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

过去这一年，Anthropic 的模型进化速度突然翻了一倍。 有意思的是，他们的训练算力并没有翻倍。 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？

这不是 Anthropic 自己关起门来吹牛。 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。 从 2026 年 8 月一直查到 10 月底。 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。 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。

查完之后，METR 发了一份评估报告。 里面的核心数据相当震撼： 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。 95% 的置信区间在 1.5 到 2.8 倍之间。 这意味着什么？ 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。

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。 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。 可 METR 把算力底账摸完之后，专门给了一个明确结论： 这次能力的跳跃式加速，跟训练算力的扩张速度没有关系。 他们的算力增长曲线平稳得很，根本没有出现陡峭的爆发。

算力没暴涨，那这一倍的加速度到底是谁推出来的？ 报告里指出了那个最核心的变量： Anthropic 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。 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。 现在的机制看起来很接地气，但效率高得吓人： 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。 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。 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。 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。 整个团队的实验迭代周期，硬生生被压缩了一大截。 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。

这个自我加速的闭环，就这样转起来了： 更聪明的模型，成了更好的科研工具； 工具更顺手，工程师就能更快摸索出更强的算法； 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。 以前行业里总在讨论，大模型会不会很快撞墙？ 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？ METR 这次专门盯着未来 12 个月的瓶颈看了很久。 结论出乎很多人的意料： 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。

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。 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。 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。