11 月 5 日，评估方 METR 公布了对 Anthropic 的研发加速评估。材料中同时出现两个数字：员工自报提效约 12 倍，模型能力指数进步速度约为过去的 1.9 倍。若把二者直接合并成“AI 让研发效率提升 12 倍”或“整体科研提速 1.9 倍”，都会偏离报告原来的测量对象。
这份评估需要拆成三层看：员工主观感受、基准能力指数变化，以及对加速来源的判断。三者各有边界，也各有不确定性。
12 倍提效：来自员工自报，不是组织交付速度
报告中的约 12 倍并非随机对照实验结果，而来自 Anthropic 在内部 Slack 发起的投票。员工用表情反应表达对当时最新模型的提效感受。METR 明确把这类投票视为很松散的证据，因为回答者未必认真估算过完整工作时间。
因此，到十月形成的约 12 倍自报提效，只能说明部分员工感受到个人任务变快，不能改写成公司已经交付了原来十二倍的研发成果。写代码更快、实验开得更多、阅读材料更省事，都可能改变个人感受；但这些变化要变成可验收成果，还要经过评审、排队、实验失败和协作等待。
- 自报提效测量的是员工对局部任务的感受。
- 它不能直接代表完整项目周期。
- 它也不能与模型能力指数相乘，得出更大的总提效数字。
1.9 倍加速：量的是能力指数，不是模型总分
报告使用的 AECI 是 Anthropic 版本的能力指数，用来概括模型在一组基准上的表现。METR 比较了不同时间段的指数进步速率，转折点放在二〇二五年十月。公开图中，较早趋势约为每年增加 15 个指数点，之后约为每年增加 29 个指数点。
报告对加速的估计为 1.9 倍，95% 置信区间为 1.5 到 2.8 倍。这里的 1.9 倍表示单位时间内取得的指数进步变多，不是模型总分变成过去的 1.9 倍。稳健性分析在改变基准纳入方式、模型定日期和饱和处理后，得到的加速范围约为 1.1 到 2.9 倍，不能与前面的置信区间混写。
能力指数强调可清晰定义、可验证的任务，不能自动覆盖目标含糊、需求经常变化的真实项目。报告也承认，模型基准的进步可能受分布过拟合或指数方法本身影响。因此，把它写成所有科研工作都已加速 1.9 倍，会扩大结论边界。
约八成来自 AI：是归因猜测，不是替代比例
报告认为，观察到的加速不能用训练算力规模增长本身也在加速来解释。这是针对一个候选解释的判断，不等于证明剩余变化全部由 AI 引起。METR 还考察了招聘、数据改进、算法发现以及其他瓶颈变化等因素。
研究者认为，二〇二五年末的加速很可能受到非 AI 因素影响。对于二〇二六年十月的当前加速，他们猜测多数、或许约八成来自 AI，但强调存在很大不确定性。这里的约八成修饰的是当前加速的来源，不是说公司八成代码由模型生成，也不是说八成员工可以被替代。
报告还区分了辅助研究和完全自主研究。研究者被告知，当前研发加速主要来自 AI 辅助，而非完全自主作出的重大贡献。评估在八月到十月进行，METR 获得了比公开材料更丰富的内部信息；但报告披露，Anthropic 有权删节未公开信息，并实际使用了这一权利。评估者也没有请求或获得对未公开模型进行抽样测试的权限。METR 表示没有向 Anthropic 收取费用，但使用了对方提供的设备与免费模型额度。
行业意义：先看测量口径，再谈提效倍数
这份报告提醒读者，阅读 AI 提效评估时要先检查变量定义。个人对省时的感受可以收集，但应与实际记录分开；工具是否真的节省时间，需要写清任务的开始状态和可接受的结束状态，并记录审查、返工、任务类型和等待原因。
涉及持续增长指标，还要提前说明比较的是水平、增加的点数，还是增长率。不同数学定义会得到不同倍数。工程团队不能把代码生成量、完成工单量和上线成果塞进同一张效率图，也不能先选择一个吸引人的数字，再倒推指标定义。
一个能够说明失败任务、返工去向和比较边界的结果，比单独展示一个大倍数更有助于管理决策。12 倍员工自报提效、1.9 倍能力指数加速和约八成 AI 归因，只有分别放回各自口径，才能避免被误读成同一个效率结论。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/metr-ping-gu-anthropic-12-bei-yuan-gong-zi-bao-ti-xiao-wei
