Anthropic 联合创始人 Jack Clark 在 10 月 25 日把自己的预期往前挪了一年。他此前认为递归自我改进，也就是 AI 系统自行研发下一代系统，最早要到 2028 年才可能实现，现在的判断是 2027 年。这个修正来自一个新的基准 TasteVal，测量的是模型自主设计实验并解读结果的能力，也就是研究品味。
TasteVal 怎么测
TasteVal 由 P-Zero Research 推出，把研究品味拆成三种能力：判断哪些研究问题值得追、设计能回答问题的实验、正确解读实验结果。基准只测后面两项，最有潜力的方向由题目提前给定，模型需要自己决定下一步跑哪个实验，再根据结果决定后续动作。
基准包含 8 个任务，范围覆盖训练数据选择、预训练与微调、对齐人类偏好训练、对抗提示防御等方向，每个任务都给出固定研究目标和可量化评分。为避免编码能力干扰结果，所有实验由一个固定的编码智能体在单张 Nvidia H100 上执行，每次运行在 40 个 GPU 小时或 120 个挂钟小时后终止。
对比组是 24 名在岗研究者
人类基线来自 24 名专家，来自 OpenAI、Google DeepMind、Nvidia 和微软研究院等机构近期任职过的人，每道题至少两人参与，取最好的一次作为基准成绩。
核心指标是计算倍率，衡量模型要花多少算力才能追平专家水平。Anthropic 的 Opus 5.5 拿到 2.3 的倍率，用不到一半算力就达到专家水平，单次运行成本约为专家平均尝试的三十分之一。统计区间落在 1.15 到 4.37 之间，低端的模型只能勉强领先。
每 3 个月翻倍，但别急着下定论
从 2025 年 12 月以来，这项能力大约每 3 个月翻倍一次，报告给出的翻倍周期区间是 1.7 到 5.0 个月。相比之下更早年份研究品味的增长慢得多，曲线是在 2025 年底到 2026 年初这段时间才变陡。作者自己也承认结果可能高估了研究品味的改善速度，这类能快速低成本自检的任务，恰好是实验室最容易优化的一类。
评估基础设施的成熟度也在同步推进，Anthropic 向 METR 开放员工级评估权限 那条进展讲的正是外部第三方如何拿到接近部署条件的环境来测模型，这套能力是判断自我改进进度时绕不开的前提。
延伸阅读
- 谷歌内测Gemini 4 Carbon：代码能力堪比Opus 5.5，Argon命名史曝光2 周前
- Replit 停用 Anthropic 改接 OpenAI：企业收入占比飙至 15%1 周前
- 美国国防部封杀Anthropic：拒绝移除安全护栏，Claude全面撤出Maven3 周前
- Anthropic 最快本周五公开提交 S-1：募资最多 1000 亿美元，估值 2 万亿4 天前
继续读
同一批更新里这几篇值得一看：
- Redwood SCE：模拟评估误差 3.6 个百分点2026-10-26
- Anthropic 称单智能体快 2 倍：多子智能体系统提示词砍 80%2026-10-26
- Anthropic 开源免费漏洞扫描器：11 天星标 15152026-10-26
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记
- Anthropic词条 · AI 自学笔记
- Claude Opus词条 · AI 自学笔记