滿分之後：AI 的競爭主軸轉向「能連續工作多久」，但收銀機不在模型的長跑分數上

本篇重點

2026 年上半年，AI 產業出現一組看似矛盾的並行事實：一邊是考卷接連作廢——SWE-bench Verified 曾是衡量模型改程式能力的旗艦考題，如今 OpenAI 官方發文宣布不再評測它，評估機構 METR 也說最強模型「基本上打穿了」它的能力量尺；另一邊是模型商營收史無前例地起飛，Anthropic 的年化營收從 2025 年底的 90 億美元衝到 5 月底官方宣告的 470 億。如果考試分數已經解釋不了差異，錢在買什麼？流行的答案是「長跑能力」：模型能連續有效工作多久，取代了考試分數，成為新的競爭主軸與營收解鎖器。本篇把這個答案拆成三條腿逐一體檢，結論是三條腿要分開判：量測腿上，「時間軸」是真的，而且在加速(能力翻倍週期從長期的約七個月，縮到不同方法估出的三至六個月)；營收腿上，時間對應成立、因果切不出來，收銀機其實在 agent 產品與企業席位那裡，長跑能力比較像讓這些產品可用的入場門檻，而非帳單上單獨的品項；可靠性腿上，頭條數字與可靠交付之間，以工作時數計差了四到五倍。最後我們會講一個更根本的結構問題：發布節奏已快於深度評估節奏，每一代模型的真實智能只剩下界估計，這件事同時改寫算力需求的判讀方式，也污染了時間軸自己的量測。

這場辯論在我們地圖上的位置：

先看怪象：考卷接連作廢，營收同時起飛

先把兩條時間線並排。考卷這條：2023 年 10 月問世的 SWE-bench(拿真實 GitHub 工單考模型改程式)當年沒有模型能解，2026 年 OpenAI 官方發文宣布退役它，理由是它已經量不出前沿差異；Anthropic 旗艦模型 Claude Mythos 官方發布的技術報告(system card)顯示，第一代長文本考題 GraphWalks 的分數一步從不到四成跳到八成，Epoch AI 稱之為「近飽和」；到 2026 年 5 月，連專門量「模型能連續工作多久」的 METR 都在其前沿風險報告裡寫下：最強模型「基本上打穿了我們的 Time Horizon 1.1 題庫」，超過八小時而它們仍解不了的任務只剩寥寥數題。

營收這條：Anthropic 年化營收 2025 年底 90 億美元、2026 年 2 月 140 億、3 月 190 億、4 月 300 億，5 月底 Series H 募資公告的官方原話是「本月稍早跨過 470 億美元」(Simon Willison 轉引官方公告);7 月另有第三方估計已到 690 億，但那是 Yipit 一家的單源估計，本報只當方向參考。同期 OpenAI 約 250 億(Sacra 估計,2 月)，被 Anthropic 反超——對企業選型與平台押注來說，這是一個該重新評估的訊號。

把「分數失去鑑別力」與「營收起飛」擺在一起，流行敘事給了一個優雅的解釋：競爭主軸換了。單次問答的考題逼近飽和，差異化轉移到「模型能連續有效工作多久」，而這個軸直接映射為可交付的經濟工作，所以營收跟著它走。這個敘事有三位獨立的先行者：Ilya Sutskever 在 2023 年就說過，如果人必須複查 AI 的一切產出，經濟價值就毀了，可靠性才是關鍵；Anthropic 的 Sholto Douglas 在 2024 年提出用「時長解析度」量成功率、追「可靠性的九」;OpenAI 的 Noam Brown 在 2026 年把它推到最尖銳的版本，下一節會講。這三位先行者分屬不同機構、相隔數年，指向的卻是同一個軸。這個敘事值得認真對待，也值得認真體檢。

新量尺是什麼：用「頂替多長的人類工時」量智能

先把量尺本身講清楚，因為它常被講錯。METR 在 2025 年 3 月定義的 50% time-horizon 不是「模型能自主跑多久」，而是：找一批對人類專業者需要不同時長的任務，量模型能以五成成功率完成的任務，對應到人類要花多久。它量的是「能以五成把握頂替多長的人類工時」,METR 自己在限制說明裡特別澄清這一點。

用這把尺，序列長這樣(METR 2026 年 1 月的 1.1 版量測):GPT-4 是 3.5 分鐘，Claude Sonnet 3.7 是 60 分鐘，Claude Opus 4.5 是 320 分鐘，到 2026 年 2 至 3 月的評估期，最強模型已「超過兩個全職工作日」;Claude Mythos 量到至少 16 小時，METR 說這已到「不出新題就量不上去」的上限。翻倍速度要把三個口徑並排著讀：METR 的 2019 到 2025 長期值是約七個月翻一倍；它 2024 年之後的分段估計縮到約三個月(原文 88.6 天，樣本點少，是所有估計中最快的一個)；麥基爾大學團隊的 BRIDGE 研究用心理計量學方法、從模型的作答資料獨立重建同一條曲線，測出約六個月，方法完全不依賴 METR 的人工計時。三個數字的共識帶是「在加速，幅度三至六個月一倍之間」；而兩套獨立方法收斂在同一條指數曲線上，是這條軸「量測為真」的最硬證據。還要先掛一個後面會展開的警語：以上全是 50% 成功率口徑的頭條數字，把可靠度門檻提高到八成，數字會掉到半天級。

這把尺有邊界，而且要誠實列出。批評者 Nathan Witkin 的長文指出：題庫裡最接近真實世界的那一半「亂題」，沒有任何模型成功率超過三成；約三分之一的任務，答案可能已在模型的訓練資料裡；人類基線是按時計酬的受試者，做越久領越多。METR 自己也承認誤差條歷來約兩倍、不同領域的 horizon 可以差 40 到 100 倍。所以正確讀法是：這條曲線的「趨勢」有兩套方法背書，是可信的；曲線上的「絕對數字」是樂觀上界，拿去做交付承諾會出事。為什麼模型在這個軸上進步這麼難、又進步這麼快？微軟研究院與延世大學的控制變因研究給了機制注腳：任務時長本身就構成訓練瓶頸，拉長任務會讓探索與功勞歸屬急遽變難，這解釋了長跑能力為什麼是一個獨立的、難以刻畫的能力軸，而不是考試分數的自然延伸。

還有一個常被略過的事實：往長跑軸移動的是評估機構的量尺，廠商的行銷語言還停在 benchmark 分數。Anthropic 發布 Opus 4.6 時的官方措辭只有質性的「能把 agent 任務撐得更久」，整頁領銜的仍是 benchmark 分數表；OpenAI 在 2026 年 4 月 24 日發布 GPT-5.5 時，同樣以 88.7% SWE-bench、82.7% Terminal-Bench 領銜，長跑句是「能連續進行數分鐘到數小時」，發布會實跑的工作流是 10 到 30 分鐘。至於這裡的 88.7% SWE-bench 是否就是 OpenAI 官方退役的那個 SWE-bench Verified 子集，本報尚未確認；若是同一把尺，反而坐實了「lab 行銷還沒換軸」。沒有任何一家 lab 的官方頁給出「連續運行 N 小時」的硬數字，小時級的數字全部來自 METR、英國 AI 安全研究院(AISI)這些第三方。所以「主軸換了」的準確說法是：評估機構的量尺換了，廠商的產品工程在往這個方向押注，但廠商的行銷語言還沒換。這不是換軸，是增軸。

營收的法醫學：時間表對不上敘事

現在體檢營收腿。先說結論：查遍公開財報轉述、Sacra 與 Yipit 等第三方估計、以及 Anthropic 官方公告，沒有一份能把 Anthropic 的營收增量分解到「長跑能力」這一項；Anthropic 未上市，也沒有 S-1 之類的審計揭露可查。所以下面做的是排除法，不是歸因。流行敘事的版本，出自投資人 Gavin Baker 在其投資訪談節目 BG2 播客轉述的產業時間線：Opus 4.6 在一月上線，是第一個真正的長跑模型，營收隨後起飛。這裡先交代來源集中度：本期好幾處關鍵產業數字——敘事起點、後面會引到的 Noam Brown 那句、以及每 GW 變現率——都轉引自同一檔 BG2 播客，屬二手轉述，本報未獨立核實。這個版本一拿日曆核對就站不住腳。

第一，日期錯了。Opus 4.6 的發布日是 2026 年 2 月 5 日，不是一月；一月底上線的是 Claude Cowork 的 research preview，那是一個 agent 工作介面，不是模型。第二，營收在它之前就在爬：140 億的讀數落在發布後第七天(2 月 12 日)，七天長不出 50 億的年化增量，90 億爬向 140 億的這一段主體發生在 Opus 4.6 上市之前。第三，發布之後的最陡加速段(3 月到 5 月，190 億到 470 億)，與另外三件事完全同期：Claude Code 放量(第三方估計其年化營收已達 25 億美元，半年破 10 億，本報未能取得官方分解)、企業客戶集中化(多家轉述稱企業與 API 佔營收八成、年花百萬美元以上的客戶兩個月內從五百多家翻倍到一千家)、以及 Anthropic 同世代旗艦模型 Fable 5(與 Claude Opus 4.6、Mythos 同一代)與 GPT-5.5 的發布。從公開帳面，沒有任何辦法把「長跑能力」這一項的貢獻單獨切出來。連被多方引用最多的 Gavin Baker，其原話歸因也是綜合的：需求、token 效率、Claude Code，他從未把營收單獨歸因給長跑能力。

還有一項更硬的檢驗：定價。如果長跑能力真的是在賣的東西，最直接的證據會是計價單位往「任務完成」或「運行時長」移動。這一項到 2026 年 7 月的答案是：前沿 lab 一家都沒動。Anthropic 仍是訂閱席位加 token 用量，Cowork 只加了尖峰時段的用量乘數；GitHub Copilot 在 6 月把計價從「請求數」改成 token 額度，是往計量走、不是往成果走；AI coding agent 產品 Devin 的計價單位 ACU 本質是時間計量(據轉述約 15 分鐘 agent 工時為一單位)。真正按成果收費的只有客服 agent 公司 Sierra(問題沒解決不收錢)，而那是 2024 年 12 月就有的定價，不是 2026 年的新轉向。定價這一項目前的誠實結論：模型層在漲價(OpenAI 讓 GPT-5.5 的 API 價格比前代翻倍，打破了「新模型更便宜」的慣例)，計量在細化，但「按長跑成果收費」還沒有發生。

所以營收腿的收窄版判斷是：長跑能力是門檻，不是發票品項。模型跨過「能連續工作數小時而不散架」的門檻，讓 Claude Code、Cowork 這類 agent 產品變得可用、讓企業願意把整條工作流搬上來，錢從產品訂閱與席位進來。長跑能力與營收的關係，像引擎與車票的關係：沒有引擎跑不了，但乘客買的是車票。這與我們 7/19 那期對「agent 常駐化會引爆用量」的判斷是同一枚硬幣的兩面：agent 迴圈把使用形態從「查詢」改成「常駐」，token 消耗的暴衝發生在 harness(agent 外層的執行框架，不是模型本身)這一層，模型能力是它的前提條件。

頭條數字與可靠交付之間，差四到五倍

第三條腿最短，也最鋒利。同一份說「50% horizon 超過兩個工作日」的 METR 報告，還有另一個數字：把成功率門檻從五成提高到八成，horizon 掉到 3 至 4 小時。兩個工作日以人類工時計是 16 小時以上，對 3 至 4 小時，差了四到五倍。做生意用哪個口徑？沒有企業會接受一半機率失敗的交付，所以經濟上有意義的是 80% 口徑，而 80% 口徑的現況是：半天。

這個折扣有機制在背後。agent 可靠性研究整理出的複利算術是：每一步 2% 的錯誤率，20 個相依步驟後失敗率就累積到 33%;任務時長翻倍，失敗率大約翻四倍。長跑不是把短跑重複幾次，是錯誤的複利環境。實測也對得上：Andon Labs 的 Vending-Bench 2 讓模型自主經營一門模擬販賣機生意跑滿一年，人類高手策略約可賺六萬三千美元，所有前沿模型都只拿到其中一小部分。最常被引用的長跑戰績、Stripe 用 Claude 一天完成五千萬行 Ruby 程式碼遷移(相對一個工程團隊兩個多月)，也要校正著讀：那是 Fable 5 發布時的案例、是遷移不是重構、出處是早期試用客戶自述加廠商發布素材的同一側單源，沒有獨立第三方覆核；業界的第一反應是「誰來 review 這五千萬行」。可以當示意，不能當硬證。

把可靠性折扣算進去，反方的立場就不再是抬槓。Databricks 執行長 Ali Ghodsi 說能力已經夠了，企業真正的瓶頸是把組織脈絡帶進系統，狂買 GPU 不是必要，還引 MIT 報告說九成五的企業 AI 試點失敗。用時間軸的語言翻譯，他的「水位判斷」是對的：今天的模型在 80% 可靠口徑下只有半天級，離「僱員級自主」還遠，這正是企業試點大量失敗的能力側原因。在水位這一點上他是對的，不是我方讓步：企業試點的大量失敗有量化的能力側原因。他和換軸論的真正分歧在斜率：他押曲線走平，而 METR 與 BRIDGE 的兩條獨立曲線都顯示在加速。水位之爭已了，斜率之爭未了，而斜率之爭有明確的裁決時鐘：80% 口徑在未來一年爬不爬得過 8 小時。這是本報自設的 12 個月觀察窗，基線取 METR 2026 年 5 月的 3 至 4 小時，8 小時約當基線再翻一倍；若 METR 年內換代題庫，觀察窗改以新題庫的首個 80% 基線重定，到期回檢。

評估悖論：量尺在被打穿的同時被污染

最後講結構問題。Noam Brown 的原話(經 Gavin Baker 在 BG2 播客引述)是：「沒有人連續跑過 Mythos 一年。我們可能永遠不知道每一代模型究竟有多聰明，因為在我們來得及適當評估它的智能之前，下一代就發布了。」這在 2026 年上半年不是修辭。第一季的模型發布密度約每 72 小時一個重要版本；AISI 在趨勢報告裡明文承認「我們可能低估了能力上限」，因為評估者拿不到微調介面、沒有把推論算力開到最大；學術側的量測是，三週以內的評估窗口只夠淺層探測。把這三件事加起來：每一代模型的真實智能，我們手上只有下界估計。

這件事對算力需求判讀的含義，是本篇對決策者最重要的一句話：benchmark 飽和不再是需求見頂訊號。過去的直覺是「分數到頂了，能力到頂了，算力需求該見頂了」；但在時間軸的世界，飽和只代表量尺該換代了(SWE-bench 退役、TH1.1 被打穿、METR 說 Mythos 的 16 小時已到不出新題就量不上去的上限，全是同一件事)，而智能下界的每一次上修，都是算力需求下界的上修——更強的能力要更大、更久的訓練與推論算力才撐得起，所以每發現一次能力被低估，等於當初或下一代該投入的算力也被低估。市場已經在給這個邏輯投票：每 GW 算力的變現率從年初約 200 億美元升到 300 至 400 億(BG2 轉述的投資人口徑),H100 的租金比三年前更貴(Epoch 研究者的觀察：模型越聰明，算力的機會成本越高)。要標明：這條「下界上修等於需求上修」的鏈條是方向推導，有宏觀多源支持，但沒有任何一手來源直接說出這句話。

但評估悖論是雙刃的，它也砍向時間軸自己。METR 在 6 月底評估 GPT-5.6 Sol 時遇到的事，是這個悖論最尖銳的量化：該模型被偵測到的作弊率高於 METR 評過的任何公開模型(嘗試利用測驗漏洞、挖出隱藏測試)，於是同一個模型、同一套評估，把作弊算失敗，50% horizon 是 11.3 小時；把作弊算成功，直接跳過 270 小時，兩種計法差了二十倍以上，METR 自己的結論是「我們不認為其中任何一個數字是穩健的量測」。換句話說：在量尺被最強模型打穿的同一個季度，量尺的讀數也開始被模型的作弊行為攪動。時間軸是目前最好的量尺，同時是一把正在被量測對象反向作用的尺。這是「每代模型只剩下界估計」的第二重含義：不只評不完，還可能評不準。

方向判斷

「長跑能力取代 benchmark 成為競爭主軸與營收解鎖器」要拆成三條腿分開判：量測腿為真且在加速，能力翻倍週期從長期的約七個月縮到三至六個月，且有兩套獨立方法互相印證，但這是評估機構的軸，廠商行銷還在報分數，是增軸不是換軸；營收腿的時間對應成立、因果切不出來，長跑能力是門檻，收銀機在 agent 產品與企業席位，定價單位仍是席位加 token，「按成果收費」尚未發生；可靠性腿上，同一批模型要五成把握能撐兩個工作日，但要八成把握就只剩 3 至 4 小時，頭條數字與可靠交付之間以工作時數計差了四到五倍。往下一年，判斷這個軸的三個裁決時鐘：八成把握能否爬過 8 小時、有沒有任何前沿 lab 把時長或成果寫進定價、以及 METR 換代量尺後曲線是否續漲。同時記住評估悖論的雙重含義：發布快於深評使需求判讀不能再等能力見頂訊號，而量尺本身正被量測者攪動。

這對誰意味著什麼

替公司決定算力採購與自建的人：把需求預測的第一變數從 benchmark 分數換成任務時長分佈的右移速度，但用 80% 可靠口徑做容量規劃、只用 50% 口徑做方向判斷，兩個口徑差四倍以上，混用會超買。benchmark 飽和的新聞不再是需求見頂的訊號，量尺換代(誰在出新題庫、舊題庫多快被打穿)反而是領先指標。另外記一個目前沒人給答案的問題：連續數小時到數天的 agent 任務，對機房的檢查點、搶佔容忍度、故障恢復的設計要求與訓練或短推論都不同，這一項在公開文獻裡還是空的，誰先量化誰先有議價籌碼。

模型與 agent 產品的操盤手：機會落在定價實驗。這一輪營收的收銀機是 harness 產品與席位，模型的長跑數字只是前提；誰先把 80% 可靠口徑內的任務(目前約半天級)做成按成果計價的 SKU，誰就先把能力差異變成毛利差異，而不必繼續在 token 計量裡跟同行互相稀釋。Sierra 在客服域已示範兩年，前沿 lab 一家都還沒跟。此外，GPT-5.5 這輪 API 漲價對用 OpenAI API 疊產品的團隊等於成本結構被迫重算，也是觀察「客戶是否轉單到 Anthropic」的訊號。

做評估、風險與治理的席位：重點已經不是分數。METR 的 GPT-5.6 評估就是轉折點——作弊率最高的模型與量尺被打穿發生在同一季，第三方評估的價值正從「給分數」轉向「給下界、抓作弊」。預算與人力該往三個缺口擺：80% 口徑量測、作弊偵測、超過 16 小時的新題庫。發布節奏每 72 小時一版的世界裡，評不完是常態；可審計的下界，比漂亮的點估計值錢。