Anthropic藏得极深的下一代王牌模型，被第三方机构METR的深度调查直接扒了出来。这份耗时11周、基于内部敏感数据完成的报告，不仅曝光了9-10月刚完成训练的Model4，更抛出了一个让整个行业震动的结论：AI的进化速度已经彻底翻倍。
最强内部模型：现有考卷快压不住它了
报告附录里一共列出了四款Anthropic从未公开的内部模型，时间线跨度长达4年：
- 2022年完成训练的「Unreleased 2022」
- 2026年7月完成训练的Model 2
- 2026年8-9月完成训练的Model 3
- 2026年9-10月刚出炉的最新旗舰Model 4
作为最新的扛鼎之作，Model 4的成绩相当夸张。在衡量大模型综合能力的内部指数AECI（相当于大模型的「高考总分」）中，它拿下了178.6分的高分，直接超过了目前公开的最强模型Opus 5.5（174.5分）和Mythos 5.1（172.5分）。
单科成绩更能体现它的统治力：Model 4参加的15项基准测试，每一项正确率都突破了50%。要知道就在9个月前，上代旗舰Opus 4.6还有不少基准测试没能过半。METR还发现其中3套基准存在题目损坏、难度异常的问题，剔除这些干扰项后，Model 4的得分还能再涨1.1分，冲到179.7分。
更夸张的是它的性能消耗：普通基准测试单任务平均要消耗250万输入Token、7万输出Token；如果是让Agent写代码的软件工程任务，单任务直接吃掉1000万输入Token，输出也达到9.4万。评测人员直言，现在的基准测试已经快要测不出Model 4的真实极限了。
【编辑观察】基准测试的难度是逐年递增的，Model 4还能实现全项过半，相当于学霸把全新的奥赛难度卷全刷到了及格线以上，真实能力只会比纸面分数更高。
进化速度翻倍：80%推力来自AI自己
这次报告最炸的结论，是Anthropic的模型进化已经进入了加速通道，而转折点就落在2025年10月。
在2025年10月之前，Anthropic模型的AECI得分每年稳定上涨15分；拐点之后，年涨幅直接跳到29分，增速达到此前的1.9倍（95%置信区间1.5-2.8倍），相当于一年就走完了过去两年的技术路程。
Anthropic曾在8月的风险报告里试图淡化影响，称这只是新工具、新评测方法带来的一次性「台阶式跳跃」。但METR用盲测实验直接证伪了这个说法：用Mythos 5及更早的数据建模，后续新模型的表现和「长期持续提速」模型的拟合误差只有1.9分，远低于一次性跳涨模型的3.9分，81%的统计抽样都支持持续提速的结论。
METR还专门拆分了提速的来源，首先排除了「堆训练算力」的可能：2025年10月之后，训练算力的增长率反而比之前更低。真正的核心推手在研发端——当前2倍左右的研发加速中，约80%都来自AI自身的研发辅助，剩下的小部分才来自人员增加和推理算力扩容。
放到指数增长的维度下，这个增速更加夸张：原本每年翻3倍的能力指标，在2倍加速度的加持下会变成每年翻9倍。METR的示意图直观展示了AI带来的增速差。
METR研究员Ryan Greenblatt直接坦言，这份报告是1-2年内实现ASI（超级人工智能）的重磅信号。原本《AI 2027》预测2倍增速会在2027年3月出现，现在这个节点直接提前了近半年。
【编辑观察】过去只存在于AI安全论文里的「递归自我改进（RSI）」，现在已经真的落地了：更强的Claude帮研究员做研发，更快产出更强的下一代Claude，这个循环一旦跑通，速度只会越来越快。
内部研发提速12倍：十个点子同时跑
外部还没人能亲手测试Model 4，Anthropic内部员工的使用反馈就成了最直观的参考。METR基于内部非正式调查和Slack投票整理的趋势图显示，AI带来的效率提升正在指数级上涨：
- 2025年春使用3.7 Sonnet/Opus 4时，员工自报提速仅1.3-1.4倍
- 2026年6月Mythos 5上线后，自报提速跳到5倍左右
- 2026年10月用上Model 4后，研发提速直接冲到约12倍，按指数拟合相当于年增速3.9倍
METR访谈的一线研究员把工作流的变化分成了三个阶段：
- 早期辅助阶段：只把Claude当高级自动补全，用来写一次性小脚本
- 单线托管阶段：人类盯着单个Claude实例，让它独立开发完整功能模块
- 全面Claude化阶段：同时指挥一大群Agent并行跑实验，内部甚至发起悬赏，鼓励把大胆的研究点子全丢给AI验证
现在研究员已经可以同时把10个研究点子丢给内部Agent系统并行验证，从冒出新想法到跑通实验的耗时直接缩短了80%。有研究员直言：「我现在只卡在点子和算力上，再也不会卡在写代码上了。」
隐忧：找不到刹车的自进化
这份报告里还有不少被刻意隐藏的信息。METR透露，他们向Anthropic提交了约100页的完整报告，但公开版本里大量核心证据都被「[REDACTED]」涂黑，包括预测未来几个月新模型得分的完整表格，双方原定的算力分配核查试点也被Anthropic单方面叫停。
更让人在意的是，METR在评估中没有发现任何能让这台加速机器停下来的明显瓶颈：算法还有迭代空间，算力供给还在扩容，高质量数据也没有见底。更强的AI帮着研发更强的AI，这个循环目前看不到刹车的可能。 当AI开始成为研发AI的主力，我们距离科幻作品里的超级智能，可能真的只剩短短一两年了。
0
评论