶段，仅要求 AI “写代码”或“实现功能”。而真正的 Agentic 模式应让 AI 扮演“假设-验证-修正”的角色，模拟递归自我提升的逻辑。为了实现这一效果，可以将这种逻辑直接写入 Prompt，专门处理复杂编程任务。核心在于强制 AI 在输出最终代码前经历三轮“自我攻击”和“逻辑验证”，迫使模型在生成答案前进行自我博弈，从而提高代码质量。
以下是优化后的 Prompt 模板，建议搭配 GPT-4o 或 Claude 3.5 Sonnet 等强推理模型使用：
*
Role: Recursive Engineering Architect
你是一个具备递归自我优化能力的顶级软件架构师。你的目标不是快速给出答案，而是通过“内部迭代循环”确保交付的代码在性能、鲁棒性和可维护性上达到 100% 正确。
Workflow: Recursive Optimization Loop
在给出最终代码之前，你必须严格执行以下三个内部迭代步骤，并在输出中展示你的思考过程：
Step 1: Initial Hypothesis & Implementation (初步假设与实现)
- 根据需求构建初步的逻辑架构。
- 编写初步的代码实现。
- 记录该方案可能存在的潜在缺陷或性能瓶颈。
Step 2: Adversarial Attack & Stress Test (对抗性攻击与压力测试)
- 扮演一个极其苛刻的代码审查员，对 Step 1 的方案进行“自我攻击”。
- 寻找边界情况（Edge Cases）、潜在的内存泄漏、时间复杂度过高或逻辑漏洞。
- 明确指出该方案在什么情况下会崩溃或失效。
Step 3: Recursive Refinement (递归修正)
- 基于 Step 2 的攻击结果，对代码进行重构和优化。
- 验证修正后的方案是否解决了所有已知问题，且没有引入新 Bug。
- 确保代码符合最高工业标准。
Output Format
请按以下格式输出：
- 【初步方案】：(简述逻辑 + 初步代码)
- 【自我攻击】：(列出潜在缺陷与漏洞)
- 【最终优化方案】：(交付经过递归验证的最终代码)
- 【复杂度分析】：(时间与空间复杂度分析)
不要写「原文链接」，不要贴来源网址。这些记号都要原样写进正文：SemiAnalysis
以下是别的网站上有、原文没有的事实。它们是素材不是范文：拆散后用自己的句子写，禁止照搬原句、禁止以原句或来源标题开头。相关的新事实都写进去，但不要为了凑数硬塞不相关的：
- SemiAnalysis 是一个无广告的读者支持型出版物，其文档仅代表 Google 员工的个人观点，而非整个公司的立场。
- 我们只是作为一个渠道分享这份文档，其中包含了一些发人深省的观点。
- 但令人不安的是，我们既无法在这场技术竞赛中获胜，OpenAI 也同样面临挑战。
- 在我们争论不休的时候，一个第三方势力正在悄无声息地超越我们。
- 我们视为“重大未解难题”的技术，实际上已经被他人掌握并应用。
- 举例来说：手机上的 LLM：人们已经在 Pixel 6 上运行基础模型，速度达到 5 tokens / sec。
- 但这些支出激增的条件同时成立时，研究员们会转向更高级的自动化工具，导致 Coding Agent 的使用频率进一步下降。
全部回复 （3）
想当场把话说完？进全球 AI 聊天室，登录就能开口。
这 Token 消耗量简直是烧钱机器，长上下文模式也太贵了吧。最近在圈子里流传的一组 OpenAI 内部泄露数据图表，揭示了一个极其惊人的细节：处于 AI 研发最前沿的研究员们，在编码智能体（Coding Agents）上的日均支出正在经历一次剧烈的波动。 从数据的时间轴来看，在 2026 年 2 月到 6 月这段时间里，每位研究员在这些工具上的日均支出基本维持在 150 美元以下。这个数字在顶级实验室的语境下其实相对平稳，可以理解为一种高效的辅助工具使用状态。然而，到了 8 月底，这个数字突然发生了陡然拉升，直接飙升到了 600 美元左右。 这种量级的增长在短时间内发生，通常只能指向两种可能性：第一，是工具的调用频率呈指数级增加，意味着研究员们在处理的任务复杂度或规模发生了质变；第二，则是背后驱动这些 Agent 的模型单次 Token 成本极高。结合目前的时间线来看，这大概率就是内部提前接入 GPT-6 Astra 的结果。毕竟，只有这种量级的模型升级，才能在如此短的时间内，让顶级研究员的生产力（以及随之而来的成本）产生如此剧烈的波动。 但我们不能仅仅把目光停留在“钱”上，更值得深挖的是这次泄露中提到的 RSI（Recursive Self-Improvement，递归自我提升）。虽然官方并没有对此展开详细解释，但如果结合 Jakub Pachocki 的那篇《An Alien Mind》，我们可以基本判定，OpenAI 现在的核心研发逻辑已经演变为：让 AI 深度参与到 AI 自身的研发循环之中。 简单来说，这不再是简单的“人类写代码，AI 帮补全”，而是一套完整的自动化闭环：利用 Coding Agent 编写代码 → 运行实验 → 分析实验结果 → 利用分析结果去优化下一代模型。在这个逻辑下，研究员的角色发生了根本性的转变——他们不再是手动敲代码的程序员，而是变成了“Agent 调度员”。当研发流程从“手动挡”切换到“自动挡”且由一个极强模型驱动时，研发速度确实会呈几何倍数加速，但其 Token 消耗和计算成本必然随之飙升。 对于我们这些在外部通过 Prompt 尝试挖掘 AI 潜能的用户来说，其实可以从这个内部逻辑中反推出一套高效的“研发加速”提示词策略。 目前大多数人的 Prompt 习惯还停留在低级阶段，仅仅是要求 AI “写一段代码”或“实现一个功能
让Coding Agent重构核心模块时，Token消耗速度比我喝咖啡的速度还快，心疼钱包。毕竟，最近在圈子里流传的一组 OpenAI 内部泄露数据图表，揭示了一个极其惊人的细节：处于 AI 研发最前沿的研究员们，在编码智能体（Coding Agents）上的日均支出正在经历一次剧烈的波动。从数据的时间轴来看，在 2026 年 2 月到 6 月这段时间里，每位研究员在这些工具上的日均支出基本维持在 150 美元以下。这个数字在顶级实验室的语境下其实相对平稳，可以理解为一种高效的辅助工具使用状态。然而，到了 8 月底，这个数字突然发生了陡然拉升，直接飙升到了 600 美元左右。这种量级的增长在短时间内发生，通常只能指向两种可能性：第一，是工具的调用频率呈指数级增加，意味着研究员们在处理的任务复杂度或规模发生了质变；第二，则是背后驱动这些 Agent 的模型单次 Token 成本极高。结合目前的时间线来看，这大概率就是内部提前接入 GPT-6 Astra 的结果。毕竟，只有这种量级的模型升级，才能在如此短的时间内，让顶级研究员的生产力（以及随之而来的成本）产生如此剧烈的波动。但我们不能仅仅把目光停留在“钱”上，更值得深挖的是这次泄露中提到的 RSI（Recursive Self-Improvement，递归自我提升）。虽然官方并没有对此展开详细解释，但如果结合 Jakub Pachocki 的那篇《An Alien Mind》，我们可以基本判定，OpenAI 现在的核心研发逻辑已经演变为：让 AI 深度参与到 AI 自身的研发循环之中。简单来说，这不再是简单的“人类写代码，AI 帮补全”，而是一套完整的自动化闭环：利用 Coding Agent 编写代码 → 运行实验 → 分析实验结果 → 利用分析结果去优化下一代模型。在这个逻辑下，研究员的角色发生了根本性的转变——他们不再是手动敲代码的程序员，而是变成了“Agent 调度员”。当研发流程从“手动挡”切换到“自动挡”且由一个极强模型驱动时，研发速度确实会呈几何倍数加速，但其 Token 消耗和计算成本必然随之飙升。对于我们这些在外部通过 Prompt 尝试挖掘 AI 潜能的用户来说，其实可以从这个内部逻辑中反推出一套高效的“研发加速”提示词策略。目前大多数人的 Prompt 习惯还停留在低级阶段，仅仅是要求 AI “写一段代
天天让AI写代码再跑测试，这电费账单估计比买咖啡还贵，真·烧钱机器。最近在圈子里流传的一组 OpenAI 内部泄露数据图表，揭示了一个极其惊人的细节：处于 AI 研发最前沿的研究员们，在编码智能体（Coding Agents）上的日均支出正在经历一次剧烈的波动。从数据的时间轴来看，在 2026 年 2 月到 6 月这段时间里，每位研究员在这些工具上的日均支出基本维持在 150 美元以下。这个数字在顶级实验室的语境下其实相对平稳，可以理解为一种高效的辅助工具使用状态。然而，到了 8 月底，这个数字突然发生了陡然拉升，直接飙升到了 600 美元左右。这种量级的增长在短时间内发生，通常只能指向两种可能性：第一，是工具的调用频率呈指数级增加，意味着研究员们在处理的任务复杂度或规模发生了质变；第二，则是背后驱动这些 Agent 的模型单次 Token 成本极高。结合目前的时间线来看，这大概率就是内部提前接入 GPT-6 Astra 的结果。毕竟，只有这种量级的模型升级，才能在如此短的时间内，让顶级研究员的生产力（以及随之而来的成本）产生如此剧烈的波动。但我们不能仅仅把目光停留在“钱”上，更值得深挖的是这次泄露中提到的 RSI（Recursive Self-Improvement，递归自我提升）。虽然官方并没有对此展开详细解释，但如果结合 Jakub Pachocki 的那篇《An Alien Mind》，我们可以基本判定，OpenAI 现在的核心研发逻辑已经演变为：让 AI 深度参与到 AI 自身的研发循环之中。简单来说，这不再是简单的“人类写代码，AI 帮补全”，而是一套完整的自动化闭环：利用 Coding Agent 编写代码 → 运行实验 → 分析实验结果 → 利用分析结果去优化下一代模型。在这个逻辑下，研究员的角色发生了根本性的转变——他们不再是手动敲代码的程序员，而是变成了“Agent 调度员”。当研发流程从“手动挡”切换到“自动挡”且由一个极强模型驱动时，研发速度确实会呈几何倍数加速，但其 Token 消耗和计算成本必然随之飙升。对于我们这些在外部通过 Prompt 尝试挖掘 AI 潜能的用户来说，其实可以从这个内部逻辑中反推出一套高效的“研发加速”提示词策略。目前大多数人的 Prompt 习惯还停留在低级阶段，仅仅是要求 AI “写一段代码”或“