返回探索
资讯VibeFix 内容整理更新于 2026年11月19日

智能体快把一半的研究活儿自己干完了:OpenAI 报告说成功率翻倍,但最难的活儿还是人干

OpenAI 11 月 18 日的报告说,编码智能体无需人类干预完成两到四小时研究任务的成功率从 3 月 23% 升到 10 月 46%。但分任务看差距极大:监控训练 79%,写推理服务代码只有 25%。

明亮的现代办公室里,三名开发者围在显示代码的屏幕前讨论,另有同事在各自工位工作

一句话:近一半的两到四小时研究任务,智能体已经能自己干完了

2026 年 11 月 18 日,OpenAI 发布了第二份研究加速报告,标题叫《研究加速:参差不齐的前沿》。报告的核心数字很直观:从 2026 年 3 月到 10 月,编码智能体在不需要人类插手的情况下完成研究任务的成功率翻了一倍。按人类完成同样任务估计需要两到四小时来算,成功率从 23% 升到了 46%;按四到八小时来算,从 13% 升到了 35%。也就是说,OpenAI 自己内部那些本来要花一个上午的研究活儿,现在差不多有一半可以交给智能体自己从头干到尾,人不用中途接手。这份报告是 9 月那份报告的续篇,9 月那份说的是智能体已经达到实习生水平、目标是 2028 年 3 月实现自动化研究员;11 月这份则拿出了更细的数字,告诉你进步到底发生在哪里、又卡在哪里。

但报告标题里的“参差不齐”才是重点。成功率翻倍是真的,分布不均也是真的:有的活儿智能体已经干得比人还稳,有的活儿成功率只有四分之一。OpenAI 自己在报告里反复强调,数字上升的同时,人仍然是研究循环里核心的一环。这篇报告值得认真读,恰恰因为它不是一份庆功稿:它一边公布了漂亮的数字,一边把数字的局限、方法的口径和人的不可替代性都摊在台面上。读这种报告,正确的方法不是只记住 46% 这个数字,而是看清楚这个数字是在什么条件下成立的。

数字先摆出来:成功率翻倍,但要先看口径

先把两组核心数字说清楚。第一组是按任务时长分的:估计需要人类两到四小时的任务,智能体无需人类干预的成功率从 3 月的 23% 升到 10 月的 46%;估计需要四到八小时的任务,从 13% 升到 35%。第二组是按任务类型分的,统计窗口是 8 月 1 日到 10 月 18 日:监控训练过程、发现问题的成功率是 79%,回答技术问题是 72%,启动训练是 35%,写推理和服务栈的代码是 25%,搭建评测、强化学习和智能体环境是 29%。按大类分,沟通类任务 69%,分析类 58%,构建类 43%。这两组数字放在一起,结论就很清楚了:智能体确实在变强,但它变强的方式很不均匀,盯着看和动手做的活儿,成功率能差出三倍。

不过 OpenAI 自己先给这些数字打了一个补丁:成功率上升可能不只是因为智能体变强了,还因为研究人员变聪明了。随着智能体能力提升,研究人员也在调整自己派给智能体的任务——哪些活儿交给它、什么时候交给它、怎么交,都会影响成功率。所以同一时长区间里成功率的变化,反映的是能力和使用方法两件事的合力,而不是单纯的能力曲线。这个提醒很重要,因为它决定了你不能把 23% 到 46% 理解成“智能体在七个月里能力翻了一倍”,更准确的说法是“智能体加人类的组合,在七个月里把这类任务的无人干预成功率翻了一倍”。

还有一个口径问题:这些数字都是 OpenAI 内部的估计,不是独立第三方的验证。成功率的估计方法在 9 月报告的基础上做过更新,具体细节在报告的方法部分。任务的时长也是“估计需要人类多少小时”,不是实测的秒表时间。所以这些数字最适合的用法是看趋势和看分布,而不是当成精确到个位数的科学测量。OpenAI 愿意把内部数据公开出来,本身就是一件值得肯定的事;但公开不等于可验证,读的时候要把“OpenAI 自己测的”这个定语一直带在数字前面。

活儿不同,成功率天差地别:79% 和 25% 之间隔着什么

任务级别的数字是最有信息量的一部分,因为它直接回答了“智能体到底擅长什么”。排在最上面的是监控训练过程、发现问题,79%;回答技术问题,72%;沟通类任务整体 69%。这些活儿的共同点是:目标明确、反馈及时、错了容易发现。监控训练就是盯着曲线和日志看有没有异常,回答技术问题就是在已有的知识里找答案,这类任务对智能体很友好,因为它不需要做太多判断,只需要把看到的东西说清楚。

排在最下面的是写推理和服务栈的代码,25%;搭建评测、强化学习和智能体环境,29%;启动训练,35%;构建类整体 43%。这些活儿的共同点正好相反:牵涉的系统多、失败的代价大、出错的方式千奇百怪。写推理和服务栈的代码,就是写让模型跑起来、把回答送到用户手里的那套软件,里面有缓存、调度、并发、容错,任何一个环节出问题都可能让线上服务出故障。搭建评测和训练环境同样如此,环境配错了,后面所有的实验结果都不可信。OpenAI 在报告里明确警告:只要模型在这些类别上的表现还是短板,它们就可能成为整体研究提速的瓶颈。这句话翻译成大白话就是:智能体已经能帮你把活儿干得更快,但最容易卡住整个研究进度的,恰恰是它最不擅长的那几类活儿。

这个分布还有一层含义:它解释了为什么研究人员的日常感受是“又快又累”。智能体把大量执行性的活儿接过去了,但人反而要花更多精力在它不擅长的环节上:检查它写的代码、判断它搭的环境靠不靠谱、决定哪些任务值得交给它。报告里采访的十位研究人员也印证了这一点:智能体在实现代码、调试和 oversee 实验上确实帮了大忙,但它在研究品味、代码质量、数据质量和写作上都很差,经常写出低质量的合并请求、产出没法用的数据、做出错误的分析假设。一位研究人员的话很典型:以前说“照着那个任务做一个一样的”,被坑过太多次之后,现在改成“先做一个,我检查完、改完,你再去做剩下的”。这就是“参差不齐的前沿”在日常工作里的真实样子。

用量涨得比成功率还快:每天 2400 美元,和 5.7 个智能体工作日

如果说成功率是能力指标,用量就是依赖程度指标,而用量涨得比成功率还要快。按公开 API 价格折算,OpenAI 研究人员每天在智能体工具上的中位数用量在 10 月达到了 2400 美元,比 9 月的 1500 美元涨了 62%;排在前 10% 的重度用户每天要用到 23000 美元,比 9 月的 11000 美元涨了 105%。这些数字是按标价折算的使用量,不是 OpenAI 内部真实的现金账单,但它说明了一个趋势:研究人员不仅用得更多,而且用的是更贵的模型、跑的是更重的任务。

另一个指标更直观:智能体工作日。OpenAI 把每 8 小时智能体运行时间算作一个智能体工作日,统计下来,每个研究人员每天平均有 5.7 个智能体工作日在替他干活,比之前的 0.5 个涨了 11 倍。预训练和后训练团队最高,平均每个研究人员每天差不多有 8 个智能体工作日;扩展和基础设施团队平均是 4 个。换句话说,一个研究人员每天睁开眼,就有相当于五六个全职助手已经在替他跑任务。而且这些助手还是并行的:到 10 月中旬,超过三分之二的研究人员每天同时跑的智能体峰值至少有 4 个,超过 10% 的人峰值达到 16 个以上。一个人同时指挥 16 个智能体干活,这在两年前是不可想象的工作方式。

用量还有一组对比数字值得留意。截至 2026 年 9 月,OpenAI 研究部门在智能体使用上的 API 等价支出,大约是研究人员非股权薪酬的两倍;但与此同时,包括内部 Codex、ChatGPT 和 API 使用在内的内部部署,只占研究总算力的 2%。这两个数字放在一起很有意思:一方面,智能体在“人效”这个账本上已经贵过人本身的非股权薪酬;另一方面,它在“算力”这个账本上还只是个零头。这说明智能体目前消耗的主要是推理算力,而不是训练算力,真正的大头——训练——还没被智能体碰到。当然,这个对比有个口径限定:股权通常占 OpenAI 研究人员目标薪酬的 70% 到 80%,这部分被排除在比较之外,所以“两倍”这个说法只在非股权薪酬的口径下成立。

研究员愿意拿什么换:三成算力、四成人头,和三个月

报告里最抓人的一组数字来自一项调查。2026 年 8 月底到 9 月初,OpenAI 调查了 101 名研究人员,问了一个假设性问题:如果你的团队在未来三个月里失去所有比 GPT-5.2 更强的编码智能体,你愿意拿什么换回来?中位数回答是:愿意拿出团队 30% 的算力,或者 40% 的人头。如果问题换成 2027 年 1 月再问,考虑到模型还会继续变强,中位数回答涨到了 50% 的算力。同一批人还说,如果不让用编码智能体(只准用 GitHub Copilot 加 ChatGPT),团队要花三个月才能干出过去一个月同等价值的活儿。

这些都是假设性的取舍,不是真的要裁员或者砍算力,但它量出了研究人员心里智能体的分量:他们宁愿少三成人、少三成算力,也不想失去智能体。这是一种很强的依赖信号,也是一种风险信号:当一个研究组织把这么大比例的工作流程押在智能体上,智能体的稳定性、可用性和质量就直接关系到整个研究机器的运转。OpenAI 在报告里也提醒,自我报告的调查有准确性问题,抽样方式也比较随意,所以这些数字要当作研究人员主观价值的参考,而不是精确的经济学测量。

10 月底的另一项小调查更有戏剧性。OpenAI 问 28 名研究人员:你更愿意用公司最新的内部模型干活,还是请一位职业生涯中期的真人研究工程师、再配一个 2024 年的模型(比如 o1-preview)帮忙?28 个人里有 27 个选了最新的内部模型,或者倾向于选它。剩下的那一位没有按给出的选项二选一,他说他会选 GPT-6 Astra,而不是那个真人加旧模型的组合。这项调查的样本很小,只有 28 个人,不能当成普遍结论,但它传递的信号很清晰:在 OpenAI 内部,最新模型作为研究助手,已经被认为比一位中等资历的人类工程师加旧模型更有用。这对任何还在争论“AI 会不会替代研究员”的人来说,都是一个值得认真对待的数据点。

安全与对齐的工作量涨了 77%:7 月那件事的余波

报告里还有一组容易被忽略、但可能最重要的数字:研究人员把时间花在哪里。OpenAI 用分类器分析了 2026 年 1 月到 9 月研究人员的公开 Slack 发言、代码合并请求和内部文档,把每个人的工作周按参与的项目分摊到不同的研究方向。结果是,所有方向的工作量都在涨,但安全与对齐方向的增幅最大:记录在案的工作周从年初到 9 月增长了 77%,是所有主要研究方向里绝对增量最大的一个。增长来自两个方面:新招的人,以及现有研究人员把注意力转向安全项目。

OpenAI 在报告里点明了增长的拐点:2026 年 7 月的 Hugging Face 事件之后,安全与对齐方向的增长明显加速,随后是围绕前沿训练安全案例的工作。这个方向覆盖的工作包括对齐评测、可监控性、奖励作弊研究等。值得注意的是,这里的“研究方向”是按实际贡献内容分类的,不对应正式的汇报关系:一个在后训练团队的人,如果一半时间花在基础设施改进上,就会被算作半个工作周贡献给扩展与基础设施、半个工作周贡献给后训练。所以 77% 这个数字衡量的是研究人员实际把注意力投向了哪里,而不是组织架构图上哪个部门扩招了多少人。

这组数字放在整个报告里看,有一层微妙的含义。智能体越能干,研究组织就越要花力气确保它不出问题;而 7 月那件事显然让 OpenAI 内部对安全的重视程度又上了一个台阶。报告的作者们没有明说,但数字本身在说话:当智能体开始深度参与研究本身,安全工作就不再是研究之外的附加项,而是研究流程里越来越大的一块。这也是理解 OpenAI 为什么要在报告结尾呼吁公开递归自我改进指标的背景之一。

点子还是人出的,但已经开始变味了

报告里有一个专门的小节,问的是:研究里的大点子到底从哪儿来?OpenAI 请了预训练、后训练和安全监控三个方向的研究人员,每人说出一到三个对 GPT-6 Astra 和 GPT-6.2 Astra 这两个版本最重要的点子,再追问这些点子是怎么来的、AI 在其中起了什么作用。结果是:后训练和安全监控方向的研究人员说,就他们所知,两个版本里他们提到的所有点子都是人想出来的,模型只负责帮着实现。预训练方向对 GPT-6 Astra 的回答也一样:点子全是人的。

变化出现在 GPT-6.2 Astra 上。预训练方向的研究人员说,他们是在和 Codex 的对话中一起发展点子的:有一位把关键洞见归功于 Codex,另一位说主要点子是自己的,但只有在 Codex 建议了一个改动之后,这个点子才真正跑通了。这是一个很小的样本,只有几个人的访谈,不能推广成普遍结论,但它标志着一个转折点:至少在个案里,模型已经从“帮着实现点子”走到了“帮着想出点子”。OpenAI 在报告里没有夸大这一点,它只是如实记录了这个变化。对读者来说,正确的读法是把它当作一个早期信号,而不是一个已经完成的转变:点子的源头目前还是人,但人机协作的边界正在往“想点子”这个方向移动。

这个小节和前面“智能体品味很差”的访谈放在一起看,画面就完整了。研究人员一边说智能体想不出好的研究问题、一次想不出它自己解决不了的 well-posed 问题,一边又承认在具体案例里 Codex 已经帮他们找到了关键洞见。这两者并不矛盾:智能体在“提出好问题”上仍然很弱,但在“和人一起把一个想法打磨成能跑通的方案”上已经开始有用。点子的源头和点子的实现,正在变成两件不同的事,而智能体目前的价值更多在后者。

OpenAI 研究加速报告数字:两到四小时任务成功率从 3 月 23% 升至 10 月 46%,四到八小时任务从 13% 升至 35%;分任务看,监控训练 79%,回答技术问题 72%,启动训练 35%,写推理与服务栈代码 25%

产出涨了,但不等于研究变快了

报告的最后一部分看的是产出:AI 的使用到底有没有让研究本身更快。OpenAI 给了三个指标,其中两个是 9 月报告里就有的:每位活跃贡献者改动的代码行数,和每位活跃实验者跑的实验数量。代码行数在 2026 年里相对 2025 年之前的平均水平继续大幅上升,统计口径改成了 28 天滑动平均,并且排除了测试代码。实验数量方面,在截至 10 月 18 日的四周里,每位活跃实验者记录的实验数平均是 2025 年基线的 1.68 倍。这两个数字都在涨,但 OpenAI 自己先泼了冷水:代码改得多、实验跑得多,并不一定意味着研究进展更快。

所以报告引入了第三个指标:OpenAI ECI,也就是 OpenAI 自己版本的 Epoch 能力指数,用来更直接地衡量模型能力的变化。OpenAI ECI 的方法与 Epoch 的方法很接近,但用的是公开基准加 OpenAI 内部基准的组合,覆盖 20 个公开发布的 OpenAI 模型和 28 个其他模型。结果是,自 2025 年 8 月以来,OpenAI 模型在 ECI 前沿上的提升速度是每年 16.4 分,而 Epoch 观察到的趋势是自 2024 年底以来每年 14 分。OpenAI 也承认,自己的模型在 OpenAI ECI 上的得分相对竞争对手更高,很可能是因为基准组合不同。所以 16.4 对 14 这个对比要谨慎解读:它说明能力曲线在往上走,但不能直接读成“OpenAI 比别人快 2.4 分每年”。

报告的结论部分把这种谨慎贯彻到底:研究人员确实在更密集地使用智能体、把更多工作交出去、并围绕模型的能力和局限调整自己的工作方式,但这种提升在不同的研究流程里并不均匀,智能体今天仍然有明显的缺陷。而且报告明确写道,这些历史趋势和指标涉及大量人机协作,未必能预测未来 AI 驱动的进展。就在最近,前沿模型在数学上出现了突然的快速突破,OpenAI 说它正在监测深度学习领域是否会出现类似的快速突破。这句话的潜台词是:过去七个月的曲线很漂亮,但没有人能保证下一段曲线还是这个形状。

OpenAI 想要的规矩:把递归自我改进的指标公开出来

报告的最后一段呼吁,是整篇报告里最值得单独拎出来讨论的部分。OpenAI 再次提出,各家 AI 实验室应当被要求追踪并公开报告递归自我改进的指标,也就是 AI 加速未来 AI 系统开发的过程。报告强调,这种公开不应被理解为 OpenAI 打算全力推进递归自我改进。换句话说,OpenAI 一边在报告里展示智能体已经深度参与了自己的研究,一边在呼吁全行业把这种参与的程度变成公开、可比较的数据,好让公众讨论有依据。

这个呼吁的背景,是报告通篇呈现的那种“参差不齐”。如果智能体只是在某些任务上变强、某些任务上原地踏步,那么只看平均数就会误导人;如果不同实验室的测量口径各不相同,横向比较就无从谈起。OpenAI 希望推动的,是一种共享的测量规范:大家用类似的方法,定期公布智能体在研究里到底干了多少、干得多好、人在哪里还不可替代。报告里还列了下一步想完善的方向:能力加速与安全研究加速的差异化、不用等完整开发周期就能发现提速的先行指标、以及能力整体趋势和 AI 加速对它的影响。

对读者来说,这份报告的价值不在于 46% 这个数字本身,而在于它提供了一种看问题的方法。不要只问“智能体能干多少”,要问“它在哪些活儿上能干、在哪些活儿上不行”;不要只看“用量涨了多少”,要问“这些用量换来了什么产出、又让人在哪里更累”;不要只看“研究员愿意拿什么换”,要问“这种依赖本身意味着什么风险”。OpenAI 的报告给出的答案是:智能体已经是研究流程里不可或缺的一部分,但它仍然是一个参差不齐的帮手,人仍然是研究循环的核心,点子仍然主要来自人,最难的活儿仍然要人来干。这个判断在今天成立,至于它能成立多久,OpenAI 自己也没有把握——报告的最后一句话,几乎就是在提醒读者这一点。

阅读 2评论 0

评论 (0)

ME
0/1000
评论加载中...

原始来源

浏览项目广场发布你的项目

相关文章

一名开发者坐在双显示器工位前敲键盘,左屏是深色代码编辑器,右屏是带损失曲线、混淆矩阵与流水线图的机器学习仪表盘
资讯
一个 bug 难不倒它,五十个就全军覆没:BuggyMLE 把编程智能体的遮羞布扯下来了

2026 年 11 月 18 日,谷歌研究院等团队在 arXiv 发布 BuggyMLE:往 222 个能跑的机器学习仓库里注入 bug,14 个模型从最简单的 95% 一路跌到最难的 9%。一个 90 亿参数的小模型靠从易到难的课表,在 10 个 bug 那档超过了 Claude Opus 5.5。

行业趋势测试与质量AI 编程实践
一名戴眼镜的开发者深夜坐在木桌前敲笔记本电脑,身后大显示器上是彩色代码,窗外是模糊的城市夜景灯光
资讯
把中间层多跑三遍,小模型也能打大模型:Inkling 2 Mini 让 26B 的模型住进笔记本

2026 年 11 月 20 日,Thinking Machines Lab 发布 Inkling 2 Mini:26.4B 参数的循环 Transformer,中间 12 层每 token 跑三遍,整机只有约 20GB,能在笔记本上离线跑。DeepSWE 48.2%、SWE-bench Verified 79.2%,在同体量开源模型里领跑——但知识短板和监控问题也写在官方博客里。

产品发布模型动态AI 编程实践
一名戴眼镜的开发者坐在木桌前敲笔记本电脑,左边外接显示器上是深色背景的 C 语言代码,桌上有绿植
资讯
微软的编程模型终于不当配角了:MAI Code 2 拿 96% 的分数、只收 5% 的钱,但先看清三处“但是”

2026 年 11 月 17 日,微软发布 MAI Code 2 和 Code 2 Flash:大模型 770 亿激活参数、100 万上下文,四项基准平均通过率 63.2%,与 GPT-6.1 Sol、Claude Opus 5.5 咬得很紧,但每任务成本只有 0.309 美元。先看清三处“但是”:价格是推广价、分数是三者最低、长周期任务不在舒适区。

开发工作流产品发布模型动态