Anthropic 讓 16 個 AI 代理從零開始建立了一個 C 編譯器。100,000 行，能編譯 Linux 核心，花費 20,000 美元，耗時 2 週。 為了讓這個情況更具體，GCC 花了數千名工程師 37 年的時間來建立。（雖然是從 1987 年開始）但一位研究人員和 16 個 AI 代理剛剛建立了一個編譯器，通過了 99% 的 GCC 自己的折磨測試套件，能編譯 FFmpeg、Redis、PostgreSQL、QEMU 並運行 Doom。 他們說他們「（大部分）走開了。」但那個「大部分」在這裡承擔了重任。 沒有任何人寫代碼，但研究人員不斷重新設計測試，當代理互相破壞工作時建立 CI 管道，並在所有 16 個代理都卡在同一個錯誤時創建解決方案。 人類的角色並沒有消失。它從寫代碼轉變為工程環境，讓 AI 能夠寫代碼。 我不知道你怎麼能表達 AI 正在碰壁的觀點。

這個 metr bench 昨天剛推出，現在就要被摧毀了 😭😭

METR 最新的評估顯示 GPT-5.2（高）達到了 "50% 時間範圍" 的 6.6 小時。 對於不知情的人來說，他們的方法論是通過計時人類專家完成 AI 現在能夠成功完成一半時間的任務所需的時間來衡量自主能力。 我曾與 OpenAI 談到過 "輕起飛"，這進一步證明了這一點。這一軌跡就是輕起飛的定義 - 一個平滑但真實的指數加速。能力翻倍的時間已經從 212 天縮短到僅僅 128 天。 這個 6.6 小時的紀錄是使用 "高" 推理努力設置創造的，而不是更強大的 "XHigh" 設置。隨著 GPT-5.2 已經以 25% 的優勢超越 Claude 4.5 Opus（5.3 小時），"XHigh" 版本可能將時間範圍推進到 10 小時以上。這證明了 OpenAI 正在成功擴展推理計算。而這甚至還不是 5.3！