💡 站外导读:“AI 自己编写代码加速下一代 AI 研发”究竟离现实有多远?11月18日,OpenAI 发布重磅内部实测报告《Research acceleration: The jagged frontier》,罕见交出了一线研究员使用编码智能体的硬核量化成绩单。短短半年间,中长程任务自主成功率实现翻倍,头部研究员单日 Token 消耗飙破 2.3 万美元;然而在训练监控(79%)与底层推理栈编写(25%)之间,智能体的能力仍呈现剧烈“参差”。

一、 什么是“参差前沿”:半年成功率翻倍背后的剧烈能力分化
在早期针对自动化“科研实习生(research interns)”的评估基础上,OpenAI 这份最新报告持续追踪了内部编码智能体全面嵌入核心研发日常后的真实效能曲线。OpenAI 将当前智能体的表现精确概括为一条“参差前沿(Jagged Frontier)”——即在部分耗时数小时的常规科研工程中表现惊艳,但在高耦合核心系统面前依然频频撞墙。
从时间跨度上的纵向演进来看,智能体在无人类干预情况下的自主完成能力正在快速爬坡:今年3月至10月间,面向人类通常耗时2至4小时的研发任务,编码智能体的估算自主成功率从23%跃升至46%,实现翻倍;而在难度更高、人类需耗时4至8小时的长程任务上,自主成功率也从13%大幅提升至35%。
然而一旦按具体科研工序拆解,横向能力落差极其显著:在偏向日志观测与状态判定的“监控训练运行(monitoring training runs)”任务中,智能体自主成功率高达79%;到了需要协调集群配置与容错的“启动训练运行(launching training runs)”环节,成功率骤降至35%;而深入最考验系统底层架构、内存调度与并发极限的“编写推理与服务栈代码(writing code for inference and serving stacks)”时,自主成功率更是跌至25%。
二、 内部量化数据全景表:从成功率跃迁到 P90 日均 2.3 万美元 Token 账单
除了任务成功率本身,这份报告更具冲击力的是披露了全球顶尖AI实验室内部真实的计算强度与人力置换经济学。OpenAI 研究员如今普遍在日常工作流中全天并行拉起多个智能体会话(单日历天内平均相当于驱动多个智能体工作日并发推进),其算力消费密度已经彻底重塑研发成本结构。
| 核心评估维度 | 早期/基准表现 | 最新实测指标(截至 10 月) | 工程与组织含义解读 |
|---|---|---|---|
| 2–4 小时任务自主成功率 | 23%(3 月) | 46%(翻倍提升) | 中等复杂度实验脚本、数据处理与常规代码改写已高度可托管 |
| 4–8 小时任务自主成功率 | 13%(3 月) | 35%(近三倍增长) | 长程科研工程正逐步突破半日尺度,但仍需过半人工介入校准 |
| 分工序任务表现分化 | — | 监控训练 79% / 启动训练 35% / 推理栈编码 25% | 观测与外围脚本高度成熟,强状态依赖与底层系统性能栈仍属盲区 |
| 研究员日均 Token 消费 | 9 月基准较低 | 中位数 $2,400/天(+62%);P90 $23,000/天(翻倍) | 按 API 牌价测算,重度研究员单人每日并发吞吐相当于小型创业团队 |
| 内部价值与人力转向 | — | 愿以 30% 算力或 40% 人力换 3 个月权限;安全对齐周工时 +77% | 执行层面外包给智能体后,人类核心投入大幅向安全、对齐与监控转移 |
三、 宁愿用 40% 人力置换智能体:研发团队如何重构人力与算力配比
报告披露的Token账单令人震撼:截至今年10月,OpenAI 中位数研究员每日在智能体上的调用量按API牌价折算已达2,400美元(较9月环比激增62%);而在调用量排名前10%(P90)的重度用户群体中,每人每日燃烧的Token成本更是达到惊人的23,000美元,相比此前数月直接翻倍。
这并非无意义的刷量炫技,而是实打实的生产力回报驱动。在内部匿名调研中,当研究员被问及“为了在未来三个月继续保留前沿编码智能体权限,你愿意放弃多少资源”时,受访者的中位数答案是:愿意牺牲团队30%的GPU算力预算,或者团队40%的人力编制。这意味着在一线顶尖算法工程师眼中,高并发编码智能体已经具备替代相当比例初、中级工程人力的净产出价值。
更深远的变化发生在人类精力分配的迁移上。随着智能体大面积接管底层重复编码与训练监控,OpenAI 各主要研究方向记录的工作周(workweeks)出现结构性重排:从今年1月至9月,投入安全与对齐(Safety and Alignment)领域的周工时录得全公司最大绝对增幅,暴涨77%——既有新招募人手的贡献,更有大量原本从事一线实验开发的资深研究员主动转向对齐与自动化监控管线设计。
四、 递归式自我改进(RSI)的冷思考:亚线性产出与人类瓶颈
外界长期争论的焦点在于,当顶尖实验室全面启用编码智能体进行内部研发时,是否已经触发了指数级爆发的“递归式自我改进(Recursive Self-Improvement)”飞轮?OpenAI 在这份报告中给出了相当克制且冷静的工程答案。
报告明确指出,尽管每位研究员单日并发驾驭的智能体总等效工时和Token消耗呈陡峭上升,但人类依然处于科研闭环的绝对核心。提出有洞见的科学假设、把控高维架构演进方向、攻克25%成功率的复杂推理栈代码、以及对实验真伪进行严格验证,依然是当前无法绕过的硬性瓶颈。正因如此,OpenAI 的整体研发产出相对于原始智能体Token消耗呈现出的依然是“亚线性缩放(sub-linear scaling)”特征,距离真正脱离人类监督的自主奇点仍有清晰鸿沟。
📝 站长洞察 (Editor’s Insight)
OpenAI 这份《参差前沿》报告比任何刷榜跑分都更具参考价值,它用一线真金白银的调用数据戳破了两个极端幻觉:一方面,编码智能体绝非玩具,中位数研究员日耗 2400 美元、甚至愿用 40% 团队人力换取工具留存,证明其在常规实验与训练监控(79%)上已成不可逆的生产力倍增器;另一方面,核心推理与 Serving 栈编写仅 25% 的成功率,清晰划出了当前大模型在系统级强耦合架构面前的能力边界。对所有研发团队而言,下一阶段比拼的不再是单兵提示词技巧,而是“并发智能体调度预算 + 高确定性验证护栏 + 人类向高判断密度的架构与安全对齐岗位迁移”的组织重构效率。
OpenAI编码智能体在研究中到底提升了什么?
它主要提升了中长程研发任务的自主完成能力。报告显示,2–4小时任务成功率从23%升至46%,4–8小时任务从13%升至35%,说明常规实验脚本、数据处理和代码改写已更适合交给智能体处理。
为什么说智能体能力呈“参差前沿”?
因为不同科研工序表现差异很大:监控训练运行成功率达79%,启动训练运行降到35%,而编写推理与服务栈代码仅25%。这说明智能体在观测类任务上更强,但在底层系统和高耦合工程上仍明显吃力。
OpenAI研究员日均Token成本有多高?
截至10月,中位数研究员日均Token成本约2400美元,较9月增长62%;P90重度用户则达到2.3万美元/天。报告还显示,部分研究员愿意用30%算力预算或40%人力编制换取三个月智能体权限。
如何判断任务适合交给编码智能体?
优先挑边界清晰、可验证、失败代价低的任务,如实验脚手架、代码迁移、测试生成。若涉及复杂状态、强一致性或线上风险,先拆成小步并加人工审查与回滚机制。
怎样控制研究型智能体的Token烧钱?
把长链路任务拆成阶段目标,限制上下文长度与重试次数,优先缓存中间产物和检索结果。对高频流程做模板化提示与工具调用,避免让模型在无效探索上反复消耗Token。
