Anthropic神秘Model 4曝光：内部能力指数178.6，进化速度翻倍

Anthropic一直没对外露过面的神秘「Model 4」，这次被挖了出来。

训练是在9到10月间悄悄完成的，内部综合能力指数（AECI）冲到178.6，这个分数高得离谱，现有的一套考卷已经很难再衡量它了。

第三方评测机构METR今天公布了一份调查。

他们连续做了11周，翻查Anthropic内部的敏感数据，最终只落下一个判断——

Anthropic家模型的进化节奏已经管不住了，速度直接翻了一倍。

报告里最让人吃惊的，是下面这几组数字。

到10月为止，Anthropic在明确任务上的能力提升速度，已经达到2024年3月到2025年10月这段时间的2倍。

拐点出现在2025年10月。

打那之后，内部能力指数AECI的增长速度升到此前的1.9倍，过去要花两年走完的路，如今一年就够。。

更让人后背发凉的是，这轮猛涨有80%的动力来自AI自身。Claude正在自己动手，造出更强的Claude。

METR研究员Ryan Greenblatt说得很直接：「这份报告就是通向一两年内实现ASI的重磅信号」。

按这个势头推下去，「AI 2027」剧本里写的ASI，短短4个月后就会成真。

神秘Model 4浮出水面

15项基准测试全部过半

报告里最吸引眼球的，是一批Anthropic从未公开过的代号。

在附录部分，METR列出了4款内部没有发布的模型。

分别是2022年训练完成的「Unreleased 2022」、2026年7月完成的Model 2、8到9月完成的Model 3，以及9到10月刚出来的Model 4。

真正让全网炸开锅的，就是上个月刚训完的这款Model 4。

它在AECI上拿到178.6分，比公开模型Opus 5.5的174.5分和Mythos 5.1的172.5分都高出一截。

AECI好比大模型的「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。

单科成绩也值得一看：Model 4参加的15项基准测试，正确率项项超过50%。而在9个月前，Opus 4.6还有好几项基准没能过半。

不过，Model 4还没跑到自己的上限。

METR团队在报告里还做了一轮「除虫测试」：15项测试基准中，有3项被发现存在长尾过难或题目损坏的凹陷问题。

把这3项干扰基准拿掉、重新算一遍，Model 4的AECI得分还能再涨1.1分，达到179.7分。

连Token消耗量这一项，Anthropic内部测试也没能把Model 4的潜力完全用尽。

跑一次普通基准测试，单个任务平均要吃掉250万输入Token，生成7万多输出Token。

换成让Agent写代码，单个任务直接消耗整整1000万输入Token，输出也拉到9.4万Token。

让METR评测人员更头疼的是，现有考卷已经快测不出Model 4的极限了。

Anthropic在IPO前又更新了S-1招股书，专门加了一条风险提示，这也不奇怪。

按内部估算，后面的模型很快会碰到「AI显著加速研发」这条阈值——1年做完过去2年的活。

Model 4就是最直接的例子。图里那个Model 3，网友猜它就是传闻中的Mythos 5.5。

80%的加速来自AI自己

Model 4能拿到这么高的分，背后是模型进化的速度在明显变快。

历史性的拐点落在2025年10月7日。

在这条线之前，Anthropic模型的AECI得分每年大约涨15分。

2025年10月起，曲线直接向上猛拐，变成每年大涨29分，增速是过去的1.9倍（95%置信区间在1.5倍到2.8倍之间）。

Anthropic今年8月的风险报告里提过一种温和假设：这不过是启用新工具和新评测方法带来的一次性「台阶式跳跃」。

METR为此做了一组严格的盲测对比实验。

研究人员先用Mythos 5及更早模型的数据画出两条预测线，再对后来出炉的Model 2、Model 3、Opus 5.5和Model 4做盲测。

结果很清楚。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，比「一次性跳涨」更贴合真实数据；后者的误差高达3.9分。

2倍加速度意味着，过去短短1年里，Anthropic走完了过去整整2年的技术路程。

放到指数增长的维度看，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）。

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把「靠猛堆训练算力提速」这条路直接排除了。理由很明确：2025年10月以后，训练算力的增长速度反倒比之前更慢。

那提速的推手到底在哪？答案落在研发端。

按METR的估算，眼下这约2倍的研发加速里，大约80%来自AI自己给研发打辅助，研究员人数增加和推理算力扩容只占剩下的一小部分。

内部员工提速12倍

10个点子同时丢给Agent

Model 4外部还没人能亲手测试，Anthropic内部研究员每天怎么用，就成了唯一的观察窗口。

METR在报告里晒出了一张趋势图，数据来自Anthropic内部的非正式调查和Slack全员投票。

2025年春天，员工用的还是3.7 Sonnet和Opus 4，自报的效率提升只有1.3倍到1.4倍。

到今年6月的Mythos 5，这个自报数字跳到了5倍左右。

今年10月换上Model 4之后，员工自报的研发提速已经冲到约12倍；按指数拟合，相当于每年暴涨3.9倍。

这12倍究竟怎么来的？9月底，METR深度访谈了11位Anthropic一线技术研究员。

受访研究员J把工作流的变化划成三个阶段。

第一阶段，Claude的角色只是自动补全，顺手写点一次性小脚本。

第二阶段，人得在旁边盯着单个Claude实例，让它把完整功能开发出来。

第三阶段就是现在：内部搞起了「全面Claude化」，研究员同时指挥一大群Agent并行跑实验。

受访研究员C、D和E说，公司今年专门设了内部悬赏，鼓励大家把平时不敢碰的疯狂点子统统交给AI Agent去跑。

结果就是10个研究点子被同时扔进内部Agent系统，看哪个能先跑出结果。

受访研究员A说，手写代码做实验本来很费时间，有了Claude辅助，从冒出想法到跑通实验，时间少了80%。

这位研究员的原话是：

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估算自己整体快了3倍，感觉像手下忽然多出几个随叫随到的博士后和研究生。

最核心的模型训练设计，AI目前还没完全独自接手。不过多位受访研究员向METR证实，AI在核心训练上的自主贡献已经露出明显的「生命迹象」。

自进化找不到刹车

整份评估里最扎眼的一幕，藏在那些没有公开的页面上。

METR在官方帖子里说得很直接：交给Anthropic的完整报告大约有100页，可公开版本里，信息量最大的核心证据被删掉了大半。

公开版报告翻开来，敏感的地方几乎随处可见「［REDACTED］」的涂黑痕迹。

有一张表原本是用来预测Anthropic接下来几个月新模型的能力得分，结果连表带整段分析一起被整块涂黑。

METR的判断是，未来12个月内，算法、算力、数据这三条路上都看不到能让这台加速机器停下来的明显瓶颈。

Claude变得更强之后，研究员做实验的时间省下了80%，而这些省出来的时间，转头就被拿去孵化出得分178.6的Model 4。

问题是，人类手上现有的考卷，已经快不够它刷了。

瓶颈没看到，刹车也没找到。速度却还在翻倍。

参考资料：

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

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