{"id":"mb-20261105-ed8d1b","kind":"deep","title":"训练算力没暴涨，大模型进化速度为何翻倍？METR 进驻 Anthropic 11 周的调查结果","summary":"第三方评估机构 METR 进驻 Anthropic 扎实调查 11 周，通过底层数据证实其模型能力提升速度达到历史的 1.9 倍。这一加速度并非来自训练算力扩张，关键在于研究员高强度使用 AI 辅助研发，将算法实验迭代周期大幅压缩，且未来一年看不到明显瓶颈。","body":"过去这一年，Anthropic 的模型进化速度突然翻了一倍。\n有意思的是，他们的训练算力并没有翻倍。\n硬件没有突然暴涨，机房里的卡还是那么多，那多出来的一倍速度是从哪冒出来的？\n\n这不是 Anthropic 自己关起门来吹牛。\n一家叫 METR 的独立评估机构，直接拿到了他们史无前例的内部权限，在里面扎扎实实查了 11 周。\n从 2026 年 8 月一直查到 10 月底。\n预训练日志、强化学习指标、每个领域的算力分配、未公开模型的内部跑分，全翻了个底朝天。\n连各个业务线的算法研究员，都挨个拉去做了一对一访谈和问卷。\n\n查完之后，METR 发了一份评估报告。\n里面的核心数据相当震撼：\n按照 Anthropic 自己的能力指数测算，从 2025 年 10 月到 2026 年 10 月，模型在明确任务上的能力增长速度，是之前历史速度的 1.9 倍。\n95% 的置信区间在 1.5 到 2.8 倍之间。\n这意味着什么？\n意味着他们只花了一年时间，就干完了过去整整两年的研发活。\n\n看到这个数字，很多人第一反应肯定是：那肯定是砸钱买算力了嘛。\n现在硅谷大厂都在几十万张卡地堆硬件，算力翻几倍，性能自然跟着涨。\n可 METR 把算力底账摸完之后，专门给了一个明确结论：\n这次能力的跳跃式加速，跟训练算力的扩张速度没有关系。\n他们的算力增长曲线平稳得很，根本没有出现陡峭的爆发。\n\n算力没暴涨，那这一倍的加速度到底是谁推出来的？\n报告里指出了那个最核心的变量：\nAnthropic 大概 80% 的研发加速，来自他们自己在内部高强度使用 AI 来做研发。\n这倒不是说科幻片里的场景已经发生，模型还没在半夜偷偷重构自己的底层代码。\n现在的机制看起来很接地气，但效率高得吓人：\n研究员们把研发流水线里所有的繁杂工作，几乎全交给模型接管了。\n写实验代码、搭测试环境、清洗和合成训练数据、排查分布式集群里的报错、分析强化学习的实验结果。\n以前一个研究员冒出一个算法点子，写代码加调试，可能得折腾两三天才能把实验跑起来。\n现在有内部模型在旁边随时搭手，几十分钟就能把验证环境搭好。\n整个团队的实验迭代周期，硬生生被压缩了一大截。\n一个人能同时盯着好几个实验跑，一个月能验证的算法假设直接翻倍。\n\n这个自我加速的闭环，就这样转起来了：\n更聪明的模型，成了更好的科研工具；\n工具更顺手，工程师就能更快摸索出更强的算法；\n更强的算法训练出下一代模型，又回过头来把工具磨得更锋利。\n以前行业里总在讨论，大模型会不会很快撞墙？\n算法红利会不会吃完？数据会不会枯竭？实验算力会不会见顶？\nMETR 这次专门盯着未来 12 个月的瓶颈看了很久。\n结论出乎很多人的意料：\n在算法演进、训练算力、实验算力和数据储备上，目前完全看不到任何显著的撞墙迹象。\n\n以前大家都以为，只要电力和芯片供应跟不上，AI 的进化步伐就得放慢。\n但大家可能忽略了，最先被 AI 彻底重塑的生产线，恰恰就是开发 AI 自己的实验室。\n当研发本身开始被 AI 带着狂奔，这趟列车的加速，可能真的不需要等下一代硬件了。","topic":"训练算力没暴涨，大模型进化速度为何翻倍？METR 进驻 Anthropic 11 周的调查结果","frame_type":["机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-11-05 21:32:24","legal_anchor_count":0,"transcript_citation_count":0,"seo_title":"训练算力没暴涨，大模型进化速度为何翻倍？METR 进驻 Anthropic 11 周的调查结果","description":"第三方评估机构 METR 进驻 Anthropic 扎实调查 11 周，通过底层数据证实其模型能力提升速度达到历史的 1.9 倍。这一加速度并非来自训练算力扩张，关键在于研究员高强度使用 AI 辅助研发，将算法实验迭代周期大幅压缩，且未来一年看不到明显瓶颈。","domain":"ai","domain_label":"AI 与大模型","domain_label_en":"AI & LLMs","domain_url":"https://mubeitech.com/deep?domain=ai","canonical_url":"https://mubeitech.com/deep/mb-20261105-ed8d1b","markdown_url":"https://mubeitech.com/deep/mb-20261105-ed8d1b/markdown","json_url":"https://mubeitech.com/api/interpretations/mb-20261105-ed8d1b","published_at":"2026-11-05T21:32:24Z"}