AI 能干的活每 3.6 个月翻倍,这报告怎么读

这条曲线仍在翻倍,但区间之宽才是重点

一句话:这把被引用最多的尺子正在变钝,可它依然是目前最好用的一把。2026 年 11 月 20 日,METR 发布今年 Q4 的能力评测更新,把公开模型一直测到 Claude Opus 5.5 与 GPT-6 Astra(据 METR 官方发布)。核心结论没改,只是多了一层噪声。

划重点:在合并任务集(TH1.1 加上新的 TH2)上,模型「50% 可靠完成」的任务时长,大约每 3.61 个月翻一倍,95% 置信区间 2.08 到 4.94 个月。据 METR 说明,这个结果与之前只算 TH1.1 得到的 105 天趋势接近,与 OpenAI 在内部研究任务上报的趋势也接近。

研究者看趋势图

老化的量尺

一句话:尺子在变钝

先说那条带。2.08 个月意味着快到让人喘不过气,4.94 个月意味着比前两年慢了不少,两端相差超过一倍。把单点数字拎出来讲「3.6 个月」很省事,但真正该记住的是这条带的宽度。多个来源互相咬合,是这件事相对可信的地方;带宽本身也说明,做这张图的人不敢把话说满。

我的判断是:TH2 的价值不在于让数字变好看或变难看,而在于它把「能不能自动判分」这个隐含前提摆到了台面上。旧版任务集里没有开放式任务,新版加进了更接近真实研究工作、回报周期更长、更难自动判分的任务。尺子换了刻度,历史数据就得重画。

沙漏与计时

时间视野究竟量的是哪件事

说白了,时间视野不是「模型能聊多久」,而是「多长的任务,模型能以一半概率从头到尾做对」。把所有任务按时长排开,从改几行错字到几十小时的完整项目,找到成功率跌到 50% 的那个位置,那个位置就是它的时间视野。

这个定义里藏了三处容易被跳过的口径。一是 50%,不是 90%,也不是含糊的「能做」;二是「可靠完成」意味着全程自己跑通,中间没有人接手补锅;三是任务集本身决定了刻度,而任务集是会换的。

这也是为什么报告同时给出两套结果:只算 TH1.1 的,方便和历史比;合并 TH2 的,更接近现实工作。两者不是替代关系,而是互相校验。只看其中一套,都容易读出自己想看的结论。

上升的趋势线

3.6 个月与 1.65 个月

同一份报告里还有一个更陡的数字。TH2 的「可验证子集」翻倍时间约 1.65 个月,95% 置信区间 0.79 到 3.99 个月(据 METR)。粗看像是「加速了」,但 METR 自己提醒,这个子集数据噪声很大,也可能只是任务难度分布差异造成的表象。

我的理解是这样:可验证子集是任务集里最容易自动判分、也最容易被针对性优化的那一块。它短期跑得比整体快,并不奇怪。就像一个学生专项刷某类题型,那类题分数涨得快,不代表整体水平涨得快。拿 1.65 个月去外推,风险比拿 3.61 个月大得多。

接着是那个 2027 年 7 月。按 3.61 个月翻倍的朴素外推,模型会在那时达到任务集最长阈值(200 小时)的 50% 视野。从眼下算起大约 8 个月,也就是 2.2 次翻倍、约 4.6 倍的跨度。METR 自己反复强调,这是外推,不是预测。

两句话差别很大。外推只说明「如果趋势不变会怎样」,预测则在说「趋势大概率不变」。前者是算术,后者是信念。报告里那句「仍显著不确定」不是在客套,而是在替这个区别留余地。

做判断的人

判断力这块还没追上

人类基线这部分值得单独拎出来。据 METR,在其编码与优化任务上,前沿模型通常与熟练人类持平或更好;METR 招募自己的基线人员时,通常找不到能稳定赢过模型的人;在众多领域专家都试过的任务上,模型排位很高,但没到顶。三句连起来读,信息量比任何单点数字都大。

短板也很清楚:在反馈不清晰、需要判断力的任务上,智能体的判断力不如人类专家。MIT Technology Review 报道过一个细节,METR 员工判定模型为 METR 设计的评估任务「没有一项」真正有用。模型能做题,但还不太会出题——出题的前提是知道什么值得问。

我的判断是:这条曲线的斜率终究会被判断力而不是算力卡住。任务时长可以靠试错和搜索堆上去,但当反馈模糊、方向不明时,那一步还是人的活。METR 的综合能力指数(MCI)没有显示明显的加速或放缓,这个平静的结果,比任何戏剧性的曲线都更该当真。

它给出的结论也留了门:公共证据还不能排除未来几年内出现剧烈的 AI 研发加速,而它对这个词的定义是快到人类无法有意义地理解、评估和应对灾难性风险。但这里有个前提——任务集对真实工作的代表性一旦站不住,这条曲线就只是内部记分卡。

常见问题

这图准吗? 图本身是准的,读法容易错。置信区间 2.08 到 4.94 个月宽到这个程度,说明连 METR 自己都落在「仍显著不确定」的范围内。把它当方向指示,别当日历用。

翻倍到底啥意思? 指「模型能一半概率可靠完成的任务时长」翻一倍,不是能力翻一倍,也不是价格翻一倍。3.61 个月翻一次,一年大约翻 3.3 次,累计约十倍。每一倍都用同一把尺子量出来,尺子一换,前面的倍数就别直接接上。

跟普通人有什么关系? 短期关系不大,中期关系不小。任务视野到几小时,一批重复性工作会被重新分工;到几十小时,组织方式才会真变。现在的位置大致在「能独立跑完半天活」附近,离「独立跑完一周项目」还有距离。

公共证据能排除剧烈加速吗? 不能。METR 的措辞是不能排除,而不是很可能。这个差别决定了你该把它当风险提示,还是当预言。

他和 AI 证出了黎曼猜想?先别急着庆祝
下一篇
他和 AI 证出了黎曼猜想?先别急着庆祝
数学家和 Claude 宣称证出黎曼猜想,尚无人读完证明
继续下滑 或 点击阅读下一篇
下一篇 他和 AI 证出了黎曼猜想?先别急着庆祝 →
站长照片
“

1

”
联系二维码
微信:扫码加企业微信
邮箱:15611497360@aqq.com
手机:15611497360

私信站长

申请退款