第三方AI评估机构METR于2026年11月发布的一份独立评估报告得出结论:Anthropic目前在明确界定任务上的模型能力提升速度,约为其2024年3月至2025年10月期间的两倍。报告将这一加速的约80%归因于Anthropic自身研发过程中对AI工具的使用,而非更多算力或更多人手。报告还指出,未来12个月内没有发现明显的技术瓶颈可能拖慢这一趋势。正是这三项发现,让这份报告读起来像是一家真实实验室中出现递归式自我改进的证据,而不再是一个思想实验。但报告同样存在实实在在的局限,理解这些局限与理解头条数字同样重要。
评估的由来
这次审计可追溯到2026年9月12日。当天,Anthropic首席执行官达里奥·阿莫迪出于对失控自我改进的担忧,发布了一项"把握前沿节奏"的计划,OpenAI首席执行官萨姆·奥尔特曼公开表示认同,并承诺OpenAI采取同样思路。两位负责人均承诺向独立评估机构开放类似员工级别的权限,以访问内部模型、系统、聊天记录和研究人员。
METR在Anthropic的评估工作于8月中旬启动,持续了11周,投入约2.5个全职人力当量。最终形成的文件日期为2026年11月5日,题为《2026年10月Anthropic AI研发加速的独立评估》。METR表示,其得以查阅预训练、强化学习和算力集群等方面的大量原始内部数据。这次评估旨在回答三个问题:内部能力增长是否加速,加速中有多大比例归功于AI,以及近期是否存在瓶颈。报告给出的答案是:是,主要归功于AI,未发现瓶颈。
核心数字
头条数字是2倍加速,但METR明确表示,其内部人员在方法论上存在分歧,合理区间在1.3倍到3倍之间。在Anthropic的内部能力指数AECI(Anthropic Epoch Capabilities Index)上,METR报告自2025年10月以来的加速系数为1.9倍,95%置信区间为1.5倍到2.8倍。
| 指标 | 历史水平(2024年初至2025年末) | 2025年末以来 |
|---|---|---|
| AECI增长速度 | 每年约15点 | 每年超过29点 |
| 基准测试进展 | 两年(2023年10月至2025年10月) | 一年内追平(2025年10月至2026年10月) |
| 加速估计 | 基线 | 约2倍(区间1.3倍到3倍) |
| 归因于AI工具的比例 | 不适用 | 约80% |
这里所说的"明确界定任务"主要指核心AI研发工作:系统基础设施优化,以及支撑训练流水线的自主代码生成。至于这种加速能在多大程度上延伸到开放式、定义模糊的研究问题,报告的把握要小得多,这一点在外推时值得格外重视。
METR为何归功于AI而非算力或招聘
评估专门检验了非AI因素能否解释这一提速:算力增长加快、激进招聘,或人类取得的算法突破。METR的结论是,加速并非由算力增长率上升所驱动,不过详细的算力扩展证据应Anthropic要求被删节。一个佐证背景是:Anthropic在2026年早些时候为其前沿模型提供服务时面临资源紧张,这与"从现有架构和硬件中榨取收益、而非基础设施突然跃升"的叙事相吻合。
证据来自多个方向:对研究人员的定性访谈、自我报告的提升指标、人员编制记录、代码行数,以及实验使用日志。在不同的模型训练工作流中,AI使用带来的加速系数集中在2倍左右。

▲ AI工具加速AI自身的研发
报告认为,拐点出现在2025年末Claude Opus 4.5发布之时。在此之前,2025年末的进展仍有一部分来自人类工程工作。在此之后,自主智能体已能构建完整的应用功能和架构组件,而不再只是小段代码片段。在AECI图表上,从2024年4月起,经Claude 3.5 Sonnet和Claude Opus 4,趋势一直稳定在每年约15点,随后在Opus 4.5之后向上拐折,并延续至Opus 4.6、早期Mythos模型和Opus 5.5。2026年初Mythos问世时,曲线再度变陡,而没有回落到原来的斜率。
研究人员的切身感受
匿名访谈记录指向同一方向。研究人员普遍认可整体提速超过2倍,有人估计达到4倍,也有较为保守者将个人提升定在15%到20%。一位研究人员称,内部模型的辅助是对研发进展影响最大的单一因素,超过其他所有因素之和。具体说法包括:从构思想法到运行实验之间的时间缩短了60%;在棘手组件上的实现错误减少,又带来了20%的额外提升。
最能说明问题的变化在于,如今限制进展的因素是什么。工程师们反映,模型开发的瓶颈已不再是写代码,约束已转移到想法和可用算力上。这一点值得停下来想一想:传统上,人类在选择有前景的研究方向上占据优势,而模型擅长编码、验证实验和运行迭代循环。这里存在一个报告并未完全解决的矛盾:研究人员说自己受算力所限,而METR却得出算力扩展并非测得加速的驱动因素。如果算力限制的是想法得到验证的速度,而AI辅助解释的是节奏为何改变,那么两者可以同时成立;但这种表面上的矛盾,正是需要审慎看待自我报告数字的理由。METR自己也指出,部分生产力数据来自内部Slack上的随手投票,属于低投入的证据,而非严谨测量。
指向同一方向的财务数据
Anthropic上市前提交的S-1文件从另一个角度提供了平行信号:每$1算力支出所获得的收入。
| 季度 | 每$1算力支出对应的收入 | 备注 |
|---|---|---|
| 2025年第四季度 | $0.67-0.70 | 算力层面亏损 |
| 2026年第一季度 | 约$1.00 | 盈亏平衡 |
| 2026年第二季度 | $2.08 | 收入$116亿,算力支出$56亿 |
| 2026年第三季度 | $1.72 | 收入$170亿;短期基础设施压缩 |
这些只是单一公司在单一文件中的数字,并非任何人可以期待重复出现的规律。但它们与技术层面的叙事相一致:模型在每单位硬件上完成了更多有用的工作。一个相关的例子是谷歌DeepMind的AlphaEvolve论文:一个AI编码智能体找到了数据中心硬件和算法优化方案,带来1%的效率提升,论文将其折算为数十亿美元的节省。Anthropic的内部系统似乎也在对工作流、代码和资源分配进行类似的持续优化。
未发布的模型与趋于饱和的基准测试
报告附录包含尚未发布的内部模型数据,分别标为Model 3、Model 4和Mythos 5。此前的系统卡曾将Mythos Preview带来的跃升视为可能的一次性激增,而附录数据显示的却是持续且复合增长的斜率。一个具体标志是:在较早的评估上,Opus 4.6仅在九个月前还在某些任务上得分低于50%,而Model 4如今在所有任务上均超过50%。由于新模型迅速让现有基准测试饱和,Anthropic不得不持续提高内部基准测试的难度。
研究人员还反映,从Opus 4.5和配备智能体脚手架的Mythos Preview开始,模型在自主实验方面变得真正有用。报告强调,完全自主的AI研发尚未到来,但研究人员描述了"生命迹象",暗示对核心训练流水线的自主贡献可能很快出现。报告提到的一种预示方向的方法是权重空间编程,即模型直接生成神经网络权重而非编写源代码,这一步比传统代码更难被人类检查。

▲ 协商式审计访问与删节的局限
坦诚看待局限
有几项约束决定了外界究竟能看到什么。
- 删节权。 Anthropic保留了删节可能有助于竞争对手的专有材料的权利,并控制METR可以发布的内容。算力扩展证据就是被删节材料的一例。
- 协商式而非无限制的访问。 METR是在Anthropic可以批准或拒绝信息请求的模式下工作的。这并非9月承诺中所述的永久性员工级别访问权限,而且这次评估与Anthropic 10月15日《负责任扩展政策》更新中的独立评估机构框架是分开的。
- 范围中途收窄。 审计进行到一半时,Anthropic取消了对算力如何在能力工作与安全工作之间分配的独立核查。Anthropic给出的理由是让此次评估暂时聚焦于风险评估。一种可能的解读是,上市前的保密考量起了作用,但这只是猜测,并非报告所确认的内容。
- 不确定性范围宽。 1.3倍到3倍的区间,以及METR自己承认的内部分歧,意味着"2倍"是一个中心估计值,而非测量结果。
- 任务范围。 在明确界定的工程任务上的加速,未必能直接转化为开放式研究上的加速。
这些都不会动摇报告所指的方向。但这确实意味着,那些最激进的说法,即向人工超级智能的过渡迫在眉睫,已超出METR实际记录的范围。METR记录的是:在特定任务上进展翻倍,主要来自AI辅助,且在12个月的时间范围内看不到瓶颈。
如何从炒作中分辨信号
对于想判断"AI时间线正在加速"这类说法的读者,报告提示了几项实用的检验方法。
- 优先看第三方验证,而非实验室营销。 即便是协商而来的访问权限,METR的评估也比一次模型发布公告更有信息量。
- 寻找斜率变化,而非单次跃升。 这里有说服力的证据是多个连续的内部模型延续了更陡的趋势,而不是某一个模型得分很高。
- 核查归因。 追问收益是由算力、招聘还是AI工具解释的。此处METR试图单独回答这个问题,发现AI工具占主导,而算力证据被删节。
- 盯住瓶颈。 当一家实验室说编码不再是约束时,这是比基准测试分数更有力的领先指标。从想法到实验的周期时间是一个值得跟踪的指标。
- 跟踪基准测试饱和。 为避免天花板效应而以对数几率尺度测量的强化测试迅速饱和,比在旧测试上拿高分更能说明问题。
- 留意被隐去的内容。 删节和范围缩减划定了已验证内容的边界。
这意味着什么,以及该做什么
METR的这份评估是首次由外部正式确认,AI辅助研发正在一家前沿实验室中复合增长:在明确界定任务上进展约快2倍,约80%归因于AI工具,Claude Opus 4.5之后出现明显拐点,且未发现来年会有瓶颈。它没有宣称自主AI研发已经实现,其头条估计值也落在宽泛的区间之内、隐于删节之后。
对开发者和团队而言,可付诸行动的启示是:瓶颈正从写代码转向产生想法和验证结果。工作流应当假定智能体将承担更多实现和实验脚手架工作,这提高了仔细审查、测试和清晰问题定义的价值。对关注AI政策或安全的人来说,悬而未决的问题十分具体:实验室是否会兑现承诺的无限制评估机构访问权限,能力与安全之间的算力分配是否会得到独立核查,以及如果模型开始直接编辑权重,可解释性如何跟上。未来12个月,这些才是值得关注的信号,远胜过任何关于何时跨越某个门槛的单一预测。


