一句话总结：独立机构 METR 评估后认为 Anthropic 自 2025 年 10 月以来的能力进步速度是先前的 1.9 倍（95% 置信区间 1.5–2.8），但 Anthropic 删减了部分关键证据，公开材料不足以独立重建计算过程。
11 月 5 日，METR 发布了一份对 Anthropic 的评估。
结论先说：Anthropic 内部能力的进步速度，大约是 2024 到 2025 年那一波的 1.9 倍。
这个数字不是 Anthropic 自己报的，是独立机构算的。听起来比厂商自吹可信。
但这份评估里有一个细节，比 1.9 这个数更值得注意。
这份评估测的是什么
先明确对象：不是"模型变强了多少"，是"能力进步的速度变了多少"。
METR 用了三类材料：Anthropic 内部的模型指标、员工访谈、研发流程数据。评估的窗口是 2025 年 10 月之后。
它想回答的问题是：AI 辅助研发有没有让"造出下一代模型"这件事变快。如果答案是肯定的，就意味着迭代周期在缩短——这对预测未来一两年的模型节奏影响很大。
1.9 倍的置信区间：1.5 到 2.8
图 1：横轴为相对先前速度的倍数。1.0 是"和先前一样快"的参照线，95% 置信区间为 1.5–2.8。数据来源：METR 评估报告（2026-11-05）
95% 置信区间是 1.5 到 2.8。
这个区间宽得值得停下来想一想。1.5 倍和 2.8 倍是完全不同的两个结论：
- 如果是 1.5，说明 AI 辅助研发有一点用，但迭代周期只缩短了三分之一
- 如果是 2.8，说明迭代周期接近腰斩，下一代模型会明显提前
区间宽意味着数据不够，或者数据噪声大。METR 敢把区间标出来，比给一个漂亮点数更诚实。
「约 80%」是主观归因
报告里还有一句更容易被摘出来传播的话：AI 辅助研发可能解释了当前加速的大部分，约 80%。
METR 自己给这句话的定性是：带有显著不确定性的主观归因。
翻译一下：80% 不是算出来的，是受访者估计的。员工被问"你觉得 AI 帮了多少"，答了一个数，METR 把它记下来了。
主观归因不是没用，它提供方向。但它不能当证据用——人对自己效率的估计，偏差是出了名的大。PLE 那个工程基准用的也是专家出题加专家评审的组合，同样的坑：评审的人自带立场。
被删掉的证据意味着什么
这是整份评估里最扎眼的一条：Anthropic 对部分关键证据进行了删减，公开材料不足以独立重建全部计算过程。
换句话说，METR 拿到的材料是被剪过的。1.9 这个数，外人无法从头算一遍。
这带来一个结构性的尴尬：评估方是独立的，数据是被评方给的，而且给的是删节版。
这类评估有个专有难题——被评的模型和能力本身就是被评方的商业机密，全公开等于泄密。但删太多，评估就退化成"我对你说什么你信什么"。
METR 的处理是把删减本身写进报告。这份诚实值得肯定，但它也划出了这类评估的天花板：你最多只能信到数据允许的程度。
被评方拿着红笔的评估还有多可信
把这份评估放到一个谱系上看：
一端是厂商自报。模型卡上那些 SOTA 字样，全是自己的 benchmark 自己跑。
另一端是全公开可复现。论文附带代码和数据，谁都能从头跑。
METR 这份在中间偏可信的一侧：评估方独立、方法论公开、但底层材料被评方掌管。
对读者来说，实际的操作是：把 1.9 倍当作"方向可信、数值存疑"的信号。方向是"Anthropic 在加速"，这个有多方旁证；数值是 1.5 还是 2.8，现在下不了结论。
关于 METR 评估的五个问题
METR 是谁？ 一家专门评估 AI 能力与风险的独立机构，之前以测评模型自主完成任务的水平出名。
1.9 倍是快了还是慢了？ 是加速：能力进步的速度变成先前的 1.9 倍。不是"能力是 1.9 倍"。
为什么窗口从 2025 年 10 月算起？ 报告没细说，大概率对齐了 Claude 某个内部版本的上线时间。
删掉了多少？ 报告只说"部分关键证据"。删了什么、为什么删，公开材料没有。
这能预测下一代模型的时间吗？ 不能直接推。区间太宽，而且加速是否持续本身是外推。
结语
这份评估的看点不是 1.9，是它的读法。
一个独立机构，用被评方删节过的材料，给出一个区间宽到 1.5–2.8 的结论，并且把"证据不足"明明白白写出来。这在当下的 AI 报道里算稀有物种。
上周写 Realtime-Bench 时提过一句：看到任何能力数字，先问是哪种时钟。这篇补一句：还要问是谁数的、按什么口径数的、材料给全了没有。
数字本身会过期，这三个问题不会。
参考资料
- 参考资料
发表评论
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。