Claude Opus 4.6：看起来强大，用起来还差点火候

该图片可能由AI生成

Reddit上关于AI的讨论总是热闹。这次的主角是Anthropic最新发布的Claude Opus 4.6，它在METR的软件任务基准测试中，50%成功率的时间跨度达到了14.5小时。

什么意思呢？通俗点说，就是这个AI现在能完成一些需要人类工程师花上大半天（约14.5小时）才能搞定的任务，而且成功率至少有50%。这个数字听起来挺唬人，图表看着也很陡峭——从几个月前的几小时，突然飙升到十几个小时，看起来像是指数级增长，甚至“超指数”增长。

问题来了：50%的成功率够用吗？

评论区吵翻了天。有人说，50%就够了，因为很多任务可以多跑几次，或者用“多数投票”的方式提高准确率。特别是在AI研发领域，只要能偶尔跑出一个突破性结果，然后人工验证一下就行。有人甚至算了笔账：50%成功率，最多也就多花一倍时间，总比人工从零开始强。

可企业级应用不这么看。一位在财富500强AI部门工作的工程师直截了当地说：如果我跟高管汇报说这个系统能用但只有50%成功率，基本不可能获批。80%？勉强有戏。99.99999%？那才叫稳妥。企业要的是可靠性，不是概率游戏。

还有个更根本的问题：METR的基准测试本身快要“饱和”了。他们最近才升级了测试任务，加入了更难的内容，结果新版本就快被攻破了。而且测试结果的误差范围大得吓人——Claude Opus 4.6的14.5小时，置信区间是6小时到98小时。这意味着它可能真的很强，也可能只是运气好。

最要命的是，80%成功率的基准测试，Claude Opus 4.6只比GPT-5.2高一点点。那条曲线看起来就没那么激动人心了。

有人在Reddit上感慨：“我LinkedIn上90%的软件工程师朋友，现在都陷入了'别抬头'（Don't Look Up）的集体否认状态。”有人已经开始用Claude做全栈开发，原本需要一年自学的东西，现在15小时搞定。也有人泼冷水：你让Claude预测关税政策可能行，让它给你投资建议或情感咨询？门都没有。

至于“持续学习”这个AI研究的终极难题，讨论里有个观点挺有意思：也许我们不需要先实现持续学习，再等AI自我改进。如果AI已经能够在上下文中适应任何场景，那就够了。自我改进的过程本身就是一种持续学习。

说到底，Claude Opus 4.6确实在某些任务上变强了，但离“全自动”还很远。它能帮你节省时间，但不能替你做决策，更不能保证不出错。这就像一个很有天赋但还不够成熟的实习生：你可以放心交给他一些任务，但还得时不时盯着点。

也许这才是当下AI的真实状态：数字很漂亮，实用性还在路上。

简评：

所有关于AI能力的争论，本质上都是同一个问题的变体：我们到底需要的是“偶尔惊艳”还是“持续可靠”？

50%成功率放在实验室里叫“重大突破”，放在生产线上叫“质量事故”。这不是AI的问题，是我们对AI的期待出了偏差。

曲线图上的指数增长确实让人心跳加速，但老板们看的从来不是曲线，是底线。技术圈兴奋的是“能做到什么”，决策层紧张的是“会出什么错”。

说白了，当下的AI就像一个智商超高但情商存疑的天才少年：解题能力惊人，但你敢把公司的命运交给他吗？

真正的分水岭不是AI变得多聪明，而是它什么时候变得“无聊”——无聊到像水电一样稳定，像计算器一样可靠。在那一天到来之前，所有的惊叹号后面，都得跟一个问号。

www.reddit.com/r/singularity/comments/1ra4lrn/claude_opus_46_is_going_exponential_on_metrs