今天有三条消息，表面上分别在讲价格、机器人和产品下线，落到实际使用里却是一件事：AI 开始进入真工作，账怎么算、从哪里接入、出了问题谁接手，都会变成绕不过去的题。

GPT-5.6 降价：先把账算明白

OpenAI 继续下调 GPT-5.6 Luna 和 Terra 的价格，重点放在单位成本能换来多少可用能力。

这不是一条只和大公司有关的价格新闻。过去试一个模型，大家盯着的是“它是不是更强”；真把它接进写代码、整理资料或批量处理的流程，才会发现最容易失控的是账单。任务拆得粗，强模型就会被拿去做不需要它的事；任务拆得清楚，贵模型只处理难点，简单环节交给更轻的选择，成本才会落下来。

可以直接带走的做法很简单：把正在运行的一条 AI 流程列出来，标记其中必须高质量推理的那一步。其余步骤先别默认上最贵的模型。模型选择不是信仰，是一张能不能算得过来的账。

Gemini Robotics ER 2：难点从“会不会说”变成“能不能干完”

Google DeepMind 发布 Gemini Robotics ER 2，重点是视频理解、任务编排和多机器人协作。

机器人离日常工作还很远吗？有些场景当然还远。但这条消息已经把问题摆在台面上：当 AI 不只给答案，而是要看环境、拆步骤、调工具、和其他系统交接时，能力展示只是开场。真正难的是每一步能不能被确认，失败时会不会继续往下错。

这和软件里的智能体其实是一回事。多开几个窗口不叫协作；状态怎么交接、权限开到哪里、谁验收结果，才是那条工作流能不能上线的底层规则。

GitHub Models 退场：别把一个入口当成长期地基

GitHub 宣布 GitHub Models 退场，相关 playground、模型目录、推理 API 和 BYOK 都不再可用，并给出了后续迁移方向。

工具下线不稀奇，真正麻烦的是团队把某个试用入口误当成基础设施。教程、脚本、密钥配置和同事的习惯全绑在一起，入口一收，才发现没有替代路线。

如果你在做教程、产品原型或内部工具，今天就值得检查一次：模型调用有没有被封装在清晰的配置里？换供应商时，要改的是一处还是十处？能回答这两个问题，才算手里有牌。

我的判断

今天别急着比较谁又多了几个分数。模型更便宜、机器人更能做事、平台开始收口，指向的是同一个变化：AI 正从“给你看个效果”走向“替你承担一段工作”。

而一旦进了工作流，真正重要的就是成本、权限和验收。先把这三件事写清楚，再去追下一条模型新闻，顺序才不会反。