2026 年 11 月 5 日，独立评估机构 METR 发布报告，评估 AI 在多大程度上加快了 Anthropic 自身的 AI 研发。METR 的 4 位主要作者从 8 月 12 日到 10 月 29 日开展了约 11 周评估，获准查看部分内部资料，投入约 2.5 个全职人力，涉及预训练、强化学习、训练算力、内部模型跑分、员工访谈等材料，写出一份约 100 页的完整报告，交给了 Anthropic。公众看到的是这份完整报告经过删节后的公开版。
这篇文章不讨论两倍这个数是否偏高或偏低，而是看另一个问题：一个独立评估的结论，和公众能看到的证据之间，到底隔着多远。METR 自己在报告开头就回答了这个问题，而且回答得相当直接。
结论可以公开，METR 认为最有分量的证据多半没能公开
公开版开头有一段删节说明。按照合同，Anthropic 有权删去报告中任何非公开信息，METR 有权公开 Anthropic 是否行使了删节权，以及哪些结论在很大程度上依赖被删的信息。METR 写道，总体层面的风险结论可以自由公开，但「我们认为对这些结论最有参考价值的证据，多半被 Anthropic 删去」。
这句话需要读准。它说的不是报告的大部分内容被涂黑，也不是 METR 缺少证据。METR 看到了这些证据，并依据它们得出了判断；被删的是其中最有分量的那部分，删的是公开权，不是证据本身。METR 还说，经它审阅的删节内容里，多数信息其实层级很高、并不细碎。
报告里有一张表，把证据分成 7 类，逐项列出是否交给了 METR、是否在公开版里描述了结果。内部模型的基准跑分：交了，也公开了。关键中间指标、算法进步估计：交了，但公开版没有写结果。研发投入的测量：大部分交了，没有公开。瓶颈和预测的细节：交了一部分，没有公开。AI 贡献的证据和员工访谈：交了，部分公开。按这张表，7 类里结果完整写进公开版的是 1 类。
METR 也没有回避这样做的代价。它写道，这份报告做不到「证据层面的透明」，公众很难自己判断这些证据，也很难拿它和其他来源对照，因此只能比理想状态更多地依赖 METR 的判断。
「约两倍」是带区间的主观判断，公开部分主要是一条基准分趋势
报告的核心判断是：截至 2026 年 10 月，Anthropic 在定义清楚的任务上提升模型能力的速度，大约是 2024 年 3 月到 2025 年 10 月期间的两倍。METR 明确说这是高度不确定的估计，真实值接近 1.3 倍或 3 倍都不会让他们意外；对于更宽泛、定义不那么清楚的任务，还要再加一层不确定性。这也是团队多数成员的看法，并非全体一致。
这个判断有几条依据，公开版里写得最完整的是一条：用 AECI（Anthropic 版的 Epoch 能力指数）衡量，自 2025 年 10 月以来，Anthropic 模型的跑分增速是此前的 1.9 倍，95% 置信区间为 1.5 倍到 2.8 倍。换一种更直观的说法，过去一年的基准分进步，相当于 2023 年 10 月到 2025 年 10 月两年的进步。
这一部分几乎没有被删。METR 说这一节删节极少，删去的只是具体基准的名称和一张图，方法、稳健性检验都在公开版里。稳健性检验的结果也值得看：换不同的假设，加速倍数在 1.1 倍到 2.9 倍之间变动，其中最敏感的是对题目难度分布的假设。如果把其他公司的前沿模型一起算进去，估计的加速降到 1.4 倍。METR 给出了两种解释，没有下定论：一种是 Anthropic 在 2025 年底之前的进步速度低于行业前沿，基线偏低放大了加速比；另一种是早期其他模型更针对基准优化，反而让历史趋势显得偏高。
同时，METR 也说明，单靠 AECI 可能高估，也可能是方法本身的产物，它可能过度拟合了基准题的分布。让他们「更认真看待约两倍」，甚至提示加速可能超过两倍、而且还在变快的，是另一批证据，而这批证据被删了。也就是说，公众可审阅公开的方法、结果与稳健性检验，但不等于能独立复算；而且这条公开的线，并不是让 METR 更认真看待两倍的那批证据。
「主要来自 AI」是估计，不是已证明的因果
报告的第二个判断是，目前这轮加速多半可归因于 Anthropic 大量用 AI 做研发，METR 的猜测是约 80%，并附有「相当大的不确定性」。它同时说，2025 年底那段加速很可能受非 AI 因素影响，而这些因素的细节多数被删了。
METR 说它有把握的一点是：加速不是因为训练算力增长变快。但支撑这句话的证据细节被删了，公众看到的是结论。其他可能的原因，比如招人、数据改进、算法突破、解除其他瓶颈，Anthropic 员工内部没有共识，METR 也说没有找到决定性证据。
公开的旁证有两类。一类是员工自报的提效：Slack 投票里，员工对当时所用内部模型的自报提效在 2026 年 10 月平均约 12 倍。METR 自己说这只是很粗的证据，投票的人不一定有代表性，回答也比较随意，而且个人提效倍数本身不等于整体进步的加速倍数。另一类是访谈：METR 让 Claude 按是否支持两倍以上加速，给访谈摘录做了分类。从公开的访谈分类结果看，METR 的解读是「略微支持」两倍或更高；这些摘录本身也删去了敏感细节，分类又由模型完成，只能算旁证。
这些材料能说明 Anthropic 内部普遍感到 AI 在加快工作，但离「AI 导致了两倍加速」这一因果判断还有距离。METR 自己在局限一节也列出了反方向的可能：非 AI 因素也许能解释大部分加速。
为什么要保密，审计又能补上什么
Anthropic 对删节的解释是，删去的是「可能让其他 AI 开发者加速的机密信息」。METR 认同删节确实局限于这类信息，但对删节整体上是否合理不表态，理由是它没有能力权衡企业保护机密的利益和公众了解 AI 风险的利益。Anthropic 在关于独立评估方的公告（METR 报告称其发布于 10 月 15 日）里也说过类似的话：有些安全相关信息不能公开，可能被恶意使用，或者涉及算力、训练等商业敏感内容，所以改为让第三方深入查看，再由第三方公开证据和推理后的结论。
在这种安排下，审计能提供的东西是真实的。METR 看到了外界看不到的内部模型数据，其中包括 4 个从未发布的内部模型；它可以自己挑选访谈对象，约 15 位员工里很多是 METR 而非 Anthropic 选的，METR 说没有发现他们的说法和主要联络人之间有出入。METR 不收 Anthropic 的钱，双方都不付费，Anthropic 只提供了笔记本电脑和免费 token。报告还披露了一项利益冲突：一名成员在项目开始时与 Anthropic 谈过职位，后来拒绝了邀约，又持有一家竞争对手的股权，因此他的工作都由一名无冲突的成员复核。
审计的局限，METR 也写在了报告里。访问权限不是「员工级」的：METR 不能随时翻文件、旁听内部讨论，少数数据请求被拒，在 Anthropic 认为过于敏感时也没有拿到相关信息。评估过程中，METR 对关键数据的理解改变过多次，在一些关键问题上甚至反复推翻。大部分数据来自两名员工，Claude 参与了 Anthropic 交来的多数数据整理和 METR 自己的多数分析。原定合同还包括核查算力在能力研究和安全研究之间如何分配，这一部分在中途被 Anthropic 取消，取消时 METR 尚未得出实质结论。METR 还提到，它在下笔时会考虑报告对今后与各公司合作的影响，Anthropic 主要针对 METR 对其风险报告的审阅稿，就表述清晰度给过反馈，METR 认为其中一些「过于强硬」。
METR 的整体判断是，Anthropic 刻意误导它「极不可能」，但更多的访问权限能让评估更经得起检验。
这种评估的价值取决于删节说明写得多细
把以上几点放在一起，可以看清公众手里有什么。可以审阅的：AECI 的方法、结果和稳健性检验（但不等于能独立复算），自报提效和访谈分类这些粗证据，以及 METR 对过程、合同、利益冲突的披露。公开版里看不到、需要依赖 METR 判断的：让它更认真看待约两倍的内部指标，AI 贡献和非 AI 因素的细分，瓶颈分析和对未来模型的预测。
这不等于结论不可信，也不等于缺少证据。证据存在，有人看过，而看过的人公开说明了自己看到了什么、没能公开什么、结论在多大程度上依赖那些没能公开的部分。这本身就是这份报告和一般「第三方背书」不同的地方：它没有要求读者无条件接受结论，而是把需要信任的范围标了出来。
对读者来说，比较稳妥的读法是把两件事分开。约 1.9 倍的基准分加速，是方法和结果公开、有区间、有局限说明的测量。约两倍的整体加速、约 80% 来自 AI，是 METR 结合了公开和未公开证据后的主观判断，区间很宽，团队内部也有分歧。后者的分量，取决于你对评估方的独立性和判断力有多少信任；而 METR 这次至少把评判这种信任所需的材料，尽量摆在了明面上。