Deep|LLM：26H1 Update (Part 1)：Agent Scaling Law、Token Maxxing 到 ROI Discipline

1. Overview

2026 H1，AI 行业的核心变化不是单一模型能力提升，而是 agent 系统开始进入可自我迭代阶段。我们认为，软件工程将成为最早出现 AGI 级自动化的垂直场景，其背后不是单纯的模型参数扩展，而是 agent harness、真实任务反馈和合成数据飞轮共同驱动的新一轮 Agent Scaling Law。

这一变化的关键在于，AI 的 scaling 对象正在从模型本身，扩展到 agent 所处的任务环境、工具链和反馈系统。Coding 是最早跑通的场景，因为它天然可验证、可测试、可回标，也最容易形成合成数据飞轮。更进一步，前沿模型研究和训练本身，广义上也是一种 coding 任务；frontier labs 已经在用 AI 加速模型研究和训练。如果模型未来进一步参与自我研究、自我训练和自我改进，这可能成为更通用 AGI 到来的重要标志。

从 model layer 看，2026 H1 仍然由 Anthropic 与 OpenAI 双寡头共同驱动。Anthropic 在 coding agent、Claude Code 企业渗透和高付费客户上领先，OpenAI 则通过 GPT-5.5、Codex、API 与 ChatGPT 分发体系快速追赶。虽然单家公司收入增速可能从最陡峭阶段开始放缓，但把 Anthropic 和 OpenAI 合起来看，模型层综合增长仍然健康，不能简单理解为 AI 需求见顶。Codex 从程序员工具升级为知识工作流入口，也说明 coding agent 的反馈飞轮正在外溢到更广泛的白领工作场景。

商业化层面，2026 H1 的新变化是 token maxxing 开始进入 ROI discipline 阶段。早期企业愿意快速扩大 Claude Code、Codex、Cursor 等工具预算，但随着账单规模上升，大客户开始更重视 ROI、预算上限、审批机制和 model routing。这不是 AI 支出消失，而是 AI 从无约束试用进入更有纪律的生产力预算管理。

这也解释了为什么 token pricing 或模型收入增速的阶段性放缓，不等于 AI cycle 结束。AI 需求具有明显的模型代际驱动特征：上一代模型被用熟后，常规任务会下沉到更便宜模型，收入和 token pricing 可能阶段性放缓；但当更先进的 frontier model 发布，能力上限重新抬高，新的高价值 agent workflow 会被打开，企业也会重新为更强模型支付溢价。Fable 5 / Mythos 5 的发布，正是这一轮能力上限继续上移的最新例子，尤其体现在 long-horizon coding、multi-agent 和复杂知识工作上。