METR时间视野图更新:编程任务表现突出,判断力任务仍偏弱

资讯 AI 科技快讯 作者:赢政天下 全文 1268 字 · 约 4 分钟读完 配图 1 张 分类METR产品更新模型发布AI 编程

METR发布其广受引用却常被误读的“时间视野图”更新版。新报告确认部分AI能力仍在指数级提升,模型能独立完成的任务时长持续延长;但报告同时揭示明显不对称——模型在编程任务上表现优异,在需要判断力的任务上却明显偏弱。这提醒业界,单一基准无法代表AI在开放式工作中的真实水平。

所属频道 产品更新模型发布AI 编程与开发
AI最被误解的图表更新:能力在涨,判断力没跟上
METR更新了那张被大量引用、也常被读错的“时间视野图”。新报告确认,部分AI能力仍沿指数轨迹上升,模型独立完成任务的时长在继续拉长;同时报告点出一处明显的不对称——编程任务上模型表现很好,需要判断力的任务上却明显偏弱。说到底,单看一个基准,代表不了AI在开放式工作里的真实水平。

在AI研究圈,有张图的知名度远高于人们对它的理解程度。分析师、投资人、政策制定者无数次引用它,几乎每次又都读偏。图出自AI评估非营利组织METR,名字叫“时间视野图”(time horizon plot)。11月21日,METR放出了这张图的最新版本,结论比过去更耐琢磨。

一张被反复误读的图表

METR全称Model Evaluation & Threat Research,是一家独立研究机构,专做前沿AI模型能力的测量。它最出名的贡献,是拿“时间视野”当尺子量AI:让模型去做一系列真实任务,同时记录人类专家完成同类任务要花多久,再看模型能稳定搞定多长时限的任务。按这个思路画出的曲线,就是时间视野图。

“时间视野”衡量的是AI能独立完成多长的任务,而不是AI有多聪明。

麻烦在于,这张图太容易被压成一句标题:“AI每七个月能力翻一番”。有人拿它推算AGI时间表,有人据此断言某个职业还剩几年寿命。METR自己却反复说明,时间视野只是特定任务分布上的一个统计量,没法直接推到所有认知劳动上去。

新报告:指数增长继续,但不均匀

最新报告确认了一个延续中的趋势:在可测量的任务范围内,部分AI能力还在沿指数轨迹往上走。换个说法,模型能独立完成的任务时长,仍在以可观的速度延长。对关心自动化前景的人来说,这个信号不能忽视。

不过报告也指出了一个关键的不对称:编程类任务上,模型的表现明显好于需要“判断力”的任务。判断力指的是什么?信息不完整时做取舍、看出任务里的隐含前提、判断什么事值得做、什么时候该停下来问人。这些能力很难写成清晰的评分标准,可恰恰是真实工作里最耗人心力的部分。

为什么编程成了“优等生”

编程任务天生适合被评估:对错明确,测试可以自动跑,社区里还有海量公开题目。模型在这类任务上进步快,一半是能力真在涨,另一半是测量本身更精确。反过来看,判断力类任务没有可验证的答案,评估成本高,进展就显得慢。

这里藏着一个被低估的风险:行业若只用编程基准追踪进展,就会系统性地高估AI在开放式工作中的准备程度。一个能通过高难度编程测试的模型,未必能在模糊的商业决策或伦理权衡里给出可靠判断。

编者按:别把统计曲线当成预言

时间视野图的价值,不是去预测哪一年AI会取代谁,而是提供一个可比较、可复现的观察窗口。它说明能力在涨,也说明涨得不均匀。真正该警惕的,不是指数曲线本身,而是把曲线当宿命的人。

对企业和管理部门来说,更务实的做法是:把“可验证任务”和“判断密集型任务”分开,分别评估自动化的收益与风险。对普通从业者来说,编程能力的商品化速度可能比预想更快,而判断力、跨领域整合与问责能力,仍是曲线难以捕获的部分。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 谷歌字节快手集体降价,AI视频进入分秒计价时代?

    (本文作者为 AIX财经,钛媒体经授权发布)文 | AIX财经,作者 | 王璐,编辑 | 魏佳AI视频行业正在靠近一个类似DeepSeek的时刻,模型能力差距收窄,价格被打到分/秒,创作者开始批量调用。11月初,谷歌把视频模型Gemini Omni 1.2 Flash转为正式版,不仅支持15秒视频生成和多轮对话式编辑等

    来源 腾讯网
  2. OpenAI开放GPT-Live-1.1 API:实时双向对话,智能体边聊边干活

    OpenAI 今日宣布向开发者开放 GPT-Live-1.1 API 语音模型,允许第三方开发者将其集成到自己的应用程序中,构建能够实时聆听、回应并执行复杂任务的 AI 语音智能体。 据 OpenAI 介绍,GPT-Live-1.1 是 GPT-Live-1 的升级版本,具备全双工语音交互能力,可以

    来源 AI 开发者社区
  3. Muse上线Instagram代取关:互关焦虑碰上AI助手

    Meta的AI助手Muse在Instagram上线新功能,可自动追踪并取关那些没有回关你的用户。有人拍手称快,终于能一键清算单向关注;也有人担忧,社交关系被算法量化和工具化。这场围绕“互关”的小气战争,折射出社交媒体时代长期存在的关系焦虑,也暴露出AI代理人类社交行为的伦理边界。

    来源 AI 科技快讯
  4. Gemini登陆Mac桌面:AI代理可代操作电脑,隐私风险几何?

    谷歌为Gemini推出面向Mac的重磅更新,首次将可执行任务的AI代理引入桌面端,能够整理文件、填写表单并完成多步骤工作流。这标志着Gemini从对话助手向“能动手”的操作型智能体进化,也意味着谷歌在桌面AI代理赛道正式与OpenAI、Anthropic和微软正面交锋。与此同时,桌面自动化带来的便利与隐私风险

    来源 AI 科技快讯
  5. 六款AI办公设备盘点:家庭办公室该添哪些硬件

    远程办公常态化让家庭办公室成为AI硬件的新战场。TechCrunch精选六款AI驱动设备——从智能记事本到AI网络摄像头,覆盖记录、沟通、照明与健康场景。本文梳理这些设备的核心功能与适用人群,并结合行业趋势分析AI办公硬件的演进逻辑:从单点工具走向场景协同,从效率提升转向体验重塑。对希望升级工作空间的用户而言

    来源 AI 科技快讯
  6. GPT-6.2 Astra登顶机器人榜单:OpenAI解散独立机器人团队

    GPT-6.2 Astra在真实机械臂测试中登顶,通用大模型直驱机器人的能力又进了一步。 据独立评测机构Artificial Analysis发布的AA-Robotics v0.1榜单,GPT-6.2 Astra得分79,完成8项物理任务中的6项。 不只是OpenAI的旗舰模型,能力相对较弱的GPT-6.2 Sol也得

    来源 AI 行业观察
  7. Gemini 4 翻身记:SemiAnalysis 补交道歉表,Hassabis 接梗

    曾断言 Gemini 掉队的研究机构 SemiAnalysis,在 Gemini 4 系列密集发布后向 Google 公开致歉。文章梳理 DeepMind 的组织调整、算力分配与长期研发积累,解析真实工程任务驱动的后训练如何提升编程和智能体能力。

    来源 爱范儿
  8. 秦淮数据联合腾讯等推出GW级AIDC柔性互联电气架构

    秦淮数据与清华大学领衔,联合北京大学、腾讯、南方电网数字电网研究院,共同发布“玄衡·GW级AIDC柔性互联电气架构”。面向极智运维新趋势,秦淮数据同步推出“黑灯数据中心”方案,推动运维模式实现从感知、分析到执行、决策的全景升级。

    来源 TechWeb
  9. 谷歌工程师让打印机跑2.7亿参数模型:每词元约60秒

    IT之家 11 月 20 日消息,谷歌 DeepMind 技术团队成员奥马尔 · 圣塞维耶罗(Omar Sanseviero)于 11 月 17 日在 X 平台发布推文,在只占用 14.1MB 内存的情况下,成功让办公激光打印机运行 2.7 亿参数的 Gemma 3 270M 模型,每输出一个词元(Token)消耗约

    来源 腾讯网
  10. 微信短剧审核新规:单集最低时长上调至 1 分钟,AI 制作证明视频 12 月起必填

    IT之家 11 月 20 日消息,据微信短剧内容中心今日发文,为持续建设优质短剧内容生态、提升用户观看体验,平台对短剧审核要求作出两项更新。IT之家整理如下: 一、上调短剧单集最低时长 公告称,为保护用户观看体验、建设优质短剧内容生态,平台将上调短剧单集最低时长标准:单集最低时长由原 45 秒调整至 1 分钟。 本次调

    来源 AI 行业观察
  11. 三星 One UI 9.5 天气应用测试 AI 提醒:出发前先看目的地天气

    手机天气应用向来是“你问我答”的工具——想看才点开,不看就安静躺在文件夹里。三星正打算改变这个被动姿态。据 SamMobile 11 月 19 日消息,One UI 9.5 首个 Beta 测试版中,天气应用正在酝酿一项 AI 升级:在你动身前往另一座城市之前,主动提醒先看看目的地的天气。 行程线索

    来源 AI 开发者社区
  12. 谷歌 Gemini 登陆 Mac:AI 可后台操控电脑,修图做 PPT 自动完成

    人工智能正从“动嘴皮子给建议”加速走向“动手帮你干活”。11月20日,谷歌正式为 macOS 版的 Gemini 应用推出了“电脑操控”(Computer Use)功能,让 AI 能够跨越桌面应用、本地文件以及网页环境,自主执行多步骤复杂任务。 后台独立运行不抢鼠标,支持实时预览与随时叫停 对于习惯

    来源 AI 开发者社区
  13. 影石Mic Pro与Wave接入腾讯WorkBuddy,录音可直接变任务

    IT之家 11 月 20 日消息,影石官方宣布,即日起,影石 Insta360 旗下旗舰级无线麦克风 Mic Pro 与 AI 录音全向麦克风 Wave 完成免费固件升级,原生接入腾讯 WorkBuddy。 升级后,Mic Pro 的录音可直接进入 AI 工作流,影石的音频产品也从「记录工具」延伸为 AI 办公的语音入

    来源 AI 行业观察
  14. 三星 One UI 9.5 天气 App 测试 AI 提醒:出发前先看目的地天气

    IT之家 11 月 20 日消息,科技媒体 SamMobile 昨日(11 月 19 日)发布博文,报道称在 One UI 9.5 首个 Beta 测试版中,三星正在为天气(Weather)应用酝酿 AI 升级,在用户出发前提醒其查看目的地天气。 IT之家援引博文介绍,系统识别到用户计划前往另一座城市后,天气应用会显示

    来源 AI 行业观察
  15. 英伟达投的AI Infra创企发模型工厂!支持数千卡集群训练万亿MoE

    智东西11月20日消息,昨日,美国AI Infra创企Prime Intellect宣布推出模型训练平台Model Factory,企业可根据平台支持的模型和算力配置,更新现成模型的全部参数,或从零训练新模型。该公司称,其底层强化学习框架prime-rl支持在千张以上GPU集群上训练万亿参数以上的MoE模型。

    来源 智东西
  16. 谷歌让AI自改运行框架:成功率由5%升至40%

    谷歌11月17日论文发现:只优化提示词,AI智能体成功率反从5%降至2.5%;而让优化模型直接改写其运行框架Harness,成功率升至40%,提升8倍。团队将仅142行的初始编程智能体拆成四块逐一改造,Harness负责上下文与记忆管理、多轮任务调度、工具调用及结果验证。结论是改框架比磨提示词更有效。

    来源 AI 产业速递
  17. 三星 One UI 9.5 天气应用升级:出发前主动提醒目的地天气

    三星拟在 One UI 9.5 首个 Beta 中为天气应用加入 AI 升级,改变其被动查询模式。系统将结合日历、航班等信息识别用户出行计划,在动身前往另一座城市前,主动提醒查看目的地天气,让天气服务从“你问我答”转向预判需求、提前推送。

    来源 AI 产业速递
  18. OpenAI用GPT-4o改芯片电路,AMD旗舰GPU能效最高提14%

    OpenAI 当地时间 18 日发布技术报告,披露 AI 辅助芯片设计进展。自研推理芯片 Jalapeño 2025 年初就交给 GPT-4o 打下手:模型重写浮点加法器、乘法器等电路,新乘法器综合后面积减约 15%、延迟压到一个时钟周期;合计向量计算单元面积减约 13%,矩阵计算单元减约 10%,

    来源 AI 开发者社区
  19. 腾讯WorkBuddy电脑操控能力上线:可识别页面并点击输入滚动

    IT之家 11 月 20 日消息,腾讯 WorkBuddy 今日宣布,WorkBuddy 上线电脑操控(Computer Use)能力。能识别当前页面,看懂客户端界面,进行点击、输入、滚动等操作,不需要目标软件开放接口,就能在后台操作。 IT之家获悉,电脑操控目前处于公测体验阶段,支持 macOS 和 Windows,

    来源 AI 行业观察
  20. WorkBuddy上线电脑操控:无接口软件也能点击输入,公测支持Win/macOS

    11月20日,WorkBuddy宣布上线电脑操控能力,可识别桌面应用界面并执行点击、输入和滚动,即使目标软件没有API、连接器或网页版,用户也能用自然语言指令完成查询、录入。该功能可用于老旧业务系统和未开放接口的软件,目前处于公测阶段,支持Windows和macOS,需升级至5.11.0及以上版本并授予相关系统权限。

    来源 凤凰科技
  21. 谷歌 Gemini 上线 Mac 电脑操控:后台干活,能修图做 PPT

    AI正从“给建议”转向“帮干活”。11月20日,谷歌为macOS版Gemini应用上线“电脑操控”功能,可跨桌面应用、本地文件和网页自主执行多步骤复杂任务。该功能后台独立运行,不抢占鼠标,并支持实时预览与随时叫停,缓解用户对AI接管电脑时“抢鼠标、乱点屏幕”的担忧。

    来源 AI 产业速递
  22. PHP 8.6 正式发布:部分函数应用落地,Io\Poll 接口支持高并发

    IT之家 11 月 20 日消息,PHP 开发团队昨日(11 月 19 日)发布 PHP 8.6,聚焦简化代码、优化并发处理和默认安全设置,并改善 JSON 编码等常用操作性能。 PHP 8.6 最受关注的新功能是“部分函数应用”:开发者可以先填入函数的一部分参数,把其余参数留待之后提供,生成一个可重复使用的新函数。例

    来源 AI 行业观察
  23. 腾讯WorkBuddy升级任务管理:分组取代空间,单组最多关联16个文件夹

    腾讯WorkBuddy于11月19日发布桌面端5.11.3及以上版本的任务管理升级,原「任务」更名为「最近」、「空间」升级为「分组」,左侧栏由按时间排列的任务列表转为按工作事项整合的工作目录。 用户可通过新建任务输入框下方的分组选择器、侧栏「分组」标题右侧或任务条目右侧的入口创建分组,拖拽即可归类,

    来源 AI 开发者社区
  24. AIE电子展2026:一展双城,诺奖得主与芯片掌门人同台聊什么?

    人工智能与制造业的关系,正在从“展示”走向“改造”。 过去两年,AI在产业端最直观的形象,是展台上会跳舞的人形机器人和能自动生成文案的模型。但当技术真正进入工厂、进入供应链、进入材料和芯片实验室,问题开始变得具体:算力够不够便宜、材料迭代跟不跟得上、AI的能耗由谁承担、芯片与整机如何协同升级。 这些问题的共同点是——没

    来源 AI 行业观察
向下滚动自动加载更多