OpenAI与Anthropic模型被指挑战AI时间尺度评估

浏览：1次阅读

OpenAI 与 Anthropic 的模型被一则最新报道置于“时间尺度”评估争议的中心。报道标题称，两家公司的 AI 模型正在挑战既有指数对于时间的假设；但截至目前，公开线索没有披露所指指数的完整名称、测试任务、模型版本、成功率阈值或原始结果。问题因此不应被简化为“模型能自主工作更久”，而是评测体系能否准确描述模型在不同任务中的可靠边界。

这属于 行业趋势与模型评测方法 议题。本文的核心判断有二：其一，任何以“人类完成任务所需时间”概括模型能力的指标，都必须同时交代任务分布和成功率，否则容易被误读为通用能力结论；其二，前沿模型间的竞争正在从单点基准分数延伸到代理系统能否稳定完成长链路任务，而这对企业采购、安全评估和产品承诺的影响更直接。

Cryptopolitan 于 2026 年 10 月 28 日发布的报道标题称，OpenAI 与 Anthropic 的 AI 模型正在挑战某项指数对时间的既有假设。现有 RSS 摘要未提供指数细节，也没有列出参与比较的具体模型、实验设置、数据集与结果，因此该说法目前只能视为待进一步核验的媒体线索，不能直接等同于两家公司公布了新的能力纪录。([news.google.com](https://news.google.com/rss/articles/CBMirgFBVV95cUxOOUNqRkdZMW44M1RPVUVzb0F5RWVEWE4yb1dlbVRib0I1Z3RUQ3dBNk9VdkltLTJieEJwVmZfdDMwVnB3b1VJVVM3X2VSNGIzMkxESy1yRTNSc2RzekxPY3drU3pUNjU1TEpmNFpmMnBsUG1SbERxMUsxVFBlazRtUDdyYTZLazdiZ3BRSWczMnlEcU5LZE5McUhibU9pbXJSSlg5QVJfZFg5alRrLWc?oc=5))

不过，标题所指向的问题并不陌生。以“时间”为单位的 AI 评估，通常不是测量模型实际运行了多少分钟，而是将任务难度映射为人类专家完成同类任务所需的时间，再观察 AI 代理在某一成功率下能够解决多长任务。METR 对“任务完成时间尺度”的定义正是如此：50% 时间尺度表示模型预计有一半概率完成的任务长度，而非模型可以无监督运行同样长的真实时间。([metr.org](https://metr.org/time-horizons/?utm_source=openai))

时间尺度指标的价值在于，它试图把零散的代码、网络安全和机器学习任务结果压缩成一条更易比较的曲线。但压缩也会带来代价：同样标注为“两小时”的任务，可能在信息完整度、工具权限、环境稳定性和验收标准上差异很大。模型在定义清晰、可自动验收的封闭任务中表现提升，并不自动意味着它能在企业真实流程中连续处理两小时的模糊需求、跨系统协作和异常情况。

METR 也明确提示，其公开时间尺度任务主要来自软件工程、机器学习与网络安全领域；时间尺度在不同经济任务中的绝对数值可能相差很大。该机构还说明，50% 成功率不是“完成所有同等时长任务”的保证，而是基于任务集拟合出的概率估计。([metr.org](https://metr.org/time-horizons/?utm_source=openai)) 这意味着，如果新报道所称“挑战既有假设”成立，最需要被检验的不是单个指数是否更高，而是原有任务集是否已出现饱和、曲线拟合是否仍稳健，以及新模型是否改变了失败模式。

对 OpenAI、Anthropic 及其他前沿模型公司而言，长任务能力的商业含义并不在于宣传“可替代多少小时工作”，而在于能否把复杂工作流拆成可验证的步骤，并在失败时恢复、求助或停止。企业用户购买的不是一次性演示，而是可审计的交付：任务完成率、返工成本、人工复核比例和权限边界，往往比单一基准分数更接近实际价值。

因此，评测指标若开始挑战既有时间假设，可能带来两类变化。第一，模型发布将更需要披露代理脚手架、工具调用、上下文限制和重复运行策略；这些配置会显著影响结果，脱离配置谈模型“时间尺度”容易失真。第二，安全评估不能仅按能力增长速度外推，还要关注更长任务链条下的错误累积、奖励投机与越权工具调用。METR 在其方法说明中指出，较长任务的测量本身更容易受任务集覆盖与评估可靠性限制影响。([metr.org](https://metr.org/time-horizons/?utm_source=openai))

这条线索最值得警惕的地方，是市场很容易把“时间尺度上升”翻译成“通用自主性上升”。两者并不等价。前者是特定评测框架下、特定成功率阈值与任务分布中的统计结果；后者则涉及模型在开放环境、长期记忆、持续规划、权限治理和现实责任中的综合表现。若原始报告没有说明这些边界，标题所带来的冲击力不应替代证据本身。

另一个判断是，前沿实验室之间的评测竞争会进一步推动“可靠性分层”。50% 成功率适合展示能力前沿，却不一定适合直接进入生产流程；面向高风险业务，企业更需要更高成功率下的任务范围、失败后的可恢复性，以及人工接管机制。METR 公开页面同时展示 50% 与 80% 时间尺度，也反映出同一模型在不同可靠性门槛下的能力边界并不相同。([metr.org](https://metr.org/time-horizons/?utm_source=openai))

指数与原始材料：确认报道所称指数的正式名称、研究主体、论文或数据页面，避免将媒体标题当作方法结论。
模型与配置：核实 OpenAI 和 Anthropic 涉及的具体模型版本、代理框架、工具权限、推理预算与提示策略。
任务与阈值：确认任务是否覆盖开放环境，采用 50%、80% 还是其他成功率门槛，以及失败样本如何处理。
趋势是否可复现：比较不同任务集、不同评测机构和多次运行结果，判断变化来自模型能力、评测更新，还是任务集饱和。

Cryptopolitan，2026 年 10 月 28 日报道标题：OpenAI 与 Anthropic 的 AI 模型挑战指数对既有时间假设的挑战；现有公开 RSS 摘要未披露指数细节。([news.google.com](https://news.google.com/rss/articles/CBMirgFBVV95cUxOOUNqRkdZMW44M1RPVUVzb0F5RWVEWE4yb1dlbVRib0I1Z3RUQ3dBNk9VdkltLTJieEJwVmZfdDMwVnB3b1VJVVM3X2VSNGIzMkxESy1yRTNSc2RzekxPY3drU3pUNjU1TEpmNFpmMnBsUG1SbERxMUsxVFBlazRtUDdyYTZLazdiZ3BRSWczMnlEcU5LZE5McUhibU9pbXJSSlg5QVJfZFg5alRrLWc?oc=5))
METR，《Task-Completion Time Horizons of Frontier AI Models》：说明时间尺度的定义、任务范围与方法限制。([metr.org](https://metr.org/time-horizons/?utm_source=openai))
METR，《Time Horizon 1.1》：介绍扩大任务集及评测基础设施调整。([metr.org](https://metr.org/blog/2026-01-29-time-horizon-1-1/?trk=public_post_comment-text&utm_source=openai))

正文完