★ AI 晨报 · TECH RESEARCH2026·11·21过去 24 小时 · AI 强相关线索METR · 40 小时级任务SOURCE · THE INFORMATION以人类专家用时衡量任务规模 ★ AI 晨报 · TECH RESEARCH2026·11·21过去 24 小时 · AI 强相关线索METR · 40 小时级任务SOURCE · THE INFORMATION以人类专家用时衡量任务规模
AI 晨报/Tech Research
AI 晨报 · TECH RESEARCH 2026·11·21 过去 24 小时 / DAILY BRIEF
2026-11-21 · 过去 24 小时 AI 强相关线索

METR 评测:
AI 可完成 40 小时级任务

METR 把 AI 评测推进到更长的任务。最新报告称,部分模型完成了人类约需 40 小时的任务,并在部分编码和结果可量化的任务上超过参评专家。

SOURCE · The Information MEASURE · 人类专家用时 TASKS · 编码与可量化目标
AI 晨报固定主图
01
30 秒判断 / Brief

Brief

1 HEADLINE
今日头条 · 直接相关

METR 发现,GPT-6 Astra 等最新模型能完成部分人类约需 40 小时的任务。

企业可把有明确验收标准、通常需数天完成的工作纳入试点,用自己的任务测成功率。The Information 原文

HUMAN TASK TIME
40h

约一周的人类工作量,以人类专家完成同类任务的用时计。

REPORTED TREND
3.6

METR 报告所跟踪的能力指标约每 3.6 个月翻倍。

REPORTED TASK TYPES
2

报道列举了编码和目标可量化的任务,两类可以重叠。

02
主线故事 / Story

Story

NARRATIVE + 2 NODES
主叙事 / Main Narrative

METR 用人类专家的耗时给 AI 任务定标。

The Information 11 月 20 日报道,METR 发现多款近期模型能完成部分人类约一周才能完成的任务。在报告所评估的编码及目标可量化任务中,模型经常超过做同样任务的专家。The Information 原文

这给企业测试长任务提供了尺度。40 小时指人类完成该任务所需的时间。模型运行耗时、人工介入量和在内部流程上的成功率需要另行测量。

  1. 1

    40 小时衡量任务规模

    METR 用人类完成任务所需的时间来描述模型能处理的任务规模。约 40 小时对应人类一个工作周。试点可以先记录同一任务的人类用时和交付要求,再看模型能否独立通过验收,并把必要的人工介入单独计入。评测报道

  2. 2

    专家对照让结果可复测

    The Information 报道称,在编码和目标可量化的评测任务中,近期模型经常超过参与对照的人类专家。企业可先选有现成验收用例的工作,例如修复代码并通过指定测试,再在相同输入下比较交付质量。评测报道

03
证据 → 推论 / Evidence

Evidence

EVIDENCE → IMPLICATION
TASK LENGTH
Evidence 证据

METR 报告称,GPT-6 Astra 等模型完成了部分人类约需 40 小时的任务。The Information 原文

↓
Implication 推论

企业可以把需要数天、交付物明确的任务加入模型试点,并同时记录模型运行耗时和人工接手次数。

HUMAN BASELINE
Evidence 证据

在同一批编码和目标可量化的任务上,近期模型经常超过参评人类专家。The Information 原文

↓
Implication 推论

在内部复测时,让领域专家和模型用同一批输入交付,再用同一套测试用例评估质量。

PROGRESS RATE
Evidence 证据

按 METR 的报告,其跟踪的能力指标约每 3.6 个月翻倍。The Information 原文

↓
Implication 推论

模型升级时复用同一套内部任务,便于区分模型能力变化和测试题目变化带来的分数差异。

Key source index · 11 月 20 日 18:00 UTC · 三张证据卡均引自 The Information 对 METR 报告的报道。一周级任务评测
04
相邻渠道信号 / Signals

Signals

1 ADJACENT SIGNAL
THE INFORMATION · 直接相关

Anthropic 研究人员称借助 AI 证明黎曼猜想

11 月 20 日,The Information 报道 Anthropic 数学家 Levent Alpöge 在个人网站发表论证,称借助 AI 模型证明了 1859 年提出的黎曼猜想,论证仍待数学界独立核验。The Information 原文

05
接下来读什么 / Next

Next

EVALUATION METHODS

核对 METR 如何判定任务完成

读 40 小时级任务的报道时,可核对 METR 如何定义任务完成、选取对照专家和处理人工介入。The Information 原文

抓取池透明度 · Source Ledger6 ROWS

窗口为北京时间 2026-11-20 09:43:02 至 2026-11-21 09:43:02,下表原文时间采用 UTC。六个入口均返回 HTTP 200,登录有效,采集及 3 次单篇补读均未遇到 Cloudflare 验证。窗口内 6 篇有正文摘录,选用 METR 评测作头条,Anthropic 研究人员的证明主张作相邻信号。两个窗口边界线索经补读均校正为 10 月旧文,另一个临近截止时间的线索校正为 11 月 11 日。27 条前情仅用于选题校对。采集器另有 53 条未打开的 The Information 链接,正文未引用其中的主张。

来源
条目
相关
处置
Latest / 首页
33 条发现记录
直接相关
METR 提供可衡量的新结果,列为头条。Anthropic 数学家的证明主张尚待独立核验,列为相邻信号。
AI Agenda
20 条发现记录
直接相关
两篇补读均确认早于 24 小时窗口。无已核验可用新刊。
Applied AI
20 条发现记录
直接相关
Microsoft 篇补读确认是 10 月旧文。ServiceNow 篇是窗口外的企业软件线索。无已核验可用新刊。
AI Infrastructure
20 条发现记录
直接相关
有时间的两篇均早于窗口,另外 18 篇缺少核验时间及正文。无已核验可用新刊。
The Briefing / Briefings
20 条发现记录
直接相关
短讯入口发现 METR 头条和一条相邻信号,与首页记录去重。The Briefing newsletter 的 IPO 篇在窗口外,且该主题已作前一日头条。
Topic / Search
20 条发现记录
直接相关
Artificial Intelligence、OpenAI、Anthropic、Microsoft、Salesforce、ServiceNow 六个查询均返回 HTTP 200。窗口内可读的 IPO 复盘与前一日主题重合,未纳入。

Final takeaway · METR 的 40 小时结果把有明确验收标准的多日任务纳入了企业试点的范围。决定采用范围时,把模型交付质量、运行耗时和人工接手次数一起与专家基线比较。