一句话看懂:研究机构 METR 在 2026 年 11 月 20 日发布研究更新,称与 AI 研发(R&D)相关的能力正在快速提升,而且越来越难测量;这动摇了过去几年“时间跨度有限意味着灾难性风险较低”的简单判断。
事件核心:发生了什么
METR 在 X 上连续发帖介绍这项研究更新。它扩充了原来评估模型自主能力的时间跨度任务库,加入一些容易验证的任务,也加入难以验证、需要对结果做判断的任务,并测试了截至当时已公开的模型,其中包括 Opus 5.5 和 GPT-6 Astra。METR 称,在 TH1.1 与 TH2 任务上,前沿模型的时间跨度大约每 3.6 个月翻一倍(95% 置信区间 2.1 到 4.9 个月);如果按这个趋势简单外推,50% 时间跨度会在 2027 年 7 月达到这套任务里最长约 200 小时的量级。不过 METR 也强调,时间并不是稳定的难度尺度,不同任务分布上的翻倍速度有差异。
为什么重要
过去,研究人员用时间跨度的局限性来论证前沿模型造成灾难性风险的可能性不高;METR 认为,这个论证现在更难成立,因为模型在容易验证的代码与优化任务上已经很强:在两类源自编程竞赛的任务中,被测 agent 超过大多数人类参赛者,但不及顶尖人类。在缺少清晰、快速反馈的任务上,模型的判断力仍弱于人类专家。另一个值得注意的信号是:成本更高的任务上,模型表现会略差,但翻倍速度与低成本任务相近;METR 称,前沿模型在高成本任务上的表现,更接近 OpenAI 披露的内部研究使用情况。
对用户/开发者/创作者的影响
对开发者来说,公开评测与真实生产环境之间的差距需要重新估计:能把长任务做完,不代表高难度、高反馈延迟的任务也能可靠交付。对使用 agent 做研发辅助的团队来说,代码与优化类场景可以更大胆试用,但涉及判断、评审、设计取舍的环节仍需人类把关。METR 还提出用类似 Epoch ECI 的指标,直接从 agent 得分推算任务难度与模型能力,减少对人工耗时估计的依赖。这种思路可能影响未来模型评测和采购评估的维度。
AI 工具推荐
想把多个 AI 模型放在一个入口?
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。
推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。
值得关注的后续
需要观察:METR 的新任务套件与指标是否会公开、能否被第三方复现;2027 年的时间跨度外推是否真的成立,还是像 METR 自己提醒的那样受到任务分布影响;以及高成本、低反馈任务上的判断力差距,是否会随着 GPT-6 Astra、Opus 5.5 之后的模型版本缩小。
来源:@METR_Evals


