OpenAI 在 11 月 18 日发布的内部研究报告给出了一组罕见的数据:编码智能体在无人工干预下能独立完成 46% 的预估 2 到 4 小时研究任务,这个数字在 3 月只有 23%。同一份报告也泼了冷水,智能体写推理服务代码的成功率只有 25%,研究人员愿意拿团队 40% 的人力去换回被停用的前沿编码智能体。下面按投入、过程、产出三层把这套数据拆开。
这份报告的特殊之处在于它是自曝家底。OpenAI 公开了内部研究组织的智能体使用额度、并发规模、时间分配和实验产出,目的是给递归自我改进这个话题提供可核对的观测点。报告本身强调,公开这些指标不代表 OpenAI 在追求完整的递归自我改进。
投入层:研究人员每天烧掉多少智能体额度
OpenAI 把 AI 研究拆成四类投入:数据、AI 工具、人力、计算资源,报告聚焦第二类,也就是编码智能体。衡量方式有三种,第一种是按 API 标价折算的使用额。
| 指标 | 2026 年 9 月 | 2026 年 10 月 | 环比 |
|---|---|---|---|
| 研究人员每日使用额中位数 | 1500 美元 | 2400 美元 | 涨 62% |
| 每日使用额第 90 百分位 | 11000 美元 | 23000 美元 | 涨 105% |
| 每位研究人员每日 agent workday | 0.5 个 | 5.7 个 | 约 11 倍 |
agent workday 的定义是智能体每运行 8 小时记作一个,这个指标比 API 账单更能反映实际占用的挂钟时间。团队之间差别明显,预训练与后训练方向平均约 8 个,扩缩放与基础设施方向约 4 个。到 10 月中旬,超过三分之二纳入统计的研究人员每日峰值并发至少 4 个智能体,超过 10% 的人峰值至少 16 个并发。
报告里有一段容易被略过的脚注,很有信息量。OpenAI 研究人员当时没有 agentic coding 配额,8 月 21 日内部临时上线了一次 harness 效率改进,导致输入 token 用量骤降,把当月记录的内部支出压得很低,这次改动从 9 月 10 日起因与支出无关的原因逐步撤回,支出随即恢复并猛涨。也就是说 9 月附近的趋势曲线并不干净,读数时要把 harness 变更算进去。
人力成本的对比例外值得记。截至 9 月,研究组织内 agentic AI 使用的 API 等价价值约为研究人员非股权薪酬的 2 倍,预训练与后训练方向的比例更高。这个比率不含股权,而股权在 OpenAI 研究人员的目标总薪酬里通常占 70% 到 80%,所以它只是资源配置变化的一个侧面。同一个报告还写明,包含内部 Codex、ChatGPT 与 API 使用在内的内部部署,只占研究总算力的 2%。
过程层:智能体擅长监控,不擅长搭环境
从 3 月到 10 月,智能体在无需人工干预下能完成的任务比例按预估人类工时分档统计。
| 任务预估人类工时 | 3 月 | 10 月 | 变化 |
|---|---|---|---|
| 2 到 4 小时 | 23% | 46% | 涨 23 个百分点 |
| 4 到 8 小时 | 13% | 35% | 涨 22 个百分点 |
把任务按 O*NET 的 AI 研发职能分类看,差距更清楚。8 月 1 日到 10 月 18 日这段窗口里,沟通类任务的无干预成功率 69%,分析类 58%,构建类只有 43%。落到具体任务上,智能体监控训练运行并发现异常的成功率 79%,回答技术问题 72%,而为推理与服务栈写代码只有 25%,构建评估、强化学习环境和智能体环境是 29%。
这组数字解释了报告标题里锯齿状三个字。高吞吐量的活儿集中在信息扫描、监控、批量分析上,而构建类任务是整体提效的瓶颈。报告同时提醒,成功率上升有两种成因,模型变强是一层,研究人员更愿意把简单活儿交出去是另一层,两者混在一起,无法只归给能力提升。
在 8 月下旬到 9 月初的一项 101 人内部调查里,研究人员被假设性地问,如果未来三个月内所有强于 GPT-5.2 的编码智能体被收回,愿意拿什么换回来。中位答案是团队 40% 的人力,或 30% 的团队计算资源。如果把时间点推到 2027 年 1 月,愿意交换的计算资源中位数升到 50%。另一组对比是,如果只能用 GitHub Copilot 加 ChatGPT,完成与上个月等价值的工作所需时间中位数是 3 个月。同一批人里有 27 人在 28 人中倾向选择最新内部模型,而不是一名中级研究工程师配 2024 年模型(如 o1-preview)。
访谈 10 名覆盖预训练、后训练与安全方向的研究人员,报告归纳出五个主题。移植并验证一个开源评估,以前要一周半到两周,现在从零到跑起来只要一天到几天。智能体不擅长一次性提出自己解不出的好问题,重复生成 100 次数据点会得到高度相似的结果。研究人员形容提交过被称为 AI slop 的 PR,也见过无效的分析假设。他们的应对办法变成先让智能体做一个样本,自己审一遍改一遍,再让它做完剩下的。有一位预训练研究员说自己想法品味更好,但对这种优势能否长期维持没有信心。同时,大规模扫描带来巨大提涨,有人让它把全部数据过几轮并做校准,产出一张整理好的大表,说没有 AI 这活会非常痛苦。
产出层:实验数涨了 68%,能力前沿每年抬 16.4 点
产出侧 OpenAI 给了三个指标:每位活跃贡献者修改的代码行数、每位活跃实验者运行的实验数,以及用于衡量能力趋势的 OpenAI Epoch Capabilities Index。前两项衡量活动量,第三项才直接对应能力进步。
代码行数统计口径做了调整,从季度平均改为 28 天移动平均,并且修改了纳入标准,明确排除测试代码。报告正文没有给出精确数值,趋势是 2026 年相对 2025 年前平均水平继续显著增长。实验数量这一项有明确数字,在截至 10 月 18 日的连续四周里,每位活跃实验者的已记录实验数平均达到 2025 年基线的 1.68 倍。
OECI 使用公开基准、内部基准及两者组合,图表覆盖 20 个公开发布的 OpenAI 模型和 28 个其他模型。结果是 OpenAI 模型的 OECI 前沿自 2025 年 8 月以来每年提高 16.4 点,作为对照,Epoch 观察到的通用趋势自 2024 年末以来约为每年 14 点。趋势线拟合了 9 个创纪录的 OpenAI 发布版本,垂直线是 90% bootstrap 区间。OpenAI 特别说明,OpenAI 模型在 OECI 上相对竞争模型的成绩比在 Epoch ECI 上更高,很可能是基准组合不同导致的,这个口径差异要留意。
另有一个领域维度的结论。OpenAI 用公开的 Slack 帖子、pull request 和内部文档分析 2026 年 1 月到 9 月的研究投入,各领域投入的研究时间都在增长,Safety & Alignment 的绝对增幅最大,有记录研究工作周增加 77%,正文另称几乎翻倍。明显拐点出现在 2026 年 7 月的 Hugging Face 事件之后。报告同时提醒 posttraining 与 safety 之间的分类并不绝对清晰,定义后续可能调整。
这份报告与站内已写的 OpenAI 用模型设计芯片 属于同一趋势的不同切面,一个是模型能力被用来做工程,一个是模型能力本身被智能体参与的研究往前推。两者的共同点是执行层已经高度自动化。
怎么理解这份报告的信号
把投入、过程、产出三层连起来看,OpenAI 的内部研究组织呈现出一种分工形态。智能体承担了监控、检索、分析、批量处理和相当一部分实现工作,人类退到提出问题、判断质量、审核与纠错的位置。这在站内的几篇稿子里能看到同类结构,TCSExam 100 题实测的前沿 Agent 排名 测的是智能体在既定题目上的能力边界,Anthropic 的智能体记忆设计 处理的是智能体长期运转时上下文怎么存,两件事都指向同一个前提,智能体的产出质量依赖外部结构设计,而不是纯模型能力。
能力提升的另一面是约束也在收紧。OpenAI 在同期披露的 Codex 沙箱的权限模型 决定了智能体能在多远的范围内动手,MCP 服务的 HTTP 端口部署 则是把这套工具接进真实系统的常见故障点。这几条与报告里 25% 的推理栈代码成功率放在一起看,能解释为什么构建类任务没有跟上监控类任务。
工具侧的变化同样快。Gemini API 的 Tool Retrieval 工具库 把工具定义从提示词里搬出去,Claude Code 的 Code Mode 尝试把一次调用串起多个工具,这两条都是在压低智能体调用工具的边际成本,方向和报告里 105% 的重度使用者增幅是一致的。
常见问题
这份报告能证明 AI 已经自主完成 AI 研发吗
不能。报告自己给出了否定答案。它承认当前的能力进步来自显著的人类与 AI 协作,历史趋势未必能预测未来自主研究带来的进步,OpenAI 正在关注数学等领域那种突发性快速突破是否会在深度学习研究中重现,并会持续监测 OECI 等顶层能力指标来判断能力进步是否因递归自我改进而加速。
为什么 46% 的任务完成率不能直接理解为效率提升 46%
因为成功率分母是预估人类工时而非实际投入时间,且提升同时来自模型变强与研究人员更愿意委派简单任务两层。报告还提示构建类任务成功率只有 43%,这一档如果成为瓶颈,整体提效就会卡住。
普通人怎么用上这套能力
路线是工具加结构。先挑一个自己每周都会重复的批处理任务交给智能体,同时把权限范围和审批点显式设好,比如 工具检索 与 Code Mode 这类机制都是在降低调用成本,权限和沙箱约束则是防止智能体越界的前提。
小结
这份报告最值得记住的数字有两个,一个是智能体在 2 到 4 小时任务上的独立完成率半年涨了 23 个百分点,另一个是研究人员愿意用团队 40% 的人力换回被停用的编码智能体。两个数字都指向同一件事,智能体已经从辅助写代码变成承担独立工作流的主力。25% 的推理栈代码成功率与 29% 的环境构建成功率则提醒,能力分布是锯齿状的,选场景比选模型更决定收益。报告给出的治理答案是继续追踪能力前沿指标并保持人类监督,这一条对使用者的含义同样直接,别把整条链路交给模型,人要留在评审和纠错的位置上。
相关阅读
- OpenAI 用模型设计芯片:AMD 旗舰 GPU 再提 14% 与 9881 次实测
- Codex 沙箱怎么配:3 个平台的权限模型与 3128 端口
- TCSExam 100 题实测:8 个前沿 Agent 排名,30 道开放猜想 0 分
- Anthropic 智能体记忆怎么设计:10 个文件打赢 413 个文件
- Gemini API Tool Retrieval:100 个工具库怎么省 token
- Claude Code Code Mode 怎么开:36 条修复与 2 小时后台
- MCP 服务怎么开 HTTP 端口:六类报错实测与多进程 404
延伸阅读
- GPT-6 Luna今起免费用:安全评分从0.927降至0.734,拒答率明显减少1 月前
- OpenAI 宣布 Astra 即将发布:因安全风险暂停后,9月1日更新进展3 月前
- OpenAI 发布 GPT-6 Cyber,越界率从 5% 降至 1%2 周前
- Terminal X 评测智能体一致率 88.6%,领先 2.2 个百分点4 周前
继续读
往下这几篇值得接着看:
想快速查定义?对应的词条在这里:
- OpenAI词条 · AI 自学笔记
