Anthropic研发真提速12倍？

AI开始加速下一代AI，但不是标题里的12倍

METR最新评估显示，Anthropic在明确任务上提升模型能力的速度，已经达到此前历史基准的约1.9倍。METR在2026年8月12日至10月29日进入Anthropic开展了为期11周的评估，并于11月5日公布结果：Anthropic过去一年取得的模型能力进展，大致相当于此前两年的研发进展。

这项结论比“Anthropic研究人员被AI提效12倍”更重要，也更可靠。12倍来自Anthropic内部一次Slack快速投票，是研究人员对最新内部模型带来个人工作提速的主观估计；1.9倍则来自模型能力随时间变化的数据，是METR对公司级研发产出速度的统计判断。两者测量的不是同一件事，不能直接画等号。

METR是一个研究前沿AI能力、风险与自主性的独立非营利评估机构。它过去更为开发者熟悉的工作，是测量模型能够独立完成多长时间跨度的软件任务；这次评估则把问题向上推了一层：当AI公司用AI写代码、分析实验、调试训练流程时，下一代AI是否会因此更快出现。

答案已经不是“会不会”，而是“到底快了多少”。

1.9倍、2倍和12倍分别是什么

这份报告最容易被误读的地方，是多个提速数字被压缩成了一个传播性最强的“12倍”。为了理解METR究竟发现了什么，需要把个人体感、团队流程和模型能力进步三个层级分开。

| 指标 | 数值 | 测量对象 | 证据强度 | 应该如何理解 | |---|---:|---|---|---| | Anthropic模型能力增长速度 | 1.9倍 | 公司级模型能力进展 | 相对较强 | 过去一年约完成此前两年的基准进展 | | 1.9倍估计的95%置信区间 | 1.5—2.8倍 | 统计估计范围 | 中等 | 数据支持提速，但精确倍数仍有明显不确定性 | | 稳健性检验范围 | 1.1—2.9倍 | 不同基准和模型选择 | 中等 | 结论依赖测量方法，但多数设定仍指向加速 | | 研究人员访谈中位数 | 约2倍 | 个人或具体研究流程 | 中等偏弱 | 与公司级1.9倍接近，但仍属于自我报告 | | Slack快速投票 | 约12倍 | 最新内部模型对个人工作的帮助 | 较弱 | 反映局部强烈体感，不能代表端到端研发效率 | | 全行业前沿模型加速 | 约1.4倍 | 多家公司模型进展 | 中等 | Anthropic的加速幅度高于行业整体 | | AI对本轮加速的贡献 | 可能约80% | 加速来源归因 | 不确定性较高 | METR认为大部分提速来自AI工具，而非算力增速 |

AECI是Anthropic内部使用的综合模型能力指数，可以理解为Anthropic版本的Epoch能力指数。它把多项模型评估压缩到同一条时间序列上，用来观察模型能力增长的斜率，而不是只盯着某个容易饱和的公开榜单。

METR测得，Anthropic的AECI增长速度在2025年10月前约为每年15分，之后提高到约每年29分。29除以15约为1.93，这就是“约1.9倍”的直观来源；按能力跨度估算，过去一年的进展量级大致相当于从Claude 2.1走到Sonnet 4.5所跨越的距离。

12倍则更接近一个开发者说“以前要两小时完成的脚本，现在十分钟就能跑起来”。这个数字可能完全真实，但脚本写完不等于实验完成，实验完成也不等于模型训练成功；代码审查、训练排队、数据清洗、结果复核和安全评估都会重新成为瓶颈。

为什么个人快12倍，公司只快1.9倍

研发系统的总速度由最慢且不可绕过的环节决定。AI可以在几分钟内生成十套实验配置，但如果训练集群一天只能运行两组实验，那么个人生成方案的速度即使提高12倍，公司最终产出的提升也不会达到12倍。

这种差距可以用软件团队常见的局部优化来解释。代码补全可能让样板代码编写时间下降90%，却不会自动消除需求讨论、架构决策、线上观察和跨团队协作；局部任务从100分钟缩短到10分钟是10倍提速，但如果它原本只占项目周期的10%，整个项目最终也只会从1000分钟缩短到910分钟，总提速约为1.1倍。

Anthropic内部研究人员感受到的12倍，很可能集中在AI最擅长的高频数字化任务上。这些任务包括编写和重构实验代码、查找大型代码库中的逻辑、分析训练日志、生成数据处理脚本、解释失败实验、制作评估集，以及同时维护多个探索分支。

公司级1.9倍反而是一个相当激进的数字。前沿模型研发并不是普通办公任务，它包含昂贵的训练运行、稀缺的计算资源、复杂的数据管线和大量无法容忍错误的关键决策；在这类系统中把最终能力增长斜率推高近一倍，意义远大于让某项孤立任务快十倍。

METR为何认为约80%的增量来自AI

METR有较高把握排除了“训练算力增长突然变快”这个最直接的解释。换句话说，Anthropic的模型进步加速，并不是简单因为公司在单位时间内堆入了接近两倍的计算资源。

这一判断把注意力从硬件扩张转向了研发流程的软件杠杆。更强的内部模型可以帮助研究人员更快写代码、定位问题和设计实验，而这些研究人员又用节省出的时间开发更强的模型，从而形成一个正反馈回路。

METR估计，截至2026年10月，观察到的研发加速中可能约有80%来自AI参与研发。这个归因并非精确测量值，因为人员扩张、组织调整、数据改进、算法突破和基础设施优化同样会影响研发速度，而且公开报告中与这些因素有关的内部信息经过了大量删减。

报告的稳健性检验也提醒外界不要把80%视为会计报表式的确定数字。根据基准选择、纳入模型范围、评估饱和度和时间窗口的不同，METR得到的整体加速比在1.1倍至2.9倍之间；它支持“确实发生了加速”，却不足以证明某一个小数点后的精确归因。

这还不是递归式自我改进

递归式自我改进是指AI系统能够在很少甚至没有人类介入的情况下，实质性改进自身或开发出能力更强的后继系统。METR此次看到的是AI辅助AI研发，而不是AI独立接管下一代模型的设计、训练与验证。

Anthropic研究人员表示，AI目前尚未在模型训练最关键的环节中作出高度重要且完全自主的贡献。人类仍在确定研究方向、选择实验、分配算力、判断异常、解释结果，并对高风险改动承担责任。

两者之间的区别类似于“副驾驶显著提高车队效率”和“车辆能够自行设计下一代车辆”。前者已经发生，而且可能把研发周期压缩近一半；后者需要AI跨越长期规划、隐性知识、资源协调和高代价决策等多个门槛，目前没有充分证据证明Anthropic已经跨过去。

危险信号在于，部分研究人员开始用“生命迹象”描述AI的自主贡献。这个说法并不意味着递归式自我改进已经启动，而是说AI不再只是被动补全代码，它开始能够提出实验、追踪结果，并在较长任务链上做出对研究有价值的选择。

内部模型让公开榜单越来越不够看

Anthropic最强的内部模型可能已经领先于公司当前公开产品。参考资料提到的内部“Model 4”在多项常见基准上超过90%，最新内部模型在被测项目上的得分均超过50%；外界有人猜测它可能对应未来的Claude 6，但Anthropic并未确认这一产品命名，也不能保证这些内部模型最终公开发布。

公开榜单因此正在失去对前沿实验室真实能力的同步观察价值。开发者看到的是已经完成安全评估和产品化处理的公开模型，而大厂研究人员日常使用的可能是更新、更强，也更不稳定的内部检查点。

评估饱和同样会让增长速度变得难以测量。当模型在大量基准上超过90%，剩余错题数量太少，几道题的随机波动就可能显著改变总分；如果评估题被训练过程间接覆盖，分数上涨也未必代表模型具备同等幅度的新能力。

METR选择综合指数和多种稳健性检验，正是为了降低单个榜单饱和带来的误导。但只要关键数据来自未发布模型、保密训练资料和内部访谈，外界就很难完全复现其结论。

这份评估最大的缺陷是可验证性不足

METR提交给Anthropic的完整报告约有100页，但公开版本经过了Anthropic大幅删减。根据双方安排，涉及非公开信息的内容可以由Anthropic要求删除，因此外界看到了结论和部分统计方法，却看不到许多最有说服力的底层证据。

这种合作模式既有价值，也存在明显利益张力。没有Anthropic授权，独立机构不可能接触内部模型、训练算力和研究访谈；但当被评估公司同时掌握公开内容的删减权时，“独立评估”就无法达到学术论文那种可复现程度。

METR与Anthropic对风险表述的分歧也说明数字措辞并非无关紧要。Anthropic曾将某项领先指标描述为进步速度“不到两倍”，METR根据内部数据计算约为1.97倍，并认为更准确的说法是“约两倍”；当两倍加速与公司的早期预警阈值相关时，0.03的措辞差异就可能影响风险判断。

因此，这份报告适合被视为一项高价值但受限的内部审计，而不是已经被完全复现的科学定论。它比员工投票和高管发言更可靠，却仍弱于开放数据、公开评估集和独立团队可重复计算的研究。

对开发团队真正有用的，不是追逐12倍

开发团队应该把AI提效拆成任务吞吐、团队周期和最终产出三个指标。只统计代码生成量或对话次数，几乎一定会高估AI的实际价值，因为生成更多代码也可能带来更多审查、测试和维护成本。

一个更可靠的内部评估框架可以记录以下数据：

• 任务吞吐量：每名开发者每周完成并被接受的任务数，而不是AI生成的代码行数。
• 端到端周期：从需求确认到生产环境验证的中位时间，并单独记录等待时间。
• 一次通过率：AI参与的变更有多少能通过测试、审查和安全检查。
• 缺陷回流率：合并后7天或30天内需要返工的比例。
• 高价值产出：性能、稳定性、收入或研究指标是否出现可量化改善。
• 人工监督成本：开发者花在提示、复核、纠错和上下文整理上的时间。

团队还需要优先改造AI提速后暴露出的新瓶颈。如果代码生成速度提高5倍，但评审队列从2小时拉长到两天，下一步投资应该放在自动测试、可观测性、任务拆分和审查工具上，而不是继续增加生成量。

AI研发工具的价值也会随着任务可验证性迅速分化。具有明确测试、静态检查和性能指标的任务更容易获得真实提速；缺少客观验收标准的架构设计、产品判断和探索性研究，则更容易产生“看起来做了很多”的虚假吞吐。

真正需要警惕的是反应窗口被压缩

Anthropic的1.9倍加速意味着外部机构的评估节奏可能已经落后于模型迭代节奏。安全评估、标准制定和监管流程通常按季度甚至年度推进，而前沿实验室如果能在一年内完成过去两年的能力进展，上一轮风险结论可能在正式发布时就已经过期。

这种错位比“某个员工快了12倍”更值得关注。员工体感会受到任务类型、使用习惯和幸存者偏差影响，但模型能力曲线的斜率一旦持续变化，就意味着整个行业预测下一代模型出现时间的方法需要重算。

METR目前没有发现未来12个月内一定会阻断快速进步的明确瓶颈，但它也承认判断信心有限。算力供应、电力、数据质量、评估饱和、组织复杂度和未自动化的关键研究决策，都可能让这条加速曲线重新变平。

当前最稳妥的结论是：Anthropic尚未实现AI自主研发下一代AI，却已经进入AI显著压缩研发周期的阶段。12倍是一个吸引眼球但证据较弱的局部体感，1.9倍才是这份报告真正值得记住的数字；而如果1.9倍能够持续，它对模型发布节奏、安全评估和开发团队工作方式的影响，已经足够大。

参考来源

• Reddit：METR评估与Anthropic研究人员12倍提效讨论：汇总METR报告入口及机器学习社区对1.9倍组织加速、12倍员工自评和证据可靠性的讨论。