AI威胁脑力工作，Claude新模型致评测题库不足

一张趋势图这两天在科技圈炸了锅。国际最权威的AI评测机构METR发布最新测试结果，结果不是模型考了多少分，而是考官自己先认了输——题库不够用了。

被测试的模型叫Claude Mythos，来自Anthropic公司，2026年4月以预览版形式亮相。它在人类需要整整16个小时才能啃下来的复杂编程任务上，稳稳跨过了50%的成功率门槛。

而METR手里总共228道魔鬼级考题里，达到这个难度级别的，只有区区5道。16小时以上的题根本凑不齐样本量，评测数据直接进了“测不准”区间。

试卷满分只有100分，它考了100分，不是只能考100分，是卷子就印到这儿了。这事传递的信号比一张跑分表沉得多。

一个被困在考题里的考官

METR这个机构，干的事说白了就是给AI出卷子。

他们设计了一套叫做“任务时间跨度”的指标，核心逻辑很直白。

把AI当成人，扔给它一个真实的工程任务——读代码、理解架构、定方案、动手写、调试修bug，从头到尾不许人类插手。

然后看它能独立完成多大难度的活。

难度用人类专家需要花多少时间来标定，指标叫“50%任务完成时间跨度”——模型有50%的概率成功拿下这项任务。

过去几年，这条曲线一直在往上爬。

2021年最顶尖的模型只能搞定8秒级别的任务，写一行代码或者修一个拼写错误。

2023年初推进到1分钟量级，能写个小函数、做段简单调试。

2025年中，Anthropic发布的Claude Opus 4.5在METR评测里达到了约4小时49分钟的水平。

到了2025年下半年，Claude Opus 4.6又把这个数字推到了约14.5小时。

2026年4月，Claude Mythos Preview直接把标尺干到了16小时。

这意味着什么呢？

它能独立完成一个完整的工程子项目，读代码、理解架构、制定方案、编写实现、调试测试，一气呵成，全程不需要人类盯着。

在METR精心构建的228道魔鬼级测试任务里，归类到16小时及以上难度的只有5道。

就5道。

在这个阈值以上，METR自己都承认数据测算“不稳定且失去意义”。

95%置信区间的跨度从8.5小时一路延伸到55小时，宽得没法做精确比较。

OpenAI前超级对齐团队成员Leopold Aschenbrenner曾经预测2027年是AGI的奇点。

现在Mythos的表现已经略高于2027情景的趋势线。

时间还没到2027，数值先超标了。

AI的黑客流水线

评测爆表只是水面上的冰山。

水底下真正让行业睡不着觉的，是Mythos在网络安全上的表现。

2026年4月7日，Anthropic公布了Claude Mythos的漏洞发现能力。

这个模型自主挖出了数千个零日漏洞，覆盖了所有主流操作系统和所有主流浏览器。

不是理论上的弱点，不是只有在实验室里才能触发的边缘案例，是实实在在大摇大摆躺在生产代码里的漏洞。

有些已经潜伏了十几年甚至二十几年。

在开源系统OpenBSD里藏了27年的远程崩溃漏洞被它揪了出来，FFmpeg里一个埋了16年的缺陷同样被精确定位。

对Firefox 147的一次扫描中，Mythos一次性找出181个可用浏览器漏洞，上一代模型只找到2个。

2026年4月，Mozilla仅靠Mythos扫描Firefox就一次性修复了423个安全漏洞，创下历史纪录。

更要命的是，AI不止会“找漏洞”，它已经开始像高级黑客一样把多个微小漏洞自动串联成完整攻击链。

网络安全公司Palo Alto Networks的实测显示，用Mythos做漏洞分析，3周干完的活等于顶级渗透团队一整年的深耕。

它能把多个低严重度问题连成关键级攻击路径，从入侵到数据外泄，最快只要25分钟。

这也是为什么Anthropic公司反复强调暂时不公开发布Mythos，先只提供给约50家关键基础设施与头部科技公司使用。

白宫和华尔街也被惊动了

评测爆表加黑客能力双重刺激，最先坐不住的还不是程序员，是美国政府最高层。

Mythos有限发布当天，美国财政部长斯科特·贝森特与美联储主席杰罗姆·鲍威尔紧急跟华尔街高管开了闭门会议。

美国银行首席执行官布莱恩·莫伊尼汉、高盛首席执行官大卫·所罗门等人悉数列席。

这种级别的紧急磋商，美联储通常只会在2008年金融危机或2020年疫情冲击这种系统性风险面前启动。

白宫那边动作更快，国家网络安全总监肖恩·凯恩克罗斯直接牵头组建专项应对小组，要求各部门排查关键基础设施的安全软肋，加固政府系统防线。

《国会山报》网站4月14日报道说，白宫正紧急部署应对新模型可能引发的网络安全危机，AI的潜在风险已经跃升为美国政府的首要关切内容。

这事还迅速跨出了美国国界。

德国联邦银行（央行）行长Joachim Nagel在罗马发表演讲时明确表示，IT安全对金融稳定至关重要，要求所有相关机构都能获得类似Mythos这样的技术访问权，否则会扭曲竞争。

加拿大最大的银行和最高监管机构高管也召开了联席会议讨论风险。

马斯克的22万张GPU全押了上去

技术炸场、政策炸锅的同时，算力的牌桌也重新洗了一次。

就在2026年5月6日，埃隆·马斯克宣布旗下人工智能企业xAI作为独立实体正式解散，整体并入SpaceX，成为名为SpaceXAI的产品线。

几乎是同一时间，SpaceXAI宣布跟Anthropic达成一项协议：把Colossus 1超算集群的全部算力独家租赁给Anthropic，用于Claude系列模型的推理服务。

Colossus 1位于美国田纳西州孟菲斯，搭载超过22万块英伟达GPU，包括H100、H200和下一代GB200加速器。

按协议，Anthropic一个月之内就能拿到超过300兆瓦的新增算力，直接跻身行业第一梯队。

协议签署的时间点很有意思——刚好接在Mythos评测结果曝光之后。

一个超算集群，22万张卡，一次性砸进来。

评测框架刚被撑爆，算力又补上了一记重拳。

从2021年的8秒到2026年的16小时以上，AI完成复杂脑力任务的能力在5年内膨胀了几千倍。

METR的卡尺已经被拽断，下一步的增速几乎不可能用现有坐标去标定。

真正值得留意的不是AI是不是成了神，而是它的角色正在发生变化——从你问它答的搜索增强工具，变成了能长时间独立干活的数字员工。

网络安全行业已经先一步感受到了这股压力。

而如果AI未来开始自己研发更强的AI，技术进步的增速本身还会再加速，到那时连指数增长这条线都不够用了。