塔斯娱乐资讯网

Anthropic最强Model 4首次曝光!RSI狂飙2倍速

Anthropic内部模型Model4在AECI拿到178.6,超过公开的Opus5.5与Mythos5.1。METR的调查认为2025年10月之后模型能力增速约为此前的1.9倍,其中约80%来自AI参与研发工作。

如果一款内部模型在9到10月完成训练,AECI综合能力指数达到178.6,超过公开的Opus5.5和Mythos5.1,真正值得讨论的就不只是“Model4有多强”,而是模型研发速度本身是否正在加速。

METR最近发布的一份调查,把Anthropic内部未公开模型、研发自动化和能力增长趋势放在了一起。报告认为,2025年10月之后,Anthropic模型的能力进步速度约为此前的1.9倍;而这轮加速中,约80%可能来自AI对研发工作的参与。

这些信息主要来自第三方评测、内部访谈和公开风险文件,不能等同于Anthropic已正式发布Model4,也不能直接证明RSI已经发生。更适合把它看成一个工程预警:当Agent能够帮助研发更强的Agent,团队需要同时升级评测、权限和安全治理。

神秘Model4,AECI冲到178.6

METR在附录中列出了四款内部未公开模型:2022年训练完成的Unreleased2022、2026年7月训练完成的Model2、8到9月训练完成的Model3,以及9到10月刚完成训练的Model4。

Model4的AECI得分为178.6,高于公开模型Opus5.5的174.5和Mythos5.1的172.5。AECI可以理解为把多个能力基准折算成的综合指标,但它不是一个可以脱离测试集、任务分布和评测设置单独解释的“智力分数”。

Model4参加的15项基准测试,每一项正确率都超过50%。9个月前,Opus4.6还有不少测试无法过半。METR还发现其中15个测试有3个存在长尾过难或题目损坏的问题,剔除后重新计算,Model4的AECI可能再增加1.1分,达到179.7。

这类结果也提示评测工程的难度正在上升:当模型接近测试上限时,题目损坏、长尾样本和Token预算都会影响结论。下一代评测不能只增加题目数量,还要检查任务有效性、难度分布、污染风险和模型是否真正完成了任务。

一次任务消耗千万Token,现有考卷快压不住了

METR的调查还记录了Model4的Token消耗。普通基准任务平均消耗约250万输入Token和7万多输出Token;如果让Agent完成代码任务,单任务输入可能达到约1000万Token,输出也接近9.4万Token。

对于开发者来说,模型能力不能脱离任务成本评估。一次看似成功的代码任务,如果消耗了数百万Token、经历多轮工具调用和长时间等待,真实交付成本可能远高于单次API价格。

建议把Agent评测拆成四项:

完成质量:测试是否通过,代码是否可维护。

轨迹质量:工具调用是否有效,是否陷入重复循环。

资源成本:输入、输出、缓存、运行时间和并发占用。

人工成本:审查、返工、回滚和事故处理耗时。

如果模型一直刷题、刷代码或刷实验,却没有带来相应的有效产出,Token消耗越高不代表能力越强。模型越能自主执行,预算、停止条件和任务检查点就越重要。

2025年10月是能力增速的转折点

METR把2025年10月7日视为一个重要分界点。在此前的阶段,Anthropic模型AECI得分每年大约增长15分;从2025年10月开始,曲线变成每年增长约29分,增速约为过去的1.9倍,95%置信区间为1.5到2.8倍。

Anthropic今年8月的风险报告曾提出一种较温和的解释:增速变化可能只是新工具和新评测方法带来的一次性台阶。METR随后进行盲测,用Mythos5及更早模型的数据画出两条预测线,再去预测后续Model2、Model3、Opus5.5和Model4。

结果显示,在81%的统计抽样中,“长期持续提速”预测误差约1.9分,而“一次性跳涨”预测误差达到3.9分。这个结果更支持持续加速假设,但它仍然是统计模型对已有数据的解释,不是未来必然沿着同一曲线发展的证明。

80%的研发加速,可能来自AI自己

为了判断增速来源,METR把训练算力、算法和人员投入拆开分析。报告认为,2025年10月之后训练算力的增长率反而比此前更慢,因此不能简单把能力提升归因于堆算力。

真正值得关注的是研发自动化:METR估算,当前约两倍的研发加速中,大约80%来自AI对研发工作的辅助,其余才来自研究员数量增加和推理算力扩容。

这里的“AI辅助研发”不是一句宣传语,而是具体工作流变化:Agent写实验代码、运行基准、处理数据、生成评估结果,研究员可以同时启动多个方向,再决定哪些结果值得继续。

如果10个研究点子同时交给Agent试跑,研究瓶颈就会从“写代码”转向“想出好点子、判断结果和获得算力”。这会显著提高探索宽度,但也会带来更多无效实验、更多Token消耗和更高的安全审查压力。

内部研究员自报提速12倍,工作方式变了

METR通过内部非正式调查和Slack全员投票观察Anthropic研究员的工作变化。2025年春天使用Claude3.7Sonnet和Opus4时,研究员自报效率提升约1.3到1.4倍;今年6月使用Mythos5时,提速约5倍;10月使用Model4时,自报研发提速达到约12倍。

这些是自报数据,不应直接当作严格的生产效率指标,但可以帮助理解工作方式的变化。研究员经历了三个阶段:先把Claude当作自动补全,后来让单个Claude实例开发完整功能,再到同时指挥一群Agent并行跑实验。

内部悬赏鼓励研究员把平时不敢尝试的点子交给Agent。有人同时把10个研究想法交给系统,先观察哪个方向能跑出结果;有人表示,从想法到实验跑通的时间缩短了约80%。

这种模式的工程版本就是并行实验调度器:每个Agent在独立分支、独立环境和独立预算中运行,统一回收结果,由研究员比较指标后决定下一轮。没有隔离和预算控制,多Agent并行只会变成一组不可追踪的后台任务。

自进化为什么还没有刹车

METR向Anthropic提交了约100页完整报告,但公开版本删掉了大量核心证据,多个敏感位置出现[REDACTED]。这说明相关结论仍然存在信息不完整的问题,外界无法直接复核所有内部数据。

报告提出,未来12个月内,算法、算力和数据都没有出现明显的硬性瓶颈,能够让这台研发加速机器自然停下。更强的Claude帮研究员省下实验时间,省下来的时间又可以用于孵化更强的模型,反馈循环由此形成。

对开发者而言,最应该借鉴的不是“让AI自己变强”,而是把反馈闭环拆成可审计步骤:任务目标、工具权限、实验输入、模型输出、评估结果、人工判断和下一轮变化都要留痕。

给Agent研发流程补上四道闸门

当Agent参与模型研发时,至少需要四道独立闸门:

数据闸门:训练、评估和红队数据分开,防止测试集污染。

权限闸门:Agent只能访问任务所需目录、工具和临时凭据。

评估闸门:评估器、基准和停止条件不能由执行模型自行修改。

发布闸门:模型、代码、权重和安全策略变更必须经过人工审批和可回滚版本。

国内开发者如果需要将ClaudeCode等工具接入兼容API,可通过Code80(https://code.ai80.vip/home)配置endpoint;实验环境、模型权限、密钥、预算和生产审计仍应由项目侧管理。

常见问题

Model4已经正式发布了吗?

没有。Model4是METR调查中列出的Anthropic内部未公开模型,公开材料不足以证明Anthropic已正式发布或确认其完整能力。

AECI178.6代表模型全面领先吗?

不代表。AECI是综合评测指标,仍受基准选择、题目质量、Token预算和任务分布影响,需要结合真实任务成功率和独立复现判断。

研发速度翻倍等于AI已经自主研发模型了吗?

不等于。AI目前可以参与代码、实验、评估和数据处理,但研究目标、结果价值和发布决策仍需要人类判断。

为什么要关注Agent的Token成本?

因为长程研发任务会消耗大量输入和输出Token。只看一次任务是否成功,不统计工具调用、重试、运行时间和人工返工,容易低估真实成本。

如何在团队中安全使用研发Agent?

使用隔离分支、沙箱、路径白名单、短期凭据、任务预算、独立评估器、人工审批和完整审计日志,避免执行模型同时拥有研发和发布权限。

国内开发者如何接入兼容API?

可以通过Code80了解接入方式,同时自行管理模型权限、实验数据、密钥、工具网关和审计日志。