AI 能扛的任务时长每 3.6 个月翻一倍,专家快测已经看不准安全底数

先说核心结论:独立评测机构 METR 在 2026 年 11 月 20 日更新的第四季度能力报告里测出一个关键数字 —— 前沿 AI 智能体(Agent)能独立端到端完成的任务长度,合并 TH1.1 与新 TH2 两套题库后,大约每 3.61 个月(约 110 天)翻一倍,95% 置信区间为 2.08–4.94 个月,覆盖模型一路测到 Anthropic Opus 5.5 和 OpenAI GPT-6 Astra。FourWeekMBA 但同一批报告也捅破了一层窗户纸:可验证的编程、优化任务上模型已经追平甚至超过熟练人类,专家靠 "快测" 判断 "安不安全" 越来越不准—— 旧题库一年内被做穿、新题库缺人类实测锚点、置信区间宽到跨一个数量级,而在反馈慢、没有标准答案的判断类任务上,模型反而不如人类专家。CASRAI 这意味着安全评估的口径,正在从 "能力够不够" 转向 "判断力够不够、测得准不准"。

一、这次到底测了什么:任务时长(Time Horizon)是什么

  • 指标定义:50% 任务完成时间视野,即 "一个人类专家平均要花多少小时完成的任务,AI 能以 50% 成功率独立做完",用人类工时做难度标尺,而不是看题库分数。
  • 两套题库:
  • TH1.1:222 个旧任务,最长到 30 小时,2025 年 3 月首发时最佳模型(Sonnet 3.7)大约只有 1 小时水平,一年内就被前沿模型整体饱和(做穿)。
  • TH2:36 个新任务、12 个任务族,其中 8 个 "可验证" 族(优化、机器学习、谜题、游戏),4 个 "难验证 + 判断" 族(概念推理、判断、开放式研究)。
  • 实测样本:跑了 15 个模型,从 GPT-4o、o1 一直到 Opus 5.5、GPT-6 Astra。

二、翻倍曲线:3.61 个月是怎么来的

口径翻倍周期95% 置信区间说明
TH1.1 + TH2 合并(主结论)3.61 个月(110 天)2.08–4.94 个月与旧 TH1.1 的 105 天趋势接近
TH2 可验证子集1.65 个月0.79–3.99 个月更快但噪声大,可能受任务多样性干扰,属推测
旧 TH1.1 单独约 3.5 个月(105 天)—已被模型饱和,锚点变少

几个硬数据点:

  • 可验证任务上,当前公开前沿模型估计最高约 27 小时人类等效任务时长。
  • 按这条曲线 "天真外推",模型在 2027 年 7 月可能摸到题库最长阈值 200 小时;METR 明确声明这只是外推,不是预测。
  • 15 场多月周期的 Al Zimmermann 编程优化赛里,最强模型(Fable 5.1、Opus 5.5、GPT-6 Astra)中位数落在人类参赛者第 96–98 百分位,但赢不了最顶尖的那一小撮人。
  • MirrorCode 复现任务上,Opus 5.5 能解决 77% 需要人类专家数周到数月的中大型程序。

三、为什么 "专家快测" 开始看不准:四个测量痛点

  1. 旧题库饱和做穿:TH1.1 最长 30 小时的任务,模型一年内全部吃透,再测得到的是天花板而不是真实能力,必须不断造更难的新题。
  2. 新题缺人类锚点:TH2 的 36 个任务里,只有 3 个有真实人类基线,其余 31 个靠研究者根据公开记录(如 NanoGPT 速通纪录)估计时长,估计偏差会直接带进翻倍曲线。
  3. 置信区间极宽:以 GPT-6 Astra 的 50% 时间视野为例,点估计约 40 小时,区间却是 13–2645 小时,跨了近两个数量级;点数字好看,区间根本不敢拿来下安全结论。
  4. 找不到能跑赢模型的人类基线:METR 招募人类对照者时,常常招不到能超过当前前沿模型的人,"人比模型强" 这条基准线本身正在消失,快测失去参照。

四、安全层面的真正缺口:可验证的事变强,判断的事掉队

  • 可验证侧(答案能自动判对错):编程、优化、黑客类任务模型已经很强,METR 直言 "已经没法再用 ' 在可验证软件工程任务上能力不足 ' 来论证风险很低"。
  • 判断侧(反馈慢、没有快速对错信号):开放式研究、概念推理任务上,模型判断力明显不如人类专家;让模型当评委给其他模型的产物打分时,面对同等级或更强模型的输出会系统性打高分,Opus 5.5 评 GPT-6 Astra 的任务平均比人类专家高约 0.2/1。
  • 成本维度:一个任务转成可自动评分的训练环境,生命周期成本翻倍,难度大约相当于把智能体时间视野砍半;成本越高的题,模型表现越差。
  • METR 的态度:公开证据既不能排除未来几年 AI 研发被剧烈加速,也无法确认这种加速会发生,对 "到底哪些能力决定加速、这些能力提升多快" 仍保持重大不确定。

五、对落地者怎么用这套数据(可直接照做的判断流程)

  1. 先分档:把自己的真实任务分成 "可自动验证" 和 "反馈慢的判断类" 两类,不要拿编程赛成绩套研究决策。
  2. 验一周:换模型前,用三类真实任务小批量实测,别整批替换。
  3. 看区间不看点:只看翻倍月数和点估计会被误导,必须同时看置信区间和题库饱和程度。
  4. 补人工复核:判断类、高代价、不可逆操作,保留人类专家复核环节,别让模型自评分。
  5. 按季度复盘规划:能力每 3.6 个月翻一倍,按年做 AI 规划会严重落后,预算和验收改成季度滚动。

整体看,3.6 个月翻倍说明可验证长任务能力确实在指数前进,但 "测得准" 和 "判断对" 没跟上:旧题做穿、新题缺人测、区间宽、判断弱,专家快测给不出可靠安全底数,安全评估必须换成 "长题库 + 人工判断 + 成本口径" 的组合,而不是只盯一条翻倍曲线。

【相关 FAQ】

问题 1:METR 报告里说的 AI 任务时长每 3.6 个月翻倍,具体指什么?

回答 1:指 50% 任务完成时间视野,即人类专家要花 X 小时完成的任务,AI 以 50% 成功率独立做完的那个 X,在 TH1.1+TH2 合并题库上约每 3.61 个月翻一倍,这就是这次 3.6 个月翻倍的口径,不是说模型连续运行时间翻倍。

问题 2:为什么说专家快测 AI 安全已经测不准了?

回答 2:专家快测不准主要因为三点:旧题库一年内被模型做穿、新题库只有极少数任务有人类实测锚点、置信区间宽到跨数量级,加上找不到跑赢模型的人类基线,所以靠一次快测判断 3.6 个月翻倍下的安全底数不可靠。

问题 3:AI 任务时长翻倍到什么程度,是不是马上就能独立干几个月的项目了?

回答 3:不是。当前可验证任务最高约 27 小时,3.6 个月翻倍只是趋势外推,2027 年 7 月摸到 200 小时是 METR 的 "天真外推" 而非预测,且判断类任务模型仍落后人类专家,几个月的完整研究项目短期内仍需人把关。

问题 4:3.6 个月翻倍的曲线在不同任务类型上速度一样吗?

回答 4:不一样。合并题库是 3.61 个月翻倍,TH2 可验证子集快到 1.65 个月但噪声大、口径存疑,而反馈慢、难验证的判断类任务没有可靠的翻倍趋势,专家判断仍是短板。

问题 5:企业做 AI 规划,怎么应对任务时长每 3.6 个月翻倍?

回答 5:别按年定规划,改成按季度复盘,预算分两笔、验收加专家复核;先按任务可验证性分档,小批量实测一周再扩量,因为快测不准,必须用真实任务和区间数据做决策。

【参考资料】

[2026-11-22](AI Native 转型经验|AI 能干的活每 3.6 个月翻一番:企业 AI 规划别按年定,改成按季度复盘)猎豹 AI 实战派

[2026-11-22](METR 发布 Time Horizons 2.0:AI 智能体任务时长每 3.6 个月翻倍)88Z.ai

[2026-11-21](METR TH2 AI Time Horizons & Research Judgment)CASRAI

[2026-11-21](METR: KI-Zeithorizonte verdoppeln sich in 3,6 Monaten, beim Urteilen liegen Experten vorn)Times of AI

[2026-11-21](METR 更新:AI 任务时间视野 3.6 个月翻倍)AI 工具宝箱

[2026-11-21](METR:AI 任务时长约 3.6 个月翻一倍,旧题库一年内被做穿)Cocoloop

[2026-11-20](METR finds AI models usually match or beat skilled humans, with time horizons doubling every 3.6 months)AI.info

[2026-11-20](METR: Claude, GPT-6 Task Horizons Double Every 3.6 Months)FourWeekMBA

[2026-11-20](AI R&D-relevant model capabilities are improving rapidly and are getting harder to measure)METR

[2026-10-28](中国信通院 "智能体长程任务安全" 首批评估正式启动)鲸智社区・大模型公共服务平台

【免责声明】

本文内容基于 METR 2026 年 11 月 20 日公开报告及多家媒体公开报道整理,所有能力数字、翻倍周期、置信区间均为 METR 在特定题库下的测量结果与统计外推,不代表对未来模型能力的预测,也不构成任何投资、采购或安全合规决策建议;AI 能力与安全评估仍在快速变化,请以机构最新原始报告为准。

本文来自作者[隧海巡检师]投稿,不代表岳鹿科技网立场,如若转载,请注明出处:https://www.newsyuelu.com/rgzn/202611/2778.html

赞 (0)
反馈

发表回复

本站作者后才能评论

评论列表(4条)

  • 隧海巡检师
    隧海巡检师 2026年11月22日

    我是岳鹿科技网的签约作者“隧海巡检师”!

  • 隧海巡检师
    隧海巡检师 2026年11月22日

    希望本篇文章《AI 能扛的任务时长每 3.6 个月翻一倍,专家快测已经看不准安全底数》能对你有所帮助!

  • 隧海巡检师
    隧海巡检师 2026年11月22日

    本站[岳鹿科技网]内容主要涵盖:互联网行业的追踪与探索

  • 隧海巡检师
    隧海巡检师 2026年11月22日

    本文概览:先说核心结论:独立评测机构 METR 在 2026 年 11 月 20 日更新的第四季度能力报告里测出一个关键数字 —— 前沿 AI 智能体(Agent)能独立端到端完成的任务长度,合并 TH1.1 与新 TH2 两套题库后,大约每 3.61 个月(约 110 天)翻一倍,95% 置信区间为 2.08–4.94 个月,覆盖模型一路测到 Anthropic Opus 5.5 和 OpenAI GPT-6 Astra。FourWeekMBA 但同一批报告也捅破了一层窗户纸:可验证的编程、优化任务上模型已经追平甚至超过熟练人类,专家靠 "快测 " 判断 "安不安全 " 越来越不准—— 旧题库一年内被做穿、新题库缺人类实测锚点、置信区间宽到跨一个数量级,而在反馈慢、没有标准答案的判断类任务上,模型反而不如人类专家。CASRAI 这意味着安全评估的口径,正在从 "能力够不够 " 转向 "判断力够不够、测得准不准 "。

联系我们

联系:143 0457 151

工作时间:周一至周五,9:30-18:30,节假日休息

关注我们