AI 獨立做長任務的能力在長,但本報還不認它已是獨立能力軸或已賣得動——開獎 2027-07-23

這在吵什麼:模型能獨立做完多長的任務持續拉長,研究機構 METR 用 horizon(時間跨度:模型在一定成功率下做得完、換算成人類工時多長的任務)來量,爭論在這是否已成為一條獨立的能力軸、能不能變成生意。

為何重要:長跑能力若成了新的競爭軸,廠商會照任務時長或成果定價,企業採購與合約條款都得跟著改。

誰在對賭:認為長跑軸已成形並商業化的一派,對上本報判讀:能力在解鎖,但還不夠下這兩個結論,要四條線分開追。

本報判讀:模型獨立完成長時程任務的能力持續解鎖,但還不足以斷言它已經是一條獨立的能力軸,或已經被商業採用。

本報把它拆成量測、營收、可靠性、商業化訊號四條線分開追,各自結案,不混成一個總分。

可靠性那條的基線是 METR 2026-05 的讀數:以八成成功率計,模型做得完約 3–4 小時的任務,本報自設 12 個月看它能否突破 8 小時。

誠實記:這張卡原本的判斷句在資料裡遺失,現在這句是依原有四條結案方式與推翻條件重建,沒有新增判斷,也沒改動結案方式與到期日。

arXiv (Kwa/West/Becker...Barnes/Chan,METR)
「frontier AI time horizon has been doubling…」

BG2 Pod(Gerstner)× Atreides(Gavin Baker/Andrew Fox)× Altimeter(Clark Tang)
「there was a Copart tweet about this yesterday. He…」

Dwarkesh Podcast
「if you look at the size of a Tesla, and if you…」

Dwarkesh Podcast(Sholto 時任 Google Gemini,後轉 Anthropic;Trenton 任 Anthropic interp)
「I think that's more about nines of reliability and…」

Latent Space / AINews(swyx)
「GPT-5.6 Sol had a detected cheating rate higher…」

Latent Space / AINews(swyx)
「RL on health-domain conversations reinforcing…」

到 2027-07-23 對答案,四條線分開判:

①量測:METR 時間跨度量尺 1.1 版的後繼版本,對五成成功率時間跨度的下一年數列。停滯超過兩個翻倍期,長跑軸的說法就削弱。

②營收:Anthropic 或 OpenAI 公開的營收分解(上市申請文件或審計報告),能否切出長跑 agent(能自己連續做事的 AI 程式)產品的佔比。

③可靠性:以八成成功率計的時間跨度能否突破 8 小時(基線為 METR 2026-05 的 3–4 小時,本報自設 12 個月)。

④商業化訊號:任一前沿實驗室把任務時長或任務完成寫進定價或服務等級承諾。

什麼會推翻它

①任一前沿實驗室推出按時長或成果計價的模型層方案:「競爭換軸」的說法升權。

②八成成功率的時間跨度 12 個月內沒有突破 8 小時:「長跑能力是解鎖器」的說法降級。

③營收分解顯示長跑產品過半:長跑能力帶動營收的因果說法可以成立。

④METR 新量尺顯示五成成功率時間跨度停滯:長跑軸說法削弱,「能力已經夠用」的說法升權。