METR 进驻 Anthropic 11 周:研发提速 1.9 倍，其中约 80% 来自 AI 自己

Fri, 06 Nov 2026 00:00:00 +0000

摘要

2026 年 11 月 5 日，位于伯克利的独立研究机构 METR（Model Evaluation and Threat Research）发布了一份不寻常的报告：他们在 Anthropic 内部待了 11 周，从 8 月 12 日到 10 月 29 日，用 Anthropic 自己的数据和自己的模型，测量"AI 到底把 AI 研发提速了多少"。

核心结论是三句话。第一，自 2025 年 10 月起，Anthropic 模型在"well-specified tasks"（定义明确的任务）上的能力提升速度，约为 2024 年 3 月至 2025 年 10 月期间的 1.9 倍（95% 置信区间 1.5–2.8），换算下来是一年走完此前约两年的进度。第二，约 80% 的加速来自 AI 自身对研发的辅助，METR 明确排除了"训练算力规模增长"这一解释。第三，这还不是完全的递归自我改进（RSI）——在模型训练最关键的环节上，仍然没有"高度重要且完全自主"的贡献。

报告里最抓人的一个数字是内部代号 Model 4 的模型：在 METR 构建的 AECI 综合能力指数上得分 178.6，是第一个在其追踪的每一项基准上都超过 50% 的模型。Anthropic 员工的内投自评提效约为 12 倍。

与此同时，报告也留下了一个刺眼的空白：Anthropic 从这份约 100 页的报告里删掉了最有说服力的那部分证据。

事件背景

METR 不是一家普通的研究机构。它以"给前沿模型做第三方能力评估"著称，此前最出名的工作是测量模型在长时程任务上的自主完成能力。这次不一样：他们不是在外面测模型，而是拿到了员工级别的访问权限，进入 Anthropic 内部观察研发流程本身。

这个安排本身就说明了一件事：前沿实验室开始愿意让外部机构看"AI 造 AI"这件事。原因不难猜。2026 年，Anthropic 正处于 IPO 准备阶段，需要对监管和投资者回答一个越来越尖锐的问题——你们的模型是不是已经在加速自己了？如果答案是"是"，那意味着能力曲线可能脱离人类规划的速度。

背景还有一层张力。2025 年 9 月，Dario Amodei 发表长文，呼吁行业"放慢"（pace the frontier）。一年后，自家内部报告显示研发提速接近两倍，且主要来自 AI 自己。这两件事并列放在一起，构成了这份报告最耐人寻味的部分。

钱的角度也很直白。Anthropic 的研发支出从 2024 年的 23 亿美元，涨到 2025 年的 63 亿美元，2026 年前 9 个月已经达到 192 亿美元，三年合计接近 280 亿美元。同期，Anthropic 内部模型使用的标价金额在 2026 年 1 月至 9 月间增长了 250 倍以上。

核心技术解析

技术架构：他们到底怎么测的

METR 的方法论核心是把"能力提升速度"变成一个可比较的斜率。他们构建了 AECI（Anthropic 版综合能力指数），把多个内部基准的表现聚合成一个随时间变化的分数，然后比较不同时间段的增长速率。

  graph TD
    A[METR 进驻 Anthropic 11 周] --> B[数据来源]
    A --> C[测量方法]
    A --> D[控制变量]
    B --> B1[内部模型使用记录]
    B --> B2[员工提效自评]
    B --> B3[内部基准成绩序列]
    C --> C1[构建 AECI 综合指数]
    C --> C2[拟合能力增长斜率]
    C --> C3[对比 2024-03 至 2025-10 基线]
    D --> D1[排除训练算力增长]
    D --> D2[区分 AI 辅助与人类贡献]
    D --> D3[行业前沿模型对照 1.4 倍]
    C2 --> E[结论:1.9 倍, 95% CI 1.5-2.8]
    E --> F[约 80% 来自 AI 辅助研发]
    F --> G[尚非完整 RSI]

这套方法的优点是内部数据比外部黑盒测试细腻得多——能看到每一次模型版本迭代、每一项任务的完成方式、每一个员工的实际使用时长。缺点是所有数据都来自单一公司，外部无法独立复现。

关键创新点

第一，把"AI 加速 AI"从叙事变成斜率。 此前关于 RSI 的讨论大多是定性推测。METR 给出的 1.9 倍是一个带置信区间的数字，AECI 从每年约 15 分跳到每年约 29 分。这条斜率可以被质疑、被修正，但不能再被当作玄学。

第二，控制了算力这个最常见的混淆变量。 看到能力提升加速，最直觉的解释是"买了更多 GPU"。METR 明确排除了这一解释，认为约 80% 的加速来自 AI 辅助研发本身，而不是训练资源投入。这是整份报告里方法论含量最高的一段，也是结论最容易被挑战的一段。

第三，提效曲线呈现出清晰的时间序列。 2025 年初约 1 倍，Opus 4.5 约 2.5 倍，Mythos 5 约 5 倍，Model 4 约 12 倍。按指数拟合，大约是每年 3.9 倍。这条曲线如果是真的，含义相当惊人：一年后同样的团队能做出四倍于今天的工作量。

第四，给出了"还不是完整 RSI"的边界判断。 METR 的措辞很克制——模型训练最关键的环节仍然没有"高度重要且完全自主"的贡献，主要收益依旧是 AI 辅助人类，而不是 AI 独立完成。研究员用了一个很好的词：“生命迹象”（signs of life）。这是活着的证据，不是已经跑起来的证据。

性能评测

指标	数值	说明
能力提升加速倍数	1.9 倍	95% CI 1.5–2.8；对比 2024-03 至 2025-10 基线
AECI 年增长	约 15 → 约 29 分/年	综合能力指数
加速归因	约 80% 来自 AI 辅助研发	已排除训练算力增长
Model 4 AECI 得分	178.6	首个在所有追踪基准上均超 50% 的模型
员工自评提效	约 12 倍	内部投票结果
提效曲线拟合	约 3.9 倍/年	1x → 2.5x → 5x → 12x
前沿模型研发工作占比	约 26%（2026 年 8 月）	2 月不足 1%
内部模型使用标价金额	增长 250 倍以上	2026 年 1–9 月
行业前沿整体加速	1.4 倍	对照组，明显低于 Anthropic
研发支出	23 亿 / 63 亿 / 192 亿美元	2024 / 2025 / 2026 前 9 个月

对照组的数据值得单独看。行业前沿模型的整体加速是 1.4 倍，Anthropic 是 1.9 倍。两个数字都不小，但差距明显。报告没有给出差距的完整解释，合理的猜测是内部数据更细、使用更彻底、工具链更贴合自家模型。

行业影响

对市场的影响

对准备 IPO 的 Anthropic 来说，这份报告是双刃剑。正面看，它证明了公司研发效率的领先；负面看，它把"AI 可能失控加速"这个问题摆在了招股书之外的地方，而这是监管最敏感的话题。

对整个行业，1.9 倍这个数字会成为新的对标锚点。如果其他实验室拿不出可比的数据，市场会默认它们落后；如果拿出更高的数字，关于"要不要踩刹车"的讨论会立刻升级。

对开发者的意义

短期没有直接影响——这是组织层面的效率研究，不是 API 变更。但它解释了为什么模型迭代节奏在加快：模型迭代本身正在被模型加速。对依赖前沿模型的开发者，这意味着"今天学的东西半年后过时"的周期会进一步缩短。

对做 AI 工具链的团队，这份报告指出了一个明确方向：内部使用数据的可见性。Anthropic 能得出这些结论，靠的是能追踪每一次模型调用与产出。多数公司没有这个基础设施，也就无法回答"AI 到底帮我们省了多少"。

商业化前景

METR 这类第三方评估机构的价值正在上升。当模型能力开始影响模型研发速度，外部审计就从"可选"变成"必需"。可以预期，未来会有更多实验室引入类似的驻场评估，评估报告本身也会成为融资与合规材料的一部分。

风险在于独立性。METR 的报告依赖 Anthropic 提供的数据，而报告里最有说服力的那部分证据被 Anthropic 删掉了。这个细节说明，即使有第三方在场，信息披露的主动权仍在被评估方手里。

实际体验

这不是一次产品体验，而是一次"读报告 + 判断可信度"的过程。以下判断基于 METR 公开报告、官方摘要与媒体报道，不构成对任何公司的投资建议。

第一，1.9 倍这个数字的可信度取决于基线。 报告对比的是 2024 年 3 月至 2025 年 10 月与 2025 年 10 月之后两个时间段。如果前一个时间段恰好是能力增长的平台期，1.9 倍就会被高估。METR 给了 95% 置信区间（1.5–2.8），这个区间宽度说明不确定性不小，但下界 1.5 仍然显著大于 1。

第二，“80% 来自 AI"是最需要警惕的结论。 排除算力解释的方法在报告里有交代，但归因分析本质上很难做到干净——AI 辅助和人类使用更好的工具、更成熟的流程、更多的数据，这些因素高度纠缠。80% 这个数字应该被理解为"主导因素是 AI 辅助”，而不是精确的比例。

第三，删除证据这件事比数字本身更值得关注。 Anthropic 从约 100 页的报告里删掉了 AI 与人类任务占比的数据，那是支撑"AI 在研发中占比"的最直接证据。更有意思的是口径分歧：Anthropic 说"不到两倍"，METR 算出 1.97 倍并坚持"约两倍"。1.97 和 2 的差别看似是舍入问题，但它恰好卡在 Anthropic 自己设定的早期预警阈值上。

第四，“生命迹象"这个措辞是准确的。 报告明确说，模型训练最关键的环节仍无"高度重要且完全自主"的贡献。这意味着当前阶段是"AI 让人更快”，而不是"AI 自己做研发"。两者的风险等级完全不同，前者是可管理的加速，后者才是失控的开端。

优势与不足

优势:

首次用内部数据给出带置信区间的"AI 加速 AI"量化结论（1.9 倍，CI 1.5–2.8）
明确排除了训练算力增长这一主要混淆变量，方法论有交代
提供完整的时间序列（1x → 2.5x → 5x → 12x），可被后续研究检验
给出边界判断，明确当前"尚非完整 RSI"，避免过度渲染
有行业对照（1.4 倍），结论不是孤立数字
Model 4 在所有追踪基准上均超 50%，是可复现的能力标志

不足:

数据全部来自单一公司，外部无法独立复现
归因分析中 AI 辅助与流程改进高度纠缠，80% 的精度存疑
最有说服力的 AI/人类任务占比数据被 Anthropic 删除
加速倍数存在口径分歧（1.97 倍 vs “不到两倍”），恰好卡在预警阈值
11 周观察窗口相对较短，长期趋势仍需持续跟踪
报告与 Anthropic 正在推进的 IPO 时间点重合，存在选择性披露的动机

总结与展望

这份报告最重要的贡献，是把"AI 是否在加速自己"从猜测变成了一个可以被争论的数字。1.9 倍不是终局结论，但它是目前公开证据里质量最高的一次测量。

接下来有三个观察点。一是 METR 是否会对其他实验室做同类评估——如果有第二家、第三家出现可比数据，“1.9 倍"才能从个案变成行业规律。二是被删除的那部分数据会不会以其他形式公开，以及 Anthropic 的预警阈值到底如何定义。三是 Model 4 之后的下一代模型，AECI 是否继续以每年近 30 分的速度攀升——如果斜率不变，2027 年的讨论主题会完全不一样。

对行业来说，真正需要回答的不是"AI 能不能自己做研发”，而是"当研发速度开始由 AI 决定，人类还有多少时间做判断"。METR 的措辞是"生命迹象"。生命迹象意味着什么都有可能发生，也意味着现在干预还来得及。

参考来源:

AI研发 on 有鱼智界 | 森林有鱼