---
title: "3.6 个月翻一倍，一年就是十倍"
date: 2026-11-22
category: AI大模型
site: 脑机网
canonical: https://aiai.cafe/a/njw-metr-doubling-time-1122
language: zh-CN
---

# 3.6 个月翻一倍，一年就是十倍

> 12 除以 3.61，得 3.32。这是 METR 的倍增周期。

12 除以 3.61，得 3.32。

这是 METR 的倍增周期。

3.61 个月翻一倍，一年 12 个月，就是 3.32 次。2 的 3.32 次方，约等于 10。一年十倍，不是修辞，是乘方。

一年十倍。

这个数不是发布会上的 PPT，是一家第三方评测机构在 11 月 20 日更新的测量结果。它量的不是考试分数，是模型能独立做完多长的任务：给一个目标，不给提示，看它能不能自己走到终点。任务越长，说明它在没有人接手的情况下能往前走多远。题目会被背下来，时长不会，这是它比跑分难刷的地方。METR 不卖模型，也不做排行榜。

它不卖模型。

## 它量的是什么

题库叫 TH1.1 和 TH2。任务有明确的起止，结果可验证，做不完就是做不完。

在这个任务集上，模型能完成的任务时长，约每 3.61 个月翻一倍。95% 的置信区间是 2.08 到 4.94 个月，宽得能装下两种完全不同的叙事。此前单独测 TH1.1，得到的数字是 105 天；加入 TH2 之后变成 3.61 个月，约 110 天。三个数放在一起，方向没变，速度略有出入。区间没有收窄，说明测量本身还在晃。

110 天，不到四个月。

## 十倍怎么来的

12 个月除以 3.61 个月，得 3.32 次。

这就是十倍的来源。

2 的 3.32 次方，约 10.0。一道除法，一次乘方，十倍就出来了。这个算法没有秘密，秘密在 3.61 这个数上：它是不是稳定，能稳定多久，谁来复核。乘方只负责放大：周期稍微一动，一年算出来的倍数就跟着动。所以真正要盯的不是“十倍”，是 3.61 能不能站住。

前提是周期不变。

现实里没有这么整齐。区间下端 2.08 个月，上端 4.94 个月，快慢差了一倍多。3.61 是落在中间的估计值，不是每个月都会兑现的时刻表。按它算出来的十倍，是一条直线的延长线，不是承诺。直线在纸上，测量在实验室里，两者之间隔着一年的新任务，也隔着一年里会不会有人把题库换掉。

直线不是承诺。

## 另一个任务集

METR 还切了一个可验证子集，TH2。

在这个子集上，周期只有 1.65 个月。

12 除以 1.65，得 7.27 次；2 的 7.27 次方，约 154 倍。

154 倍很抓眼。

但它和十倍不是同一道题。十倍量的是 TH1.1 与 TH2 合在一起的任务集，154 倍只量 TH2，也就是有确定对错、能自动判分的那一部分。子集更小，题目更规整，进步也更快。两个数并排放，很容易读成同一个东西涨了 154 倍。差的不只是数字，是分母：一个分母是两个任务集的并集，另一个分母只是其中一部分。

不是同一个东西。

能自动判分的任务，恰好是模型进步最快的地方。写代码跑测试，有对错；做数学题，有答案；改仓库里的 bug，测试会告诉你过没过。这些任务翻得快，不等于所有任务都翻得快。那些没有标准答案的活，比如判断一份合同哪里有问题，题库给不出分数，也就进不了这条曲线。154 倍说的是能测的那一块。

两个数要分开说。

合在一起一年约十倍，可验证子集一年约 154 倍。谁把 154 倍说成“能力涨了 154 倍”，就是把子集当成了全集。分母换了，结论就换了。

## 贵一倍，晚四个半月

这次多了一个维度。

它叫生命周期成本。

同一道题，有的只要一个干净容器就能跑，有的要搭环境、装依赖、跑满100 次评分。后者比前者贵 2.9 倍。模型在这类任务上的时间视野，也差 2.9 倍，相当于 1.5 次倍增。贵和慢，是同一个数的两种写法：环境多花的钱，最后都记在模型的表现上。这道题的难度没有变，变的是把它做完要付多少。

贵的题，也想得短。

更硬的一条是：对同等长度的任务，成本每翻一倍，模型达到 50% 成功率的时间约推迟 4.6 个月。4.6 个月，比一个倍增周期还长。两件本来分开的事被绑在了一起：模型在进步，环境在变贵；进步的速度，正好被变贵的速度吃掉一截。同一代模型，换个更贵的环境，时间视野就往回退，退掉的距离比一次倍增还多一点。

一进一退。

任务时长与生命周期成本的相关性，R² 是 0.82。两条曲线几乎贴着走。

于是“能力”要拆成两半：一半是模型能想多远，一半是这道题允许它想多久。后一半由环境决定，也由账单决定。

## 1.5 次倍增对得上

这个数可以验算。

2 的 1.5 次方，约 2.83。METR 给出的数是：成本高 2.9 倍的子集，时间视野也差 2.9 倍，相当于 1.5 次倍增。1.5 次倍增正好落在 2.83 上。两个数对得上，说明这套换算内部自洽，不是拿一个数去凑另一个数。倍增周期在这里当尺子用：量的不是“更强”，是“多长”。用时长量能力，好处是单位统一，坏处是所有任务都得先变成能计时的任务。

尺子的刻度是时长。

换成天数也一样：1.5 次倍增，就是把时间视野乘 2.8。成本翻一倍，退 4.6 个月，等于把尺子往回拨一格多。

## 它给自己打高分

METR 还测了判断力。

让模型评审自己或更强模型的产出，它会系统性高估质量。Claude Opus 5.5 给 Astra 任务的评分，平均比人类高约 0.2 分，满分 1 分。0.2 分听着不多，可它是系统性的偏差，方向一致，不是随机噪声。噪声会互相抵消，偏差不会，它会顺着评分表一路传下去。

方向一致，就会累积。

如果评分被用来训练，这 0.2 分会被下一轮学进去。

在 LMCA 基准上，所有公开模型的一致性，都低于专家花 15 分钟做出的估计。15 分钟，人类专家。模型能做完 200 小时的任务，却评不准一段 15 分钟能看完的东西。两件事不冲突，它们测的不是同一种能力：一个测能不能做，一个测知不知道自己做得对不对。同一个东西，专家看两遍结论一样，模型看两遍未必。

做得到，不等于看得准。

## 2027 年的那个阈值

按 3.61 个月朴素外推，2027 年 7 月，模型有 50% 的概率完成这个任务集里最长的评分阈值，200 小时的任务。

50% 是关键词。

不是“将完成”，是“有一半概率”。外推也不是预测，是把现在的斜率延长到明年夏天。斜率会变，任务集会换，测量方法也会改。METR 给的是一个条件句：如果这条线不变，那么到那时是一半一半。200 小时，大约5 个工作周，一个任务连着做五个星期，中间不需要人接手。

条件句，不是结论。

## 分母换了一次

回到那道除法。

3.32 次倍增成立，十倍成立。变的是分母。

速度没停，可测的那部分翻得更快，成本成了新的分母。

3.61 是合起来的周期，1.65 是可验证子集的周期。两个分母画在一张图上，一条缓，一条陡，越往后分得越开。

过去分母是参数量、数据量、训练算力：模型更大、数据更多、卡更多，能力就往上走。这一次，分母里多了一项，跑完一道题要花多少钱。同样的模型，环境搭得糙，时间视野就短；环境搭得细，它就多想一会儿。成本翻倍，退 4.6 个月，这条关系比十倍更值得记，因为它是可以被人为改变的。

十倍在涨，分母也在涨。

可验证子集那边是 154 倍，合在一起这边是十倍。两个数都不是终点，是两次除法。

分母一旦是钱，曲线就分叉了：一条是模型自己走出来的，一条是钱包允许它走出来的。图上两条都叫能力。

200 小时，标在 2027 年 7 月。

旁边写着 50%。

**免责声明：本文基于公开信息撰写，仅供读者参考，不构成任何投资建议。**

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-metr-doubling-time-1122
本内容仅供参考，不构成投资建议。
