Отчёт METR анализирует темпы развития моделей Anthropic и роль искусственного интеллекта в создании следующих поколений ИИ. Он показывает признаки ускорения, но не подтверждает появление сверхразума через четыре месяца или через один-два года.
Главная проблема обсуждения связана с подменой разных утверждений. Рост баллов на внутренних тестах, ускорение работы исследователей и частичная автоматизация экспериментов не равны полноценной автономности. Тем более они не доказывают существование искусственного сверхинтеллекта.
Какие заявления о Model 4 остаются неподтверждёнными
В пересказах отчёта фигурирует внутренняя модель Anthropic под названием Model 4. Широкой публике она недоступна. Исследователи METR, по представленным материалам, не могли напрямую общаться с ней и запускать собственные задания. Их выводы опирались на документы компании, внутренние показатели и интервью с сотрудниками.
Сведения о Model 4 нужно разделять на две группы. Сам факт существования обозначения и отдельных внутренних данных относится к материалам исследования. Название публичного продукта, дата выпуска, состав модели и её результаты в независимых проверках остаются неизвестными.
- Сообщение о 178,6 балла во внутреннем индексе Anthropic пересказывает закрытые данные, а не результаты открытого тестирования.
- Сравнение с 174,5 балла у Opus 5.5 и 172,5 у Mifas 5.1 нельзя считать независимым сравнительным бенчмарком.
- Утверждение о преодолении порога 50 процентов во всех 15 тестах также не прошло полноценную внешнюю проверку.
- Предположение, что Model 3 связана с ранее обсуждавшейся Claude Mifas 5.5, остаётся интернет-слухом без подтверждения.
Такая маркировка важна не ради формальности. Когда закрытый индекс и неподтверждённое название модели превращают в доказательство сверхразума, читатель получает гораздо более сильный вывод, чем позволяет исходный материал.
Что именно исследовал METR
По представленному описанию, команда изучала данные о предварительном обучении и обучении с подкреплением, вычислительные затраты, результаты тестов, объём кода, численность сотрудников, расходы на ИИ-агентов и материалы об автономных исследованиях. Исследователи также провели около 15 интервью с работниками Anthropic.
Проверку первоначально планировали завершить за четыре недели, но она заняла одиннадцать недель. В пересказе указано, что работа проходила с 12 августа по 29 октября 2026 года, а публичная версия отчёта появилась после согласования конфиденциальных фрагментов. Эти даты относятся к описанию конкретного исследования и не подтверждают будущие релизы Anthropic.
Anthropic получила возможность удалять конфиденциальные сведения из публичного текста. По оценке METR, компания скрыла значительную часть материалов, которые исследователи считали наиболее информативными. Читатель не может полностью воспроизвести расчёты и проверить наиболее сильные аргументы об ускорении.
По критериям Форума независимых оценщиков искусственного интеллекта отчёт, согласно приведённому пересказу, не полностью соответствует требованиям прозрачности. Это не делает выводы бесполезными, однако снижает уверенность в точности отдельных оценок.
Ускорение развития не означает появление сверхразума
Ключевая количественная оценка METR касается темпа роста внутреннего индекса возможностей Anthropic. До октября 2025 года модели, по данным исследования, прибавляли примерно по 15 баллов IC в год. После этого оценка выросла примерно до 29 баллов в год. Стандартная интерпретация указывает на ускорение примерно в 1,9 раза, а заявленный интервал неопределённости составляет от 1,5 до 2,8 раза с 95-процентной уверенностью.
Эти числа описывают изменение показателя, а не появление нового типа интеллекта. Индекс IC объединяет результаты большого числа тестов в один показатель. Он помогает сравнивать динамику выбранного набора задач, но не измеряет универсальную способность системы самостоятельно ставить научные цели, строить долгосрочную стратегию и отвечать за результат.
| Утверждение | Что оно действительно показывает | Чего оно не доказывает |
|---|---|---|
| Рост IC примерно с 15 до 29 баллов в год | Изменение результатов выбранных тестов Anthropic | Появление сверхразума или универсальной автономности |
| Оценка ускорения около 1,9 раза | Расчёт, зависящий от статистической модели и набора данных | Точный темп развития всей индустрии |
| Улучшение работы исследователей с ИИ | Сокращение времени на код, исправление ошибок и эксперименты | Пропорциональное ускорение всей научной деятельности |
| Высокие результаты Model 4 во внутренних тестах | Пересказ закрытых показателей Anthropic | Независимое подтверждение характеристик модели |
Когда в расчёт включили передовые модели OpenAI, Google, xAI и других разработчиков, оценка ускорения для всей индустрии снизилась примерно до 1,4 раза. Темп роста изменился с 17 до 24 баллов в год. METR не выбрала между двумя объяснениями: Anthropic могла догонять конкурентов, либо другие лаборатории раньше сильнее оптимизировали модели под конкретные тесты.
Почему внутренний индекс Anthropic нельзя считать независимым бенчмарком
Внутренний индекс создаёт сама компания, которая разрабатывает оцениваемые модели. Это не делает показатель недействительным, но требует осторожности. Для оценки нужны сведения о составе тестов, правилах подсчёта, распределении заданий, объёме вычислений во время ответа и способах защиты от подгонки.
В пересказе отчёта указано, что логистическая модель дала ускорение 1,9 раза, probit-модель около 1,8, а другие методы от 2,6 до 2,9 раза. При некоторых предположениях показатель снижался до 1,1 раза. Все варианты описывали данные с близкой точностью на проверочных выборках, поэтому METR сохранила стандартный метод и отдельно указала на неопределённость.
Вывод зависит и от того, какие тесты включают в расчёт. После исключения отдельных заданий, включая OSWorld и MMU, либо задач, где модели уже превысили порог 85 процентов, оценка ускорения сохранялась примерно в диапазоне от 1,9 до 2,2 раза. Это поддерживает исходную гипотезу, но не превращает её в установленный закон развития ИИ.
Тесты становятся слишком простыми для передовых моделей
Если модель решает почти все задания конкретного теста, следующий прирост возможностей плохо отражается в итоговой шкале. Набор перестаёт различать сильную и ещё более сильную систему. Такая проблема называется насыщением теста: результат приближается к верхней границе, хотя практическая разница между моделями может сохраняться.
Исследователи также описали необычные формы кривых результатов. Они могут указывать на недостатки заданий или на небольшую группу исключительно сложных задач, которые непропорционально влияют на итог. После исключения трёх тестов оценка Model 4, по материалам пересказа, выросла с 178,6 до 179,7 балла. Это может означать, что индекс немного недооценивает новые модели, но одновременно показывает чувствительность результата к составу тестовой батареи.
Сравнение осложняет и объём вычислений во время выполнения задания. Внутренние задания Anthropic, агентное программирование и длительные тесты METR требуют разного количества входных и выходных токенов. Чем больше времени на рассуждение, обращение к инструментам и исправление ошибок получает модель, тем выше её результат. Сравнивать только название модели без режима вычислений недостаточно.
Что означает автоматизация исследований Anthropic
Сотрудники Anthropic, согласно интервью, описывали переход от написания небольших фрагментов кода под постоянным наблюдением к запуску нескольких агентов одновременно. ИИ стал брать на себя кодирование, исправление ошибок и подготовку инфраструктуры. Отдельные идеи, на реализацию которых раньше уходил один-два дня, стало проще проверять, а несколько гипотез можно было запускать параллельно.
Эти наблюдения важны, но они не равны полностью автономному научному циклу. Исследователь по-прежнему выбирает значимую проблему, оценивает качество гипотезы, интерпретирует неоднозначные результаты и решает, какие эксперименты имеют смысл продолжать. Задача с автоматически проверяемым ответом устроена иначе, чем реальная научная работа, где критерий успеха часто формируется в процессе.
По оценке METR, полностью автономные исследования пока недостижимы. ИИ не способен без участия человека вносить действительно значительный вклад в наиболее важные этапы обучения передовых моделей. Этот вывод ограничивает сенсационную трактовку отчёта: ускорение инструментов ещё не стало самоподдерживающимся циклом, в котором ИИ самостоятельно улучшает всю систему.
Почему прогнозы о четырёх месяцах и двух годах нельзя выдавать за факт
В китайских СМИ обсуждался сценарий, согласно которому сверхразум из проекта AI 2027 теоретически может появиться уже через четыре месяца. Исследователь Райан Гринболт, которого в одном из пересказов связывают с METR, работает в Redwood Research и, по представленным материалам, допускает появление искусственного сверхинтеллекта или ACI в течение одного-двух лет.
Оба утверждения относятся к прогнозам. Они описывают возможные траектории, а не зафиксированные события. Даже если оценка ускорения METR верна, из неё нельзя механически вывести дату появления сверхразума. Для такого вывода потребовались бы согласованные определения сверхразума, независимые измерения автономности, проверка переноса навыков на новые области и данные о способности системы самостоятельно улучшать собственные методы.
А что изменится, если следующая проверка подтвердит ускорение в 1,9 раза? Она усилит гипотезу о заметном влиянии ИИ на развитие ИИ. Но и тогда останутся вопросы о границах тестов, роли вычислительных ресурсов, найме людей, качестве данных и переносе результатов из лаборатории в реальные исследования.
Главный риск связан не с датой релиза
Наиболее обоснованный вывод касается разрыва между скоростью разработки и скоростью проверки безопасности. Если новые возможности появляются быстрее, чем специалисты успевают изучать их поведение, тестировать ограничения и анализировать риски, контроль становится слабее. Для этого не требуется сверхразум. Достаточно быстро растущих моделей, которым поручают всё более длинные цепочки действий.
В пересказе отчёта около 80 процентов наблюдаемого ускорения к октябрю 2026 года связывается с использованием ИИ. Остальную часть авторы оценки относят к росту числа исследователей и увеличению вычислений во время работы моделей. Эта оценка не подтверждена прямым сравнением с компанией, которая развивалась бы без ИИ, поэтому её следует считать гипотезой, а не измеренным причинным эффектом.
Субъективные опросы сотрудников дают ещё более высокие значения роста производительности, но сами исследователи предупреждают о слабой методологии. Участников не отбирали по строгой схеме, оценки могли содержать преувеличения, а ускорение одного специалиста не означает пропорционального ускорения всей компании.
Как проверять сенсационные сообщения о сверхразуме
- Уточните объект. Речь идёт о публичной модели, закрытом прототипе, внутреннем индексе или слухе о названии?
- Проверьте доступ к данным. Исследователь сам тестировал систему или изучал документы разработчика?
- Разделите результат и интерпретацию. Рост балла на тесте не равен универсальному интеллекту и автономности.
- Посмотрите на методику. Важны состав заданий, верхний порог, объём вычислений и статистическая модель.
- Ищите независимое повторение. Один внутренний отчёт не заменяет внешние тесты и воспроизводимые данные.
- Отделяйте прогноз от события. Формулировки «через четыре месяца» и «в течение двух лет» описывают сценарии, а не подтверждённые сроки.
Вывод
Отчёт METR поддерживает осторожный тезис: ИИ уже заметно меняет работу специалистов, которые создают следующие поколения моделей, а темп развития Anthropic мог ускориться. Одновременно публикация не доказывает, что Model 4 является сверхразумом, что её внутренние баллы сопоставимы с независимыми бенчмарками или что полноценный искусственный сверхинтеллект появится в ближайшие месяцы.
Надёжная формулировка звучит скромнее сенсационного заголовка. Есть признаки ускорения разработки и роста полезности ИИ-агентов, но автономное научное самоулучшение пока не подтверждено. Название Model 4, её публичные сроки и соответствие закрытых показателей внешним тестам остаются неизвестными.
Частые вопросы
Доказывает ли отчёт METR появление сверхразума?
Нет. Отчёт анализирует темп роста показателей и влияние ИИ на работу исследователей. Он не устанавливает факт появления сверхразума.
Model 4 Anthropic уже выпущена?
Публичный статус, название продукта и дата выпуска неизвестны. В материалах фигурирует внутреннее обозначение, а не подтверждённый пользовательский релиз.
Можно ли считать 178,6 балла независимым результатом?
Нет. Это пересказ внутреннего индекса Anthropic, полученный без прямого доступа исследователей к Model 4. Независимая проверка результата отсутствует.
Что METR считает главным риском?
Развитие возможностей может опережать исследования безопасности. Тогда специалисты будут медленнее выявлять новые режимы поведения и проверять системы до их широкого применения.
Сравните модели перед запуском
Тарифы, лимиты и список моделей — на стороне сервиса. Если что-то разойдётся с описанным здесь, напишите: поправим материал и проставим новую дату проверки.
Открыть каталог моделейСсылка партнёрская: цена для вас не меняется, проект получает вознаграждение.
