METR 在 Anthropic 里面待了 11 周,量出来是 1.9 倍,而多数证据被涂黑了

METR 这个月公开了一份独立评估,判断 AI 是否在加速 AI 研发,依据是在 Anthropic 内部十一周的非常规访问。核心估计是:自 2025 年 10 月的一个变化点之后,Anthropic 可测的能力进步速度大约是此前的 1.9 倍,95% 置信区间 1.5 到 2.8。
换算成指数:之前大约每年 15 点 AECI,之后大约 29 点。也就是两年走完的历史进度压进一年。METR 拿它跟 Claude 2.1 到 Sonnet 4.5 那一跳做类比。
第二个核心结论是,加速里大约 80% 可以归因于 AI 被用在 Anthropic 自己的研究里。第三个是,Anthropic 涂黑了 METR 认为最有信息量的多数证据。
这三句话必须一起读,而现在几乎没人在合起来读。
访问长什么样
从 8 月 12 日到 10 月 29 日,一个大约两个半全职的人力拿到了预训练与 RL 指标、训练算力数字、未发布模型的内部基准分、内部加速分析、模型预测,还有约 15 场研究者访谈和员工问卷。METR 没收 Anthropic 的钱,出于安全考虑在 Anthropic 的设备上工作。
分析覆盖了三个 2026 年 7 月到 10 月间完成训练的未发布模型。这一点让这次评估跟以往所有外部评估不同,那些只能看已发布的模型和公开榜单。
METR 还给了一个跟正面结论一样重要的否定结论:它确信加速不是训练算力增长变快造成的。变的是做事的方式,不只是往上面堆了多少硬件。
80% 是判断,不是测量
没有仪器能读出「这次加速里有多少来自 AI」。METR 把基准轨迹、训练指标、访谈和问卷合起来,得出一个归因估计。
访谈材料是最具体的部分。一位研究者告诉 METR,现在的工作「只卡在想法和算力上,不再卡在写代码上」。其他人说,过去要一两天的实验搭建现在是接近免费的。2026 年 10 月的非正式 Slack 投票里,员工估计最新的内部模型让他们效率提升约 12 倍。作为对照,同一个指标在 Claude 3.7 Sonnet 时期大约是 1.2 倍。
METR 称这些自评为很松的证据,不具代表性,很可能高估真实收益。12 倍是人在一件原本很烦的事突然不烦了的时候会报的数,它经不起秒表。
所以这个主张的诚实状态是:一个 1.9 倍加速里,有很大一部分、很可能大部分、也许是 80%,可以合理地追溯到 AI 协助。这句话里每个词都在干活。
阈值有一个数字,这就是麻烦
Anthropic 的 Responsible Scaling Policy 3.4 版于 2026 年 7 月 8 日生效。它点名两个与自动化研发相关的触发条件:一个能以有竞争力的成本取代公司研究人员的 AI 系统,或者「进度速度翻倍,且可合理归因于研发或工程自动化的大部分」。政策把「翻倍」定义为一年走完原本要两年的进度。
一个把系数二写进条文的政策,遇到审计员报出 1.97,问题就很自然。Anthropic 2026 年 8 月的公开报告说加速「不到两倍」。据对这份评估的报道,它自己那份未涂黑的内部版本隐含 1.97。公司说跨过阈值是可能的。在 11 月 2 日提交美国证监会的一份文件里,它说「可能即将满足」自己对「显著加速的进展」的定义。
METR 单独判断,预警阈值在 7 月 15 日可能已经被跨过。
把这段再读一遍,因为它很奇怪。一家公司写了一条带数字的规则。一个拿到内部权限的外部审计员,估出一个刚好在数字下方的值。然后公司告诉监管者,它可能即将跨过这个数字。没有人说阈值已经跨过。
这不一定是回避。Anthropic 把这个阈值定性为早期预警,而不是严重风险已经到来的证明,并且说自己还没到完全自主开发后继模型的程度。一个会触发的政策阈值应该引发保障措施,而具体是哪些措施,是个真问题,一句新闻稿答不了。
但它确实意味着,这套机制现在产出的是声明,不是动作,而且声明用了很多限定。
涂黑的部分才是故事
METR 说 Anthropic 扣下了评估者认为最有信息量的多数材料,包括未来模型预测和瓶颈分析。原定覆盖「公司如何在能力研究与安全研究之间分配算力」的那部分审计,中途被取消。
后果很具体:公众无法校验这个估计。1.9 这个数字取决于基准怎么选、变化点放在哪里、以及对任务难度的假设。METR 自己的敏感性分析在这些假设下把估计从 1.1 倍拉到 2.9 倍。
还有第二个被忽略的数字。当 METR 把 Anthropic 跟所有开发者的前沿模型比,而不是跟 Anthropic 自己的历史比,估计速度是从约 17 点涨到 24 点每年,1.4 倍。METR 提示这个差别可能反映 Anthropic 在追赶前沿,或者早期模型对基准的调优方式不同。
一家公司 1.9。整个领域 1.4。两个都是加速,只有一个接近触发一条按系数二写的政策。
什么才能让它可核查
诚实的答案是:已公开的材料里,没有任何东西能让外部复现这个分析,而这是一家私营公司做外部审计的结构性特征,不是 METR 工作的缺陷。
能改变的几件事:公开 AECI 的基准构成和权重,让这个指数在大楼外面也有意义;公开变化点的方法;让第二个评估方在同样条款下看到被涂黑的材料;把现在粘在一起的两个问题拆开,也就是「进度是否加速」和「是否由 AI 造成」。第一个可测,第二个是推断。
还有一个 METR 提出但没回答的问题。它没找到能在未来十二个月拖慢速度的瓶颈,也就是说进一步加速是现实风险,不是已决问题。如果当前速度维持并继续复利,系数二就不再是阈值,而是一个描述。
对实验室外面的人,实操结论比标题窄。AI 现在是人类研究者的加速剂。它没在做自主研究。这两句话之间的距离就是所有政策争论实际住的地方,而 METR 这份报告,连同那些涂黑,是已经发表的、对这个距离最精确的描述。
相关文章
十份降级报告,没有一份改了订单数字
十份降级报告都在讲不确定性,没有一份改动订单。真正的变量是 158 美元的恐慌低点和 5.1% 的十年期收益率。
三十三年来第一次,黄仁勋不在电话会上
数字几乎无悬念,真正要看的是克雷斯如何在首次独自主持的电话会上回答指引、Rubin 与毛利率三个问题。
一份社区维护的点击表,关掉了国产 Android 系统里的广告
它不动系统,不解锁,不刷机,只把厂商本来就留出来的开关一个个拨过去。代价是这份名单得一直有人续写。
GPT Image 2.6 守住 token 价格,账单却涨了
GPT Image 2.6 沿用了 2.5 的全部 token 费率,单张图却更贵,因为更多的活现在花在输出 token 上。上线十一天,定价结构说的比排行榜更多。