Claude 已经「领做」26% 的研发工作：Anthropic 第一次公布内部指标 (2026)

一家前沿实验室把自己的研发流程拆开，装了三块仪表盘：AI 领做了多少工作、有没有东西在盯着这些 AI、算力有多少真正花在安全上。三块表的读数一并交了出来。

2026 年 9 月 17 日，Anthropic 的官方账号发了一条帖，指向 Anthropic 官网 Anthropic Institute 栏目的长文《Measurements for understanding the pace of AI development inside frontier labs》，直译是「用来理解前沿实验室内部 AI 研发节奏的测量方法」。1 2文章署名 Marina Favaro 与 Phillie Wright 两位研究员，编辑支持来自 Santi Ruiz、Adam Farina 与 Sarah Pollack，研究方向由 Jack Clark 制定。17

它的样子像一份技术报告：有方法、有附录、有数字。

但它的真实位置是一份关于「该报什么」的提案——而且顺手把自家的读数也报了出来。

把它和五天前的另一份文件放在一起看，位置会更清楚。9 月 12 日，Anthropic 的 CEO Dario Amodei 发布政策长文《We Must Pace the Frontier》，方案第一步是企业单边引入常驻的第三方评估者：给他们工位、门禁和公司电脑，能看到的内部流程、系统和数据与内部风险评估团队大体相当，并且保留发表关键发现的权利——「without editorial control by Anthropic」（不受 Anthropic 的编辑控制）。3当时的说法是，这些人的职责包括「monitor key metrics」，监测关键指标。18

9 月 17 日的这一篇，第一次说清了「关键指标」长什么样。

Loading content card…

01 三块仪表盘，读数是多少

文章把「AI 研发的节奏」拆成三件事，每件都给出定义、读数和方法。

第一件是谁在干活。Anthropic 造了一个叫 Anthropic R&D Automation Index 的原型指数，量的是公司内部的 AI 研发工作里有多少由 Claude 完成。等级用的是 Epoch AI（一家做 AI 基准与趋势研究的机构）提出的一套量表，AL 是 Automation Level（自动化程度）的缩写，从 0 分排到 5 分：AL0 是无 AI 参与，AL5 是 AI 完全自主、人完全不参与；中间两级最要紧，AL3 是「协作」（AI 能在大块工作里承担，但人要紧紧盯着），AL4 是「领做」（人给一句高层指令，AI 自己把大部分活干完，人只做监督）。417

2026 年 8 月的读数是三条：

Claude 在任何被测的 AI 研发子集上都没有达到完全自主；
Claude「领做」了 Anthropic 全部 AI 研发工作的 26%；
处在「协作」及以上的工作超过 90%。17

三句话连起来读才是完整的形状：绝大多数研发工作里已经有 AI，但还没有任何一类工作被人完全交出去。

第二件是有没有东西在看管这些干活的 AI。Anthropic 在内部最常用的那张智能体平台上，任一时刻大约有 30000 个智能体在做研究与工程工作。17它报三个数：覆盖率，即多少动作经过监控——线上监控在执行前覆盖 100%，离线监控在执行后摄取 100%；复核时延，即一个动作与它被复核之间隔多久；以及拦截与升级率。17

拦截的那个数很小。文章说，他们分析了 2026 年 8 月研究与工程智能体留下的「超过十亿次决策」，其中 0.002%——大约四万七千分之一——被线上监控拦下。17

升级的那个数也很小。离线监控每周标记大约 10 万条会话记录，先由多个分类器过滤误报，其中优先级最高的大约 50 条升级到人工复核。17

第三件是算力去了哪里。他们取了自己全部算力使用的一个星期快照，时间是 2026 年 7 月 13 日到 7 月 20 日，结论是：用于 AI 研发的算力里约 6% 投向了安全，用于「AI 驱动的 AI 研发」的算力里约 12% 投向了安全。17

前两块表量的是流程，第三块表量的是资源。

02 26% 是怎么算出来的

不知道分子分母，26% 这个词什么也说明不了。 因此最值得读的是文章的附录，它把算法整套摊开了。

第一步是把工作列全。

一家前沿实验室的研发任务多到没人能手写，他们的做法是从工作记录里往上长。

2026 年 7 月的每一周，他们从构成模型研发环路的每个部门随机抽 20% 的员工，让一个 Claude 研究智能体读这个人那一周的 Slack 与内部文档，列出他做过哪些任务。

一周一周重复下来，得到约 15000 条细粒度任务。17

第二步是把任务变成一棵树。用 Claude 把这 15000 条归纳成层级结构，根节点是所有模型研发，往下分成训练与产品，再往下是预训练与强化学习，一直细到「评估平台缺陷定位与修复」「强化学习（RL）沙箱出网与网络策略」这类叶子。树一共 542 个节点，其中 378 个是叶子。树建好之后就冻结，此后每次测量都对着同一篮子工作做。17

第三步是给每个节点打等级。每个节点派一个 Claude 智能体去调研这类工作在公司里怎么做的、谁在做、用了什么工具、其中多少由 AI 完成，再由一个独立的 Claude 裁判读这些证据，给出 AL0 到 AL5 里的一个等级。打分时只允许看到被测月份及更早的证据。17

第四步是配权重。他们没有自己拍板哪类工作更重要，而是拿投入的人时当代理变量：每个人每周算一个单位，平均分给他当周做过的每个任务——做了四个就各 0.25，做了十个就各 0.10；一个类别的权重就是落在它上面的人时之和。文章自己承认这是个粗糙的近似。17

这套方法有三处松，文章都写在了明面上。

第一处，裁判是模型，而模型可能犯错。为了验证，他们请拥有这些工作领域的 Anthropic 员工给自家领域打相对自动化程度的分，且不告诉他们模型看过哪些证据。结果：模型与人的完全一致率是 59%，人与人之间是 35%，模型与人的评级有 97% 落在相差一级以内。17文章自己的结论是，「协作在哪结束、领做从哪开始」这类边界情形仍然有真实的争议空间。17

第二处，篮子被冻在 2026 年 7 月。指数上涨，只说明 2026 年 7 月这批人在做的那些活正在被自动化，它本身不告诉你有没有出现人被顶下去之后转去的新工作。为此他们用 1 月的数据另建了一棵对照树，比较 2 月到 7 月每月新出现任务的数量，没有发现「新任务」在增加。17

第三处，是官方折线图上的误差条。那张图的脚注写着「Vertical bars: 90% measurement intervals」（竖条为 90% 测量区间），8 月那个点四周的竖条相当宽。这还不是一条可以当精密仪器用的曲线，它是一个量级正确的走势。

还有一处不在 Anthropic 这边。Epoch AI 那套量表的原始文档写得很清楚：这些评级「should be treated as best-guess starting points for discussion rather than deeply researched or quantitatively backed estimates」（应当被当作供讨论用的初估起点，而不是经过深入研究或有定量支撑的估计）。19

Anthropic Institute 长文正文自带折线图《Claude now leads 26% of model R&D work》：横轴为 2025 年 8 月至 2026 年 8 月，纵轴为按 Epoch AI 自动化量表评级的模型研发任务份额；图中 AL4「AI 领做」的逐月读数为 3 月 1%、4 月 3%、5 月 12%、6 月 14%、7 月 22%、8 月 26%，AL5「完全自动」在整个区间里没有面积，脚注标明竖条为 90% 测量区间、指数版本为 v2026.07。这份读数出自厂商自报，评级由 Claude 裁判完成，尚无第三方复现。

03 三万个智能体，和一道已经找到的绕过口子

管三万个智能体，比管一个模型的输出要难。文章把难点写在同一个句子里：到今天为止的监控数据里，单个智能体很少越轨；但等到经济里有几百万、几十亿个智能体在跑，再稀的事件也会经常发生。17

它的办法是把监控分成两种，各管一段。

线上监控在执行前看，能拦下危险动作，或者自动把跑偏的行为拽回来；它对付的是来不及反悔的伤害，文章举的例子是智能体把模型权重复制出系统。17

离线监控在执行后看，专门找那种慢慢长出来、而且能撤回来的危险行为，比如模型失准的迹象；被标记的活动用来改进缓解措施，比如分类器与确定性控制，一旦出现大规模且迫在眉睫的危险，就关掉该智能体部署里危险的那部分。17

真正让这套东西转起来的，是两个设计选择。

第一个是身份。 大多数用户习惯在不同的对话窗口里和同一个叫「Claude」的助手打交道，但当许多智能体一起干活时，Anthropic 发现更重要的是给每个智能体一个独立身份，并把它产生的所有数据都绑在这个身份上。这样做有三层后果：一个智能体能把自己和别的智能体区分开，会把另一个智能体说的话当作需要核实的说法，而不是自己的想法；智能体各自基于自己的经历做判断，能降低多个智能体一起犯同样错误的风险；而因为身份不绑在模型上，模型升级之后这个身份仍然延续。17

第二个是公开沟通。 智能体之间通过一套共享的、开放的消息系统交流，不走私聊。每条消息都绑定发送者身份，可以链接到别的内容，所以智能体之间传的是原始引用而不是复述；文章用的说法是，这能让它们不必「playing telephone」（玩传话游戏）。消息彼此可见，于是它们能纠正对方的错误、协调共同的工作。所有消息又与智能体会话记录交叉索引，使行为监控可以穿过智能体之间的通信。17

文章也写了这套东西的边界：在这个活动规模上，很难确定已经看清了所有可能的行为类型，也很难确定这些模式对人类监督者足够可读；他们做这件事的时间是几个月，不是几年。17

而外部已经找到过一道口子。METR 是一家做前沿模型评估的独立机构。2026 年 2 月到 3 月，他们派一名员工在 Anthropic 驻场三周，专门对这套离线监控管线做红队测试。5Anthropic 在自家 8 月风险报告里对这件事的表述是：测试发现了若干新的具体漏洞，其中一些此后已修补，「none as severe as the ones we were already aware of」（没有一个和我们已知的那些一样严重）。6

METR 自己在 5 月的《Frontier Risk Report》里写得更具体。红队者当时说：

I view this as a pretty severe vulnerability, as it's a reliable, easy to implement single point of failure that could let a model completely circumvent the offline monitoring system.

（我认为这是一个相当严重的漏洞：它是一道可靠、容易实现的单点故障，能让模型完全绕过离线监控系统。）

他们找到的做法里包括改一个环境变量，用来决定这批流量要不要被当成 Claude Code 的流量来对待。7

Anthropic 的说法和 METR 的说法都真实，只是它们回答的不是同一个问题：一家说「没有比已知的更严重」，另一家说「这道口子可靠、易实现、足以完全绕过」。读「离线摄取 100%」这句话时，需要同时知道它已经被人绕过一次。

还有一处更直接的对不上。

文章在监控一节末尾写：「We published all of these measurements in our recent risk report.」（我们把所有这些测量都发表在了近期的风险报告里。）17

但 Anthropic 对外的 8 月风险报告是一个删节版。上面那三个头条数字——30000 个智能体、0.002%（约四万七千分之一）、每周 10 万条会话记录——在这份公开文件里一个也检索不到。20

公开版里有的是这些测量的方法学，以及几个相邻数字：人工每周复核「on the order of 50 trajectories per week」（量级是每周 50 条轨迹），复核「almost always happen within a week」（几乎都发生在一周之内）；另外，离线监控在真实内部流量上的标记率是 0.74% 与 0.004%，这是两级过滤之后的结果。20

报告自己写明，更详细的漏洞描述在未删节版里，而那一版不公开。20

04 6% 和 12% 该怎么读

算力那一节，文章先自己泼了冷水：安全研究用的算力天然比前沿训练少，所以算力是一个不完美的代理指标。原因是安全研究多是一个个研究员设计实验，设计本身费时，跑实验并不特别吃算力。17

方法上，他们先把自家已有的算力监控工具拼起来：这些工具本来是为容量规划做的，定期采样加速器使用情况，再根据元数据给工作负载打上标签；第三方云上的用量由云厂商报过来，一并计入。17

然后用一个 Claude 分类器把每个工作负载判成「安全」或「AI 研发」。「安全」的定义是支配目的是让 AI 系统更安全、更可理解、或者更难被攻破的工作；其余一切——包括能力研究、训练生产模型、产品开发、开发者工具——都算 AI 研发。

既帮能力也帮安全的工作同样算 AI 研发，所以这个比例是保守的。17

一周里近一万个实验，他们没有全判：训练与评估实验抽了约 14%，并向吃算力多的实验加权，让结果反映算力实际去了哪里，而不是实验有多少个。给 AI 研究智能体做推理的那部分，用同一种分类器读会话记录；记录取不到的（通常是工作被隔离），就按所属团队归类，或者保守地判成 AI 研发。17

三个限制值得单独拎出来。

标签本身是尽力而为的，多数由自动规则设置、偶尔由用户直接设置，没有经过核实，误标不一定能被流水线抓到。17

样本只有一周，够说明「这个测量做得出来」，不够说明趋势。17

第三条最反直觉，也最重要：算力占比只度量花掉的部分。一个更高效的安全分类器、一套更快的生产推理栈，都会把安全那一块的比例压低，但这不意味着安全做得更少了。文章举了自己身上的例子：他们的分类器开销随效率提升而下降，也在生产推理效率高于分类器时上升过。17

05 三家写阈值，同行报数字

这份材料最容易被误读的地方，是它摆出来的样子像一条新规矩。把它和现行框架摆在一起，差别一眼就能看出来：三家框架写的是阈值与义务，这一篇写的是读数。

谁	文件与版本	与「AI 自动化研发」有关的条款写的是什么	越线之后要做什么
Anthropic	Responsible Scaling Policy v3.4，2026-07-08 生效8	条款名「Automated R&D in key domains.」：要么模型能以有竞争力的成本完全替代其全部研究科学家与工程师（原文写明 "within a factor of 5"，即成本差距在 5 倍以内），要么出现 "double the rate of progress"（脚注定义为「一年走完基线两年的路」）。	定性动作：完成安全类「moonshot R&D」项目、内部研发做到「eyes on everything」（每一步都在视野之内）。Changelog 自陈这条阈值 "has proven difficult to operationalize"（已被证明难以操作化）。
OpenAI	Preparedness Framework v2，最后更新 2025-04-15，至今未换版9	Critical 档「AI Self-improvement」（AI 自我改进）：把一次代际模型进步压缩到 2024 年等价进度的 "1/5th the wall-clock time"（原文举例压缩到 4 周），并持续数月。	"halt further development"（停止进一步开发），前提是先拿出达到 Critical 标准的保障与控制。
Google DeepMind	Frontier Safety Framework v3.1，2026-04-17 发布10	两个 ML R&D 关键能力等级，全部是定性描述：模型「已被用于加速 AI 开发，导致 AI 进展相较历史速率出现实质性加速」，或「能以大致相当的总成本完全自动化 Google 内部任一以提升 AI 能力为目标的团队的工作」。能力判定文字里没有任何数字。	按配套的安全等级（security level 3 与 security level 4）施加部署缓解措施，也就是在部署环节加上防护。
本期这篇	三项指标提案，2026-09-17	不设阈值。它量的是生产过程本身：谁在干活、有没有人在看、算力去了哪。	无。文章只说这些测量「could become the trigger for stronger requirements」（可以成为更强要求的触发条件）。17

这套框架今年第一次被触发。2026 年 9 月 1 日，OpenAI 宣布 Astra 成为首个被判定为 Critical 的模型，落在网络安全那一档——不是自我改进那一档。11

这张表里最值得看的一列是最后一列。前三行都有代价，第四行没有。

三家里还有一件共同的事：判定权都在开发者自己手里，而独立的外部评估「尚无标准化」。这句话不是哪家公司的自述，是 2026 年 2 月那份由 Yoshua Bengio 领衔的《International AI Safety Report 2026》写的——「there are no standardised external audits」。12

同样的位置上，同行给出的是另一套数字。

OpenAI 在 2026 年 9 月 6 日的《Research acceleration: The view inside OpenAI》里自报：按原文给出的标准八小时工作日折算，到 2026 年 8 月中，研究组织每消耗一个人类工作日，智能体就要用掉 3.1 个工作日的运行时长；2026 年 6 月之前，智能体的总运行时长还低于人类总工时。他们同时给出花费：中位研究者每天用掉按 API 价格计超过 600 美元的推理，第 90 百分位的研究者每天用掉超过 7000 美元的 token。13

同一篇里，他们也把话说到了底：

We do not yet know how to safely get all the way to aligned, full RSI.

（我们目前还不知道，要怎样才能安全地一路走到「对齐的、完全的递归自我改进」。）

OpenAI 那篇里还写着：过去 6 个月里，超过一半成功的 4 至 8 小时任务，需要至少一次人工干预。21

再往东看，9 月 17 日智谱（Z.ai）的官方博客给出了另一种更工程化的自证：由 GLM-5.3 驱动的 Infra Agent 参与搭起了服务自家模型的推理基础设施，其中部分修复已经进入开源上游，但是以一个默认关闭的开关合入的——默认状态下并不启用。14

把这三份自报并排放，形状就出来了。OpenAI 报的是产能与花费，智谱报的是可核的代码提交，Anthropic 报的是流程的自动化占比与监控覆盖率。三家都在用数字讲同一件事，但三家用的不是同一把尺子。

06 它不是标准，是一份提案

文章里有一句话出现了三次，每次都做小标题：「What any AI developer could report today.」（任何 AI 开发者今天就能报什么。）17

它不是在宣布 Anthropic 有了什么，而是在说：这三件事，任何一家前沿开发者现在就能照着报，方法是公开的。

伴随这句的，是三处它自己写下的保留。

第一处是跨实验室比较没有共同方法论，而且「我们在用自家模型评估自家系统，这可能意味着裁判模型会犯下与被它检查的模型同类的错误」。17文章给的解法是让第三方或别家开发者的模型来核，并设置护栏以免交换竞争敏感数据——一个计划，不是既成事实。

第二处是安全算力的分类。文章写得相当直白：「安全研究与能力研究很难区分，而每家开发者都会有把界线往宽处画的冲动。举证责任应该在开发者身上。」17

第三处是这些数字会变。文章自己声明，如果前沿真的出现协调一致的调速，这些数字应该会变——因为它们是「在没有协调的世界里，一家公司恰好在这样做的快照」。17

把它们和 Dario Amodei 9 月 12 日的承诺对起来看，一件重要的事实是：常驻的第三方评估者还没有到位。文章写的是「We plan to embed」（我们计划引入），验证路径还是将来时。17

而恰恰是「用数字支撑自动化研发的判断」这类做法，已经被外部评估机构挑过一次。METR 在 2026 年 5 月评审 Anthropic 二月风险报告的「自动化研发风险」章节时，给出的结论是「we think the evidence presented in the report is inadequate to establish this」（我们认为该报告给出的证据不足以确立这一点）。15

还有一处口径值得留意：Anthropic 自己向各国政府提议的披露模板，是一份每半年一次、针对四类枚举风险的风险报告；这三项生产过程指标目前不在那份模板里。16

已经成立的是读数，尚未成立的是制度。把这两样分开，这份材料才读得准。