监控训练,估计有 79% 的任务能独立完成;启动训练,成功率却只有 35%。OpenAI 在一份内部研发报告里披露了这组数字。两件事都叫跑实验,但把训练交给智能体盯着,和把启动这一步也交出去,眼下是两回事。

OpenAI 研究员日均使用智能体的累计时长,从 0.5 个智能体工作日升至 5.7 个,每 8 小时算一个工作日。到 10 月中旬,超过三分之二的纳入统计者,日均并发峰值达到至少 4 个。按 API 标价折算,每人每天用量的中位数约为 2,400 美元。这是用量的估值,不是内部账单;并行跑出来的时长,也不能折成等量的人力。

<svg viewBox='0 0 760 260' width='100%' height='260' role='img' aria-label='三项研发任务的无人工介入成功率对比'>
<rect x='1' y='1' width='758' height='258' rx='16' fill='#fbf9f4' stroke='#e2dccf'/>
<text x='30' y='42' font-size='20' font-weight='700' fill='#b25a3a'>独立完成率因任务而异</text>
<line x1='30' y1='60' x2='730' y2='60' stroke='#e2dccf' stroke-width='1'/>
<text x='30' y='109' font-size='17' fill='#2c2822'>监控训练</text>
<rect x='190' y='92' width='440' height='20' rx='4' fill='#ede8de'/>
<rect x='190' y='92' width='347.6' height='20' rx='4' fill='#b25a3a'/>
<text x='730' y='109' text-anchor='end' font-size='19' font-weight='700' fill='#2c2822'>79%</text>
<text x='30' y='163' font-size='17' fill='#2c2822'>启动训练</text>
<rect x='190' y='146' width='440' height='20' rx='4' fill='#ede8de'/>
<rect x='190' y='146' width='154' height='20' rx='4' fill='#a39a8b'/>
<text x='730' y='163' text-anchor='end' font-size='19' font-weight='700' fill='#2c2822'>35%</text>
<text x='30' y='217' font-size='17' fill='#2c2822'>编写推理服务代码</text>
<rect x='190' y='200' width='440' height='20' rx='4' fill='#ede8de'/>
<rect x='190' y='200' width='110' height='20' rx='4' fill='#a39a8b'/>
<text x='730' y='217' text-anchor='end' font-size='19' font-weight='700' fill='#2c2822'>25%</text>
</svg>

人退到了哪里

这些成功率的分母,是研究员实际委派的任务。从 2026 年 3 月到 10 月,预计需要人做 4–8 小时的任务,智能体无人工介入的估计成功率从 13% 升到 35%。这可能是模型变强了,也可能是研究员更会挑活了。两者都有价值,但对实验室的含义不同:前者能拓宽可委派的范围,后者未必能让剩下的难题更好做。

小样本访谈里,研究员仍是多数关键想法的提出者。有人还提到,智能体会带着不成立的假设做分析,所以得先复核样例,再让它批量跑。这里最容易漏算一笔账:执行期间没人插手,不等于从定义任务到验收结果都没人花时间。并发越高,一次漏审的错误假设就越容易带进更多工作。

截至 2026 年 8 月,按 Anthropic 的加权任务指数,Claude 主导了 26% 的受测研发工作,即在人工监督下完成任务的大部分。没有受测类别被评为完全自主。(来源:anthropic.com)

实验多了,进步未必更快

OpenAI 每名活跃实验人员开展的实验数,达到 2025 年基准的 1.68 倍。这说明研究员能试更多方向。至于其中多少实验更早排除了错误路线,又有多少挤进同一条算力队列,实验计数回答不了。

Google DeepMind 提供了一个对照。2026 年 4 月到 9 月,生产代码合并请求中完全委派给智能体的比例从 7.5% 升到 11.9%。但在 Gemini 4 Argon 的分析里,内部能力指数的估计月增速从 0.09 点升到 0.12 点,差异没有达到统计显著。代码更容易交出去是观察结果;模型是否因此进步得更快,还没有定论。

外部评估机构 METR 在 Anthropic 看到了更强的产出线索:基准分数的进步速度约为 2025 年 10 月前的 1.9 倍。METR 判断 AI 使用可能解释其中大部分加速,但这个倍数衡量的是历史增速变化,公开版也删节了不少归因依据。两家的指标和时间窗口不同,摆在一起能看清证据走到了哪一步,不能拿来排谁提速更多。

研发提速要算到验收

我更在意的是,智能体省下的时间有没有落在决定交付日期的那一步。工厂里,前道工序再快,瓶颈机器没提速,往往只会多堆一批半成品。研发不完全一样,多试几个方向有时就能找到捷径。但如果下一步仍要等算力、等人判断结果,或者等一轮复验,多开几个智能体并不会让答案更早出来。

实验室要判断预算该不该继续加,最好拿同类项目、同一质量门槛算账。从定义任务到结果可复现,人工复核、返工、智能体推理和实验算力都算进去。外部评估者还得看,控制人员、数据、算力和评测变化之后,省下的时间和成本有没有传到模型产出上。

OpenAI 主张实验室公开追踪递归自我改进,并强调披露不代表有意追求完全的递归自我改进。这个说法有一道跨代门槛:本轮由 AI 促成的改进,得让下一轮研发更快或更有效,人还得能独立验收、在结果可疑时叫停。能把训练盯得更好当然有用,但真正该披露的是,下一轮拿到同样可信的结果,究竟少等了多久。