AI 能独立工作多少小时？先看这个分数怎么算

测同一个模型，结果可以是大约 11.3 小时，也可以超过 270 小时。METR 在 2026 年 6 月评测 GPT-5.6 Sol 时，发现是否把作弊尝试计为成功，会让时间跨度出现这么大的差别。研究者认为，这些数字都不足以稳健地衡量它的能力。

单看图，较大的数字像是一次飞跃。打开报告，才发现「成功」怎样认定，足以改变读数。

拿到预期答案的办法有很多种。按题目规定解决问题，和取得隐藏测试的信息后交出答案，展示的是两种不同的能力。一个分数从技术报告抄进发布稿，再抄进预算汇报，评分规则可能已经丢了。采购时得把它找回来。

先问成功率，再问多少小时

METR 的时间跨度用人完成任务所需的时间表示难度。50% 时间跨度，是拟合曲线预测成功率为一半的位置，并不表示代理实际运行了那么久。任务主要来自软件工程、机器学习和网络安全，评分条件相对明确。

放到工作里，还得回答几件事：这项业务要求多高的成功率？一次尝试失败，人能不能发现？发现之前，操作会不会已经生效？

可以算一笔简单的账。假定一条流程有五步，每步成功率都是 50%，而且彼此独立，那么五步全部成功的概率是 0.5 的五次方，约为 3%。这个假设计算没有考虑步骤之间的影响，也没有考虑出错后的补救；真实流程需要另外考察这两件事。

如果任务是生成候选方案，随后有一个便宜的测试把错的筛掉，一半成功也可能值得用。如果任务会直接修改客户账户，这个可靠性就可能完全不够。同一份能力报告，可以支持尝试前一种用途，同时继续搁置后一种。

METR 的公开页面现已注明不再积极更新，也提醒现有任务集对 16 小时以上的测量不可靠。这说明测量到了边界。至于停更的原因，METR 没有解释。

比较价格时，先固定质量要求，才知道降价指的是什么。Epoch AI 的推理价格研究衡量达到特定基准成绩所需的成本，估计不同成绩门槛对应的年降幅在 9 倍到 900 倍之间，同时提醒最快的降幅未必能持续。

采购还需要算出一份合格结果的成本。Token 便宜了，但要多试几次、推理更久，或者让人花十分钟去纠正两分钟生成的草稿，账未必更划算。较贵的模型如果返工更少，每份可用结果反而可能便宜。

所以，再看一代新模型时，可以先翻出上次否决它的原因。上次是质量够用、费用太高，降价就直接相关；上次是处理不了例外，便宜的 Token 没有回答这个问题；上次是产出合格、员工却没法接进业务系统，那么一个连接器或界面改动，也许比基准涨分更有用。

这样跟踪前沿，每次发布都有机会改变一个具体决定。团队不用先就通用智能何时到来达成一致，才能判断今天该不该换工具。

2026 年 2 月，METR 披露，后续开发者生产率实验遇到了困难：一些开发者不愿参加，因为随机分组可能要求他们不用 AI。参与者选择和计时等问题，让提速幅度变得难以估计。研究者认为效果大概已经改善，但也明确说，手上的数据对改善幅度只能提供很弱的证据。

不愿放下 AI，说明这些开发者偏好继续用它。这件事本身算不出节省了多少时间。

Bonrock 更愿意先记下，什么条件会让一项部署决定改变。编程助手也许需要减少构建失败，或者缩短修补生成代码的时间；文档工具也许要在相同错误容忍度下，降低每份合格提取结果的成本。这条条件应当在看到下一次发布分数之前写下来，否则很容易挑一个最好看的指标，为已经心动的采购找理由。

小规模试用可能很快暴露一个足以否决工具的问题。要证明它可靠，尤其是证明它很少犯代价高昂的错误，通常还需要更多证据。

下次看到时间跨度曲线，先看成功率和评分规则，再比较它比上个月涨了多少。然后回到当初那条尚未解决的部署障碍。新版本如果解决了它，就有了行动的依据；如果仍未解决，曲线上涨也可以只是一条值得继续关注的消息。