予 予希斋
← 返回 X 快报
X 快报
10 分钟

AI 帮 Anthropic 研发提速，但还没有接管研究

AI 辅助研发提速；范凯给模型分工，Linum 晒账单，科学家期待自主研究。

METR 测到了研发加速，还没有测到全面无人研发

访谈内容项目「新可能实验室」发起人晓辉博士，今天引用了 METR 于 11 月 5 日发布的一份评估，把「AI 能否自我迭代」的问题落到 Anthropic 的实际研发上：使用 AI，是否真的让下一代模型进步得更快？

评估机构 METR 在今年 8 月至 10 月接触了 Anthropic 的内部研究数据，并访谈相关人员。它估计，自 2025 年 10 月以来，Anthropic 模型在一组能力基准上的进步速率，约为此前的 1.9 倍，95% 置信区间为 1.5 至 2.8 倍。这个数字衡量的是模型能力进步的速率。

研发为什么提速？METR 表示，有把握排除「训练算力增长得更快」是加速原因，并倾向于认为当前加速的大部分来自 AI 使用。研究员可以借助模型完成更多研发工作，但这与模型独立承担研发不同。评估的概括是：

研发加速主要来自 AI 对研究员的辅助，而非完全自主的贡献。

METR 评估，译意

在模型训练最重要的环节，METR 尚未看到极其重大的、完全自主的 AI 贡献，尽管一些方向已有早期迹象。它也没有识别出算法、训练算力、实验算力或数据方面，会在未来一年明显阻止继续进步的瓶颈。

这份评估的边界集中在两处：能力基准对应定义较清楚的任务，结果能否推广到更开放的任务仍不确定；部分关键证据因保密原因未公开，AI 对提速的具体贡献及未来瓶颈也仍有较大判断空间。评估提供了研发加速的外部估计，却没有给全面无人研发开出成绩单。

范凯不只换助手，还给模型安排写作和审查职责

JavaEye 开发者社区创始人、前丁香园首席技术官范凯，最近在给 Grok Bot 准备本地替代工具。他在 11 月 6 日的帖子里解释了触发点：套餐额度被削减，助手又会自行调用编程工具，让他更难预估消耗。到今天，他继续抱怨套餐缩水、模型回答质量下降。这些是范凯对个人使用体验的描述；原帖没有给出可核实的统一新限额、响应延迟或涨价表。

在 11 月 6 日的分流方案里，他把 Grok Bot 主要留给手机端的邮件、提醒和信息采集，把较大的文档处理交给 Nous Research 开发、可自行部署的个人智能体 Hermes。编程、写作和脚本任务则通过 Paseo 管理：这是管理已安装编码智能体会话的桌面与移动端工具，也支持从手机远程接入本机。这套安排需要自行配置，并另行接入模型服务，换来的是更直接地控制任务在哪里运行。

今天，他又把分工细化到了模型之间：DeepSeek 写，GLM 从读者角度挑错。范凯说，GLM 的生成速度比 DeepSeek 慢，但他仍把 GLM 用在审查环节。这条帖给出了角色安排，没有展示可比较的最终稿或量化成稿效果；能确认的是他的用法，而不是这套组合已经被证明能提高文章质量。

到了 11 月 7 日，他引用一份编码智能体运行框架榜单，并说自己目前用得最多的是 Hermes 和 Pi。Pi 是一款轻量、可扩展的编码智能体运行框架，围绕模型组织提示词、工具和执行循环。前一天谈 Paseo，侧重如何接入和控制会话；今天比较 Hermes 与 Pi，则是在选择执行任务的智能体及其运行框架。Paseo 的官方文档也把 Hermes 和 Pi 列为可接入的智能体，三者并不是同一种工具。

榜单作者、Hugging Face 从事运行框架优化的研究者 Joël Niklaus，报告了 28,849 次试验：在 Terminal-Bench 2.1 和 DeepSWE 上，用 GLM-5.3-Flash、DeepSeek-V4.1-Flash 和 Flint 三个模型比较九套框架。每次比较固定模型、服务提供方和推理强度，每道任务尝试三次。三个受测模型的平均任务解决率，mini-swe-agent 为 51.4%，OpenClaw 为 27.3%；Pi 为 49.4%，平均每解决一道任务花费 0.29 美元，mini-swe-agent 则为 0.53 美元。这是跨三个模型的平均结果，不是某一个模型的单独分数。

作者还报告，GLM-5.3-Flash 的最佳框架是 mini-swe-agent，DeepSeek-V4.1-Flash 的最佳框架是 Hermes，Flint 的最佳框架则是 Kimi Code。范凯的写作分工与这项编码测试回答不同的问题：前者是谁负责哪道工序，后者是同一模型用哪套执行工具更合适。榜单是作者公布的特定任务测试，可作选型参考，不能直接替写作流程验收。

Linum 用约 2.1 万美元算力，检验通向视频模型的一步

两人研究团队 Linum 想做更便宜、更可控的生成式视频工具。在 11 月 4 日发布、今天又获传播的技术文章里，团队提出一个实际问题：创作需要反复修改，而视频生成既慢又贵，难以支持这样的迭代。因此，他们先用图像模型检验新架构，再向视频推进。

这次公开的 P-JiT 21K 直接处理图像像素，不先借助独立的图像压缩模型。团队把图像切成 32×32 像素的图像块，压缩每块的表示后送入模型，让同一模型学习压缩和生成。延长训练后，模型累计处理约 6.6 亿个样本；图像生成主体约有 20 亿参数，另接一个冻结的 40 亿参数文本编码器。

效果至少有一组可以直接检查的官方样图：老人特写能辨认面部皱纹，熊猫身上可见毛发，熊与兔子的绘本插画则保留了铅笔般的纹理。团队称，这个规模的模型所呈现的结果超出他们预期；模型卡与代码也给出了样例的提示词和随机种子。官方挑选的展示样例说明了部分生成能力，还不足以构成与其他模型的完整质量比较。

训练账单由团队逐项列出：预训练使用 64 张 H100，按每卡每小时 2.50 美元计算，花费 20,348 美元；后训练另花 690 美元，合计 21,038 美元。这笔钱对应该次预训练与后训练的算力，不包括研发、人力、数据及后续产品运营的全部开支。

产品边界也明确：团队为动画工具的目标过滤了带渲染文字的图像，因此模型不能生成文字海报；全身人物、人群和多个人互动仍是短板。权重与代码以 Apache 2.0 许可开放，模型卡将其定位为实验性研究版本。这次图像实验给后续视频模型提供了一个可检查的起点，视频产品仍是团队要继续推进的目标。

科学家期待自主研究，实际更多让 Claude 分析和写作

科技内容创作者 Nav Toor 今天传播了 Anthropic 于 11 月 5 日发布的一份研究。报告从实际会话和研究者问卷出发，观察科学家把 Claude 用在研究的哪些步骤，再讨论未来可能走到哪里。

会话样本来自今年 8 月 2 日至 9 月 30 日，共 207,049 次：其中 128,914 次来自 Chat 与 Cowork，报告把这部分简称为「Claude」；另外 78,135 次来自 Claude Code。两个产品组的任务分布分开统计。

在前一组、也就是 Chat 与 Cowork 的 128,914 次科研会话中，数据分析占 33.7%，写作与沟通占 32%，生成想法和假设占 4.2%。分类还包括数据采集、阅读与知识获取、理论分析、设计与开发，以及科研事务管理等其他任务；这几项选摘不是完整分布。Claude Code 的数据分析占比则为 48.1%。报告据此观察到，工具更多用于分析和写作，而构思可能嵌在其他任务中、难以单独归类。

研究者对未来的期待比当前用法更远。报告还调查了 528 名研究者：他们是从 Anthropic 的 AI for Science 及相关资助项目申请者中招募的，任职于美国和加拿大的研究机构，主要从事生命与健康科学，而且已经积极使用 AI。约四成预计，AI 到 2030 年能够在没有人类研究者参与的情况下，从问题一路做到发现。这个招募来源也意味着，他们可能比一般科学家更深入地使用 AI。

如果工具真能接过更多工序，研究产出能增加多少？报告用情景模型进一步推演：假设所有非物理研究步骤都可自动化，在研究预算固定的条件下，计算机科学和统计学的产出可达到无 AI 时的约 15 至 16 倍，生物和化学则约为 3 至 4 倍。差异来自仍由人执行的实体实验，以及 AI 本身的成本。这里是依赖假设的情景推算，不是已实现的倍数，也不是对某一年的预测。

从现有会话、受访者期待再到自动化情景，报告留下了一条清楚的距离：模型已经进入科研日常，但整项研究能推进多远，仍取决于构思、分析与实体实验等工序能否一起改变。

短讯

原文