Anthropic最强Model 4首次曝光！RSI狂飙2倍速 | 人人都是规划经理

要点

• 如果一款内部模型在 9 到 10 月完成训练，AECI 综合能力指数达到 178.6，超过公开的 Opus 5.5 和
• METR 最近发布的一份调查，把 Anthropic 内部未公开模型、研发自动化和能力增长潮流放在了一起。报告认为，20
• 这些内容主要来自第三方评测、内部访谈和公开危险文件，不能等同于 Anthropic 已正式发布 Model 4，也不能直

网站收录慢建议按诊断、规划、执行、复盘四步走，每一步都要有可交付的东西。✈️@zhiyudata

如果一款内部模型在 9 到 10 月完成训练，AECI 综合能力指数达到 178.6，超过公开的 Opus 5.5 和 Mythos 5.1，真正值得讨论的就不只是“Model 4 有多强”，而是模型研发速度本身是否正在加速。

METR 最近发布的一份调查，把 Anthropic 内部未公开模型、研发自动化和能力增长潮流放在了一起。报告认为，2025 年 10 月之后，Anthropic 模型的能力进步速度约为此前的 1.9 倍；而这轮加速中，约 80% 可能来自 AI 对研发工作的参与。

这些资讯主要来自第三方评测、内部访谈和公开变数文件，不能等同于 Anthropic 已正式发布 Model 4，也不能直接证明 RSI 已经发生。更适合把它看成一个工程预警：当 Agent 能够帮助研发更强的 Agent，小组需要同时升级评测、权限和安全治理。

METR 在附录中列出了四款内部未公开模型：2022 年训练完成的 Unreleased 2022、2026 年 7 月训练完成的 Model 2、8 到 9 月训练完成的 Model 3，以及 9 到 10 月刚完成训练的 Model 4。

Model 4 的 AECI 得分为 178.6，高于公开模型 Opus 5.5 的 174.5 和 Mythos 5.1 的 172.5。AECI 可以理解为把多个能力基准折算成的综合指标，但它不是一个可以脱离测试集、任务分布和评测设置单独解释的“智力分数”。

Model 4 参加的 15 项基准测试，每一项正确率都超过 50%。9 个月前，Opus 4.6 还有不少测试无法过半。METR 还发现其中 15 个测试有 3 个存在长尾过难或题目损坏的问题，剔除后重新计算，Model 4 的 AECI 可能再增加 1.1 分，达到 179.7。

这类结果也提示评测工程的难度正在上升：当模型接近测试上限时，题目损坏、长尾样本和 Token 预算都会影响结论。下一代评测不能只增加题目数量，还要检查任务有效性、难度分布、污染变数和模型是否真正完成了任务。

METR 的调查还记录了 Model 4 的 Token 消耗。普通基准任务平均消耗约 250 万输入 Token 和 7 万多输出 Token；如果让 Agent 完成代码任务，单任务输入可能达到约 1000 万 Token，输出也接近 9.4 万 Token。

对于开发者来说，模型能力不能脱离任务成本评估。一次看似成功的代码任务，如果消耗了数百万 Token、经历多轮工具调用和长时间等待，真实交付成本可能远高于单次 API 价格。

建议把 Agent 评测拆成四项：

如果模型一直刷题、刷代码或刷实验，却没有带来相应的有效产出，Token 消耗越高不代表能力越强。模型越能自主执行，预算、停止条件和任务检查点就越要紧。

METR 把 2025 年 10 月 7 日视为一个要紧分界点。在此前的阶段，Anthropic 模型 AECI 得分每年大约增长 15 分；从 2025 年 10 月开始，曲线变成每年增长约 29 分，增速约为过去的 1.9 倍，95% 置信区间为 1.5 到 2.8 倍。

Anthropic 今年 8 月的变数报告曾提出一种较温和的解释：增速变化可能只是新工具和新评测做法带来的一次性台阶。METR 随后进行盲测，用 Mythos 5 及更早模型的数据画出两条预测线，再去预测后续 Model 2、Model 3、Opus 5.5 和 Model 4。

结果显示，在 81% 的统计抽样中，“长期持续提速”预测误差约 1.9 分，而“一次性跳涨”预测误差达到 3.9 分。这个结果更配套持续加速假设，但它仍然是统计模型对已有数据的解释，不是未来必然沿着同一曲线成长的证明。

为了判断增速来源，METR 把训练算力、算法和人员投入拆开拆解。报告认为，2025 年 10 月之后训练算力的增长率反而比此前更慢，因此不能简单把能力改进归因于堆算力。

真正值得关注的是研发自动化：METR 估算，当前约两倍的研发加速中，大约 80% 来自 AI 对研发工作的辅助，其余才来自探究员数量增加和推理算力扩容。

这里的“AI 辅助研发”不是一句宣传语，而是具体工作流变化：Agent 写实验代码、运行基准、处理数据、生成评估结果，探究员可以同时启动多个方向，再决定哪些结果值得继续。

如果 10 个探究点子同时交给 Agent 试跑，探究瓶颈就会从“写代码”转向“想出好点子、判断结果和获得算力”。这会显著拉高探索宽度，但也会带来更多无效实验、更多 Token 消耗和更高的安全审查压力。

METR 通过内部非正式调查和 Slack 全员投票观察 Anthropic 探究员的工作变化。2025 年春天使用 Claude 3.7 Sonnet 和 Opus 4 时，探究员自报效能改进约 1.3 到 1.4 倍；今年 6 月使用 Mythos 5 时，提速约 5 倍；10 月使用 Model 4 时，自报研发提速达到约 12 倍。

这些是自报数据，不应直接当作严格的生产效能指标，但可以帮助理解工作做法的变化。探究员经历了三个阶段：先把 Claude 当作自动补全，后来让单个 Claude 实例开发完整功能，再到同时指挥一群 Agent 并行跑实验。