A\最强Model 4首次曝光！RSI狂飙2倍速

Anthropic藏得极深的神秘「Model 4」，曝光了！

9到10月秘密练完，内部综合能力指数（AECI）直接飙上178.6的逆天高分，现有的考卷已经快要压不住它了。

就在今天，第三方评测机构METR甩出重磅调查。

连肝11周，深挖Anthropic内部敏感数据，最后只得出了一个结论——

Anthropic模型的进化速度，已经彻底失控，直接原地翻倍。

报告里最炸的，是这几组数字。

截至10月，Anthropic在明确任务上的能力提升速度，已是2024年3月-2025年10月那段时间的2倍。

转折点，就落在2025年10月。

从那以后，内部能力指数AECI的增速直接拉到此前的1.9倍，一年就跑完了过去两年的路。

更恐怖的是，这波狂飙里，80%的推力居然来自AI自己！Claude正在亲手造出更强的Claude。

METR研究员Ryan Greenblatt直言，「这份报告就是通向一两年内实现ASI的重磅信号」。

照这个速度下去，「AI 2027」剧本里的ASI，在短短的4个月后就会彻底降临！

神秘Model 4突然现身

15张考卷刷爆50%

这份报告最抓眼的，就是一连串Anthropic从未公开过的神秘代号。

报告的附录中，METR列出了四款内部未公开模型。

它们分别是2022年练完的「Unreleased 2022」、2026年7月练完的Model 2、8–9月练完的Model 3，以及9–10月刚出炉的Model 4。

真正把全网点燃的，正是这款上个月刚训完的Model 4。

它在AECI上拿下了178.6分，远超公开模型Opus 5.5（174.5分）与Mythos 5.1（172.5分）。

AECI就像大模型的「高考总分」，把各科基准测试的卷面成绩折算成一个综合段位分。

再看单科，Model 4参加的15项基准测试，每一项正确率都过了50%。而就在9个月前，Opus 4.6还有不少基准没能过半。

但这还不是Model 4的真实极限！

METR团队甚至在报告里做了一次「除虫测试」，他们发现15个测试基准里有3个存在长尾过难或题目损坏的凹陷现象。

一旦把这3个干扰基准剔除重新计算，Model 4的AECI得分会进一步跳涨1.1分，冲上179.7分。

甚至在Token消耗量上，Anthropic内部测试也还没有把Model 4的潜能彻底榨干。

跑一次普通基准测试，单个任务平均就要消耗250万输入Token、生成7万多输出Token。

要是让Agent去写代码，单任务直接吃下整整1000万输入Token，输出也拉到9.4万Token。

更让METR评测人员感到棘手的是，现有的考卷已经快要测不出Model 4的极限了。

也难怪Anthropic在IPO前再次更新S-1招股书，专门新增了一条风险提示。

据内部估算，未来的模型很快就会触发「AI显著加速研发」阈值，1年就能干完过去2年的活儿。

Model 4就是最好的证明。至于图中的Model 3，网友推测它就是传闻中的Mythos 5.5。

80%加速是AI自己

Model 4能冲上如此高分，背后是模型进化的速度正在明显加快。

历史性拐点，停在了2025年10月7日。

在这条分界线之前，Anthropic模型的AECI得分每年大约上涨15分。

从2025年10月开始，这条曲线的走势直接猛拐向上，变成每年大涨29分，增速达到过去的1.9倍（95%置信区间在1.5倍到2.8倍之间）。

Anthropic曾在今年8月的风险报告里提出一种温和假设，认为这只是启用新工具和新评测方法带来的一次性「台阶式跳跃」。

于是METR做了一组严格的盲测对比实验。

研究人员用Mythos 5及更早的模型数据画出两条预测线，再去盲测后来出炉的Model 2、Model 3、Opus 5.5和Model 4。

结果非常清晰。在81%的统计抽样中，按「长期持续提速」预测的误差只有1.9分，远比「一次性跳涨」更吻合真实数据。后者的误差高达3.9分。

2倍加速度，也就意味着过去短短1年时间里，Anthropic走完了过去整整2年的技术路程！

如果放在指数增长的维度下，原本每年翻3倍的指标，在2倍加速度下会变成每年狂翻9倍（3^2）！

为了查清这股推力从哪来，METR把算力、算法和人员投入拆开算了一笔总账。

METR明确排除了「靠猛堆训练算力提速」的可能，因为2025年10月之后训练算力的增长率反而比以前更慢。

真正的推手落在了研发端。

METR估算，当前约2倍的研发加速中，大约80%都来自AI自身的研发辅助，剩下的小部分才来自研究员人数增加和推理算力扩容。

内部员工提速12倍

10个点子同时丢给Agent

既然外部还没有人能亲手测试Model 4，Anthropic内部研究员的日常实测就成了唯一的窗口。

METR在报告里公开了一张Anthropic内部非正式调查与Slack全员投票的趋势图。

2025年春天用3.7 Sonnet和Opus 4时，员工自报的效率提升还只有1.3倍到1.4倍。

到了今年6月的Mythos 5，自报提速跳到了5倍左右。

等到今年10月用上Model 4，员工自报的研发提速已经冲到了约12倍，按指数拟合相当于每年暴涨3.9倍。

为了搞清这12倍是怎么来的，METR在9月底深度访谈了11位Anthropic一线技术研究员。

受访研究员J用三个阶段概括了他们工作流的变化。

第一阶段只是拿Claude当自动补全，顺手写点一次性小脚本。

第二阶段变成人类在旁边盯着单个Claude实例，让它开发完整功能。

到了现在的第三阶段，内部掀起了「全面Claude化」运动，研究员开始同时指挥一大群Agent并行跑实验。

受访研究员C、D和E透露，公司今年专门发起了内部悬赏，鼓励大家把平时不敢试的疯狂点子全交给AI Agent去跑。

于是大家直接把10个研究点子同时丢给内部Agent系统，看看哪个能跑出结果。

受访研究员A表示，手写代码做实验原本很耗时间，靠Claude辅助后，从冒出想法到跑通实验的时间缩短了80%。

用这位研究员自己的话说：

我现在只卡在点子和算力上，再也不会卡在写代码上了。

受访研究员B则估算自己整体提速了3倍，感觉就像手下突然多了几个随叫随到的博士后和研究生。

目前AI还没有完全独自接管最核心的模型训练设计，但多位受访研究员向METR证实，AI自主贡献核心训练已经出现了明显的「生命迹象」。

自进化找不到刹车

整份评估里最具冲突感的一幕，藏在那些没有公开的页面里。

METR在官方帖中直言，他们向Anthropic提交了约100页的完整报告，但Anthropic在公开版中删掉了大部分信息量最大的核心证据。

翻开公开版报告，敏感位置到处都是「［REDACTED］」涂黑标记。

其中一张原本用来预测Anthropic未来几个月新模型能力得分的表格，连同整段分析被整块涂黑。

在METR看来，未来12个月内，无论是算法、算力还是数据，都没有看到任何会让这台加速机器停下来的明显瓶颈。

更强的Claude帮研究员省下80%的实验时间，省下来的时间立刻被用来孵化178.6分的Model 4。

而人类现有的考卷，已经快不够它刷了。

没看到瓶颈，也没找到刹车。而速度，还在翻倍。

参考资料：

https://x.com/METR_Evals/status/2118412183860351084

https://x.com/deredleritt3r/status/2118422855549358552

文章来自于微信公众号 “新智元”，作者 “新智元”