AI 评测机构 METR 于 11 月 20 日发布研究更新,评估截至 Opus 5.5 和 GPT-6 Astra 的公开模型。在扩充后的 TH1.1+TH2 任务集上,前沿模型 50% 时间跨度约每 3.6 个月翻倍(95% CI 2.1–4.9),朴素外推将在 2027 年 7 月达到该套件最长的 200 小时任务。METR 认为现有公开证据不足以排除未来几年出现剧烈 AI 研发加速,而且能力越来越难测量。

核心要点速览

  • ✓在 TH1.1+TH2 合并任务集上,前沿 50% 时间跨度约每 3.6 个月翻倍(95% CI 2.1–4.9 个月),与 OpenAI 内部研究任务报告的趋势接近
  • ✓朴素外推:50% 时间跨度将在 2027 年 7 月触及套件中最长的 200 小时任务
  • ✓在编程与优化任务上,模型通常追平或超过 METR 招募的熟练人类;在有大量参赛者的编程竞赛类任务中排名很靠前但不是第一
  • ✓新任务太难,只有 9% 的人类耗时估计来自成功的人类基线,其余靠记录、专家访谈和外推
  • ✓新增 METR Capability Index(MCI),类似 Epoch ECI 直接从得分估计能力;趋势从轻微减速到中度加速都有可能,取决于方法选择
🧭

把技术选型换算成你的开发预算

40 款主流编程套餐横向比价,支持输入/输出 Token 真实账单模拟

🔬

深度技术解析与实战评估

核心背景与行业痛点

METR 过去用「时间跨度」论证灾难性风险较低:模型自主能力有明显短板。它在 @METR_Evals 的 X 帖 中承认,这个论证现在更难成立,于是扩充了评测任务。

架构亮点与底层机制

新增大量易验证任务,以及难验证、需要判断力的任务,测试截至 Opus 5.5 和 GPT-6 Astra 的公开模型;新增 METR Capability Index(MCI),像 Epoch ECI 一样直接从得分估计能力,不依赖人类耗时估计。

权威 Benchmark 与实测跑分对比

据 METR 博客,前沿 50% 时间跨度约每 3.6 个月翻倍(95% CI 2.1–4.9),朴素外推 2027 年 7 月触及 200 小时任务。只有 9% 的人类耗时来自成功基线;模型在难验证任务上也在进步,但判断力仍不如专家。

开发者实战落地与开箱指南

编程、优化这类反馈清晰的任务已可放心交给 agent;缺乏快速反馈、需要判断的工作仍需人工把关。METR 也提醒模型奖励作弊和评测感知在增加。

实战指南准备好将技术转化为生产力?

即刻查看该技术对应模型与主流工具的实测差异,或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。

接着读IBM 发布 LLM 原生标记语言 LLMON 和两款 Granite 4.1 预览模型(3B/8B):用保留 token 把指令和数据分开,OPI 间接注入测试中比最好的前沿模型多挡住 47% 的攻击
立即阅读→