2026 年 8 月 12 日到 10 月 29 日,METR 的 2.5 个全职人力当量常驻 Anthropic 旧金山总部,做了十一周多的高权限评估。这家伯克利非营利机构拿到内部模型基准分、训练算力数据、Slack 投票,还访谈约 15 名一线研究员,要问清三件事:能力增速有没有变快、变快里有多少归因于 AI、未来会不会撞上瓶颈。

答案是一个数字,以及一个被掏空的洞。

11 月 5 日,METR 官方发布评估报告(完整报告)。核心结论:自 2025 年 10 月起,Anthropic 内部模型基准分增速约为此前速率的 1.9 倍,95% 置信区间 1.5 到 2.8 倍。换句话说,过去一年的进展,大致相当于 2023 年 10 月到 2025 年 10 月这两年——粗略对应 Claude 2.1 到 Sonnet 4.5。趋势线上,断点前年约 15 分,断点后约 29 分。

1.9 倍是怎么量出来的

核心指标是 AECI——Anthropic 自己的 Epoch Capabilities Index 版本,把各类基准分折算成可比的「能力值」。METR 用带单断点的分段线性拟合抓增速变化,断点估计在 2025 年 10 月 7 日。

方法值得停一下:METR 围绕三个速率组织分析——历史增速、当前增速,以及「假如 Anthropic 不用 AI」的反事实增速。前两个可观测量,第三个只能靠猜——加速结论就是拿当前增速和这猜测比。

这个数字比看上去脆弱

METR 的稳健性检查做得扎实,结论也诚实:换连接函数,估计值在 1.1 倍到 2.9 倍之间晃;换快照取法、换基准集,都是 1.9 到 2.2 倍;换正则化强度,1.9 到 2.1 倍。「差不多 2 倍」在多数扰动下都活着,区间却宽得惊人。

两个数字更值得记住。其一,Haiku 5.5 系统卡里 Anthropic 自报 1.7 倍,METR 的 1.9 倍更高,差别在于把未发布的内部模型算进了拟合。其二,把所有厂商的公开前沿模型放在一起拟合,增速只有 1.4 倍(断点前年 17 分,断点后 24 分)。METR 列了两种解释:要么 Anthropic 在 2025 年之前本就落后于前沿,历史增速被低估;要么它对基准过拟合得更少,历史点被高估——方向相反,报告无法下判断。

还有个让人不安的细节:内部代号 Model 4 在被评测的 15 个 AECI 基准上得分全部超过 50%,9 个月前的 Opus 4.6 还有不少在 50% 以下。基准正在饱和,METR 说这让他们对自己还能不能测准 AECI 感到紧张。

八成归因于 AI:一个猜测,不是一次测量

METR 整体上主观猜测,当前这轮加速中约有 80% 来自 AI 的使用——报告用的词是「我们猜」和「相当大的不确定性」。

支撑证据有三层。最直接一层是员工自报:内部 Slack 投票里,2026 年 10 月内部模型 Model 4 的平均自报提升达到约 12 倍。METR 立刻加了限定:单点提升倍数不等于加速率,要看提升倍数的增长率有无变大。12 倍很抓眼,却只是 METR 明说「非常松散」的证据。

往上一层是访谈。约 15 名研究员被问「Claude 是否让你的工作提速 2 倍以上」,引文由 Claude 自动归类:明确支持 2 人、倾向支持 3 人、边界或说不清 4 人、倾向否定 0 人、明确否定 2 人。分歧极大——有人说「现在只卡在想法和算力,不再卡在代码」,有人说「15% 到 20% 来自 AI」,还有一位说「招聘可能是主因」。

再上一层是自主贡献。METR 判断 AI 目前还无法对最重要的训练环节做高度自主的贡献,但研究员描述了显著的「生命迹象」(signs of life)。报告明确说,目前加速主要靠 AI 辅助而非完全自主贡献。

被涂掉的证据

整份报告约 100 页,公开的只是能说的部分。Anthropic 对所有非公开信息有单方面涂黑权,METR 的表述是:它可以自由分享关于风险的那层结论,但 Anthropic 涂掉了「最有信息量证据的大部分」。

涂掉的包括各训练阶段的加速与归因估计、算力/数据/算法分解、瓶颈分析、对未来模型的指标预测,以及具体基准名字。METR 承认报告因此「没有实现对证据的透明」,公众只能更多依赖它。

METR 附的 AEF 清单里,两条要求被明确标为未满足:评估方需提供足够方法细节供独立复核;被评估方不应拥有涂黑结论的权力。而 Anthropic 恰好有后者。还有一项更微妙:原定范围含核查能力与安全间的算力分配,中途被取消。

一个绕不开的自指

最后是方法论上最扎手的一层:这次评估大量使用了 Claude 本身。METR 明说,Claude 深度参与了它收到的大部分数据收集与分析、相当一部分文档,以及自己分析的大部分。连访谈引文分类也是它做的。

被评估公司的产品,既是评估方的主要分析工具,又是访谈证据的主要来源——这不是可绕开的结构性问题。METR 的自我评估是 Anthropic 主动误导可能性极低;但它没回避。

所以呢

这份报告的价值不在那个 1.9 倍,而在它示范了一种做法:让外部机构带着可核验的方法进入前沿实验室内部,把「AI 是不是在给自己加速」这个长期停在思辨层面的问题,变成有区间、有反例、有缺陷自陈的测量题。

它同时示范了测量题最难的一面:被测方握有涂黑权、模型尚未公开、基准正在饱和、评估工具就是被测产品——「加速」这个数字必然带着无法闭合的置信区间。METR 把那段空白摊在开头而非藏进脚注,这最值得学。

至于那个 1.9 倍,也许更该被读成问题:一家前沿实验室的内部产能,已经有多少交给了 AI 自己?