跳到正文
OpenAI:官网动态·· 17 小时前精选AI 评分76

OpenAI 发布研究加速报告:智能体完成近半数长时研究任务但进展参差

Research acceleration: The jagged frontier

AI 导读

OpenAI 发布第二份研究加速报告,基于内部测量介绍编码智能体如何改变 AI 研发周期。3 月到 10 月,估计需 2-4 小时的人工任务智能体自主成功率从 23% 升至 46%,4-8 小时任务从 13% 升至 35%;但任务间差异明显,监控训练成功率达 79%,而推理与服务栈编码仅 25%。

推荐理由

OpenAI 用内部量化数据展示智能体对自家研究流程的加速程度与短板,读者可据此观察研究加速的实际边界。

正文 · AI 翻译

研究加速:参差不齐的前沿

引言

今年以来,AI 系统的能力不断增强,它们自身为 AI 研发做出贡献的潜力也随之提升。今天,我们基于对编程智能体如何加速并改变 AI 开发周期的内部测量,更新 OpenAI 在研究加速方面的现状。

我们的主要发现:

  • 智能体现在能独立完成近一半耗时两到四小时的研究任务,但人类在 AI 研发中依然处于核心位置。从 3 月到 10 月,对于估计需要人类工作两到四小时的任务,估计成功率从 23% 升至 46%;对于估计需要四到八小时的任务,成功率从 13% 升至 35%。但工作类型很关键。例如,按任务类型细分,自主智能体的成功率在监控训练运行上为 79%,在启动训练运行上为 35%,在为推理和服务栈编写代码上为 25%。总体来看,提升幅度参差不齐,人类仍是 AI 研究闭环中的核心一环。
  • 智能体的使用量激增,重度用户正进一步拉开差距。按 API 标价计算,10 月研究人员的每日使用量中位数达到 2400 美元,较 9 月增长 62%;第 90 百分位达到 23000 美元,较 9 月增长 105%。一项调查从另一个角度说明了研究人员对这些工具的重视程度。当被问及愿意拿什么来换取继续使用前沿编程智能体三个月时,答案的中位数是团队算力的 30%,而在另一个单独问题中则是团队人力的 40%。
  • 研究人员正把越来越多的人力投入到安全与对齐领域,在 OpenAI 所有主要研究领域中,该领域有记录的研究投入绝对增幅最大。从 1 月到 9 月,安全与对齐领域有记录的工作周数增长了 77%,这既源于新招聘,也源于现有研究人员转向这些工作方向。在我们于 2026 年 7 月回应 Hugging Face 事件⁠之后,增长明显加快。

本报告建立在我们 9 月关于 OpenAI 研究加速⁠的博客文章之上,新增了定量与定性指标,分别衡量 (1) AI 在各研究领域带来的提升,以及 (2) 人类如何继续参与研究过程。总体而言,我们认为本次更新提供了更全面但仍不完整的图景,展示 OpenAI 的研究正在如何变化。

我们分享这项工作,是因为正如我们在前沿政策蓝图⁠中所写、并在首份研究加速报告⁠中重申的那样,我们认为应当要求 AI 实验室追踪并公开报告递归自我改进(RSI)的指标——即 AI 加速未来 AI 系统开发的这一过程。

随着能力不断提升,AI 驱动的研究加速越来越可能带来显著成效,我们将需要解决新的技术与治理问题,以维持人类监督并安全地扩展 AI 系统⁠。因此,公开 RSI 相关指标对于公众讨论日益强大的 AI 的能力、风险及所需防护措施至关重要;不过,我们的报告不应被解读为有意追求完整的 RSI。令我们欣慰的是,近期已有多个其他机构为不断丰富的 AI 研发加速测度工作做出了贡献1。我们希望这份扩充后的报告有助于维持并推进全行业共同的测度规范。

本报告分为三个部分,分别聚焦 AI 研究的不同方面:

  1. AI 研究的投入(我们重点关注编程智能体;其他投入还包括数据、人力和算力)
  2. 研究者将这些投入转化为模型能力的过程(AI 研究)
  3. 我们从 AI 研究过程中看到的产出(模型能力的提升)。

我们认为,按这种方式组织结果,能为思考 AI 如何用于研究、以及这种使用如何推动模型能力提升提供一个有用的框架。

投入

AI 研究使用多种投入,包括数据、AI 工具(如编程智能体)、人力和算力。本报告重点关注作为研究投入的 AI 工具。具体而言,我们记录了编程智能体的使用强度在不同团队之间的差异及其随时间的变化。此外,虽然我们没有直接报告人力成本的变化,但我们考察了研究人力支出占总支出比例相对于其他要素支出的变化趋势。

内部智能体使用情况

自我们的首份报告⁠发布以来,研究组织内部的智能体 AI 使用量持续呈指数级增长。按 API 标价计算,中位数研究者目前每天在智能体 AI 工具上花费约 2,400 美元,第 90 百分位研究者每天约 23,000 美元,较 9 月的 1,500 美元和 11,000 美元分别增长 62% 和 105%。2 这一智能体使用量增长的趋势涵盖了多种变化,包括活动量增加、转向更昂贵的模型,以及模型行为和智能体框架的调整。

中位数

每位研究者的 Codex、ChatGPT Work 与 Dots 支出

第 90 百分位

每位研究者的 Codex、ChatGPT Work 与 Dots 支出

查看方法

智能体工作日

接下来我们考察每位研究者每天的平均“智能体工作日”数,我们将每八小时的智能体使用定义为一个智能体工作日。与智能体支出不同,智能体工作日更能反映智能体实际投入工作的“挂钟时间”,但不考虑模型能力或定价的变化。

总体而言,每位研究者的智能体工作日已从 0.5 个增至 5.7 个,增长约十一倍,其中预训练和后训练团队的增幅最大。在这些团队中,智能体运行时长平均约为每位研究者每个自然日八个工作日。在扩展与基础设施团队,平均约为四个。我们注意到,该工作日指标通常只涵盖交互式使用,因此可能低估了自动化任务。

查看方法

智能体并发使用

我们在九月份的分析⁠中指出,研究人员越来越多地使用并发智能体,包括子智能体和多会话。这次我们把分析的时间范围进一步拉长,并给出更细的分桶。到十月中旬,纳入统计的研究人员中,超过三分之二的人日均峰值至少有四个智能体同时工作,超过 10% 的人日均峰值至少有十六个并发智能体。

查看方法

内部智能体使用量相对于人力成本

接下来,我们把智能体 AI 使用的月度 API 等价支出,与人类研究人员的月度非股权薪酬做对比。我们持续跟踪这一比值,观察随着模型能力提升,智能体与人力之间的投入分配如何变化。需要说明的是,我们报告的比值不含股权,而股权通常占 OpenAI 研究人员目标薪酬的 70% 到 80%;尽管如此,我们认为它仍能为这一支出分配提供一个局部但有参考价值的视角。

截至 2026 年 9 月,OpenAI 研究部门中智能体 AI 使用的 API 等价价值约为其非股权薪酬的两倍,其中预训练和后训练方向的比值高于研究部门的其他部分。尽管如此,内部部署(即内部 Codex、ChatGPT 和 API 使用的总和)只占研究总算力的 2%。

人力成本包括工资、加班费、奖金、福利和雇主税费。股权通常占研究人员目标薪酬的 70% 到 80%,未计入其中。

查看方法

研究人员把时间花在哪里

最后,我们考察研究人员如何在各研究领域之间分配时间。我们先收集了 2026 年 1 月至 9 月研究人员个人层面的贡献,形式包括公司公开的 Slack 帖子、拉取请求和内部文档。然后用分类器把这些贡献归入各研究领域,并把每位研究人员的每一周在其当周已核实的项目之间平均分配。这为研究人员把注意力投向何处提供了一个代理指标。

需要强调的是,与我们的其他分析不同,我们在此分类的“研究领域”并不对应正式的汇报关系。举例来说,一位后训练团队的研究人员如果有一半时间用于基础设施改进,就会被估算为向 Scaling / Infrastructure Contributions 贡献半个工作周,向 Posttraining Contributions 贡献半个工作周。这样,即使研究人员没有正式转岗,我们也能可靠地衡量他们实际把时间花在了哪里。

我们发现,2026 年全年,投入我们所识别各领域的研究人员时间都在增长。值得注意的是,用这套方法,我们发现 Safety & Alignment 的绝对增量在所有研究领域中最大,自年初以来有记录的工作周贡献几乎翻倍,原因既有新员工加入,也有现有研究人员把重心转向安全项目。这一研究领域涵盖对齐评估、可监控性和奖励黑客研究等工作流。我们测到 Safety & Alignment 增长中一个明显的拐点,与 7 月Hugging Face 事件⁠之后的情况相吻合,也与 OpenAI 随后为前沿 AI 训练制定并完善安全案例⁠的工作相吻合。

我们注意到,研究领域之间的界限,尤其是后训练与安全和对齐之间的界限,并非一目了然,我们可能会随时间推移不断调整这一定义。下文的方法部分介绍了若干高层级工作流的示例。

查看方法

流程

为了更好地理解智能体的使用可能如何影响研究效率,我们接下来考察 OpenAI 内部开展 AI 研究的过程正在发生怎样的变化。新技术带来的效率提升,部分取决于工作如何围绕这些技术重新组织。随着智能体能力提升,研究人员可能会改变把哪些任务交给 AI、如何监督和协调智能体的工作,以及选择推进哪些项目。下文我们同时报告定量和定性两类指标,说明 AI 正在如何改变 OpenAI 内部开展 AI 研究的流程。这些不同类型的数据共同勾勒出一幅(部分)图景:研究人员如何围绕智能体重新组织工作,以及如今研究人员如何保持在回路之中。

研究活动的衡量指标

委托给模型的任务及成功率

我们在九月的分析⁠中曾指出,智能体越来越有可能在无需人工干预的情况下成功完成任务,其中也包括估计需要数小时人工工作量的任务。采用更新后的方法(见下文方法部分),我们发现这一趋势总体仍在延续。重要的是,随着智能体能力增强,研究人员在每个时长区间内委托的任务类型也可能发生了变化。因此,这些区间内零干预成功率的变动,可能既反映了能力提升,也反映了研究人员在何时、如何使用智能体方面的选择变化。

查看方法

除了按估计时长呈现的这些趋势,我们还考察了成功率在研究人员可能选择委托的不同任务类型之间如何变化。我们按类别和任务报告估计成功率,采用的是 Epoch AI 开发的 O*NET AI 研发分类法⁠(在新窗口打开)。不出所料,结果表明模型并非在所有任务类别上表现同样出色:例如,从 2026 年 8 月 1 日到 2026 年 10 月 18 日,无需人工干预的估计成功率在“沟通”(69%)和“分析”(58%)上高于“构建”(43%)。在任务层面同样如此,监控运行以发现问题(79%)和回答技术问题(72%)等任务的估计成功率较高,而为推理和服务栈编写代码(25%)以及构建评估、强化学习和智能体环境(29%)则较低。只要模型在 AI 研发相关任务上的表现存在差异,表现较差的类别和任务就可能成为整体效率提升的瓶颈。

查看方法

查看方法

研究人员用智能体做什么任务

我们在九月的分析⁠中,使用同一套 O*NET AI 研发分类法⁠(在新窗口打开),报告了研究员工的 AI 使用在输出 token 上的分布。下面我们报告研究人员针对各项任务使用编码智能体的频率。与启动和监控训练运行、实现复杂功能等 token 密集型任务相比,这会相对更看重回答技术问题这类短任务。

查看方法

研究人员对 AI 使用的看法

接下来,我们看看研究人员自己如何评价 AI 对他们工作的改变。通过问卷调查和访谈,我们考察了研究人员如何看待编程智能体的价值、如何产生研究想法,以及如何调整自己的工作流程。

编程智能体价值的自我报告

2026 年 8 月底到 9 月初,我们对 101 名研究人员做了一次调查,了解 AI 带来的提升,核心是一个假设性问题:“假设未来 3 个月,你们团队不能再使用任何优于 GPT-5.2 的编程智能体。你愿意付出多大代价来恢复使用前沿编程智能体?”研究人员的回答中位数是愿意用以下代价交换:

  • 团队人数的 40%
  • 团队当前算力的 30%
  • 如果这个问题在 2027 年 1 月提出,则愿意用团队算力的 50%(这是基于他们对模型到 2027 年能提升多少的预期)

研究人员还表示,如果不允许使用编程智能体(即只能用 GitHub Copilot + ChatGPT),他们团队平均需要三个月才能完成与上个月工作量等值的工作。需要指出的是,自我报告可能存在准确性问题,我们的抽样方式也比较随意,但即便如此,这些结果仍与研究人员认为 AI 对其工作有显著提升作用相一致。

柱状图显示各区间答案的加权占比。虚线标出加权中位数。

查看方法

在 10 月底的另一项调查中,我们还询问受访者:在日常工作中,是使用我们最新的内部模型效率更高,还是在一位职业中期的真人研究工程师加上 o1-preview 这类 2024 年模型的帮助下效率更高?28 名受访者中有 27 人选择或倾向于最新的内部模型。剩下的一位没有在给出的两个选项中做选择,而是说会选择 GPT-6 Astra,而不是真人辅助的方案。

重大想法从何而来

我们也有兴趣追踪 AI 驱动想法生成的进展,因为提出并甄别概念性研究想法的能力(研究品味)可能成为递归自我改进的瓶颈。为了衡量这一点,我们请三个领域(预训练、后训练和安全监控)中各有一到四名做出关键贡献的研究人员,分别说出他们认为对 GPT-6 Astra 和 GPT-6.2 Astra 发布最重要的 1 到 3 个想法。然后我们询问这些想法从何而来,以及 AI 在其中起了什么作用(如果有的话)。

对于这两个版本,后训练和安全监控的研究人员都表示,据他们所知,他们提到的所有想法都是人提出的,模型帮助实现了这些想法。预训练研究人员同样把他们在 GPT-6 Astra 中提到的想法完全归功于人。

对于 GPT-6.2 Astra,预训练研究人员描述了他们与 Codex 对话、共同发展想法的过程。其中一人称赞 Codex 在共同推敲一个想法时发现了关键洞见。另一人表示主要想法是自己的,但只有在 Codex 建议做一处改动之后,这个想法才开始顺利奏效。

研究工作流程的变化

最后,为了获得工作流程变化的定性证据,我们还访谈了预训练、后训练和安全领域的十名研究人员,了解他们如何使用智能体。这些访谈中浮现出五个主要主题,总结如下:

  • 研究人员用智能体实现代码、调试并监督实验:

    • “我曾经移植过一个开源评测,当时要想围绕‘这个评测到底好不好’做研究和消融实验,工作量要大得多。可能得花一周半到两周,才能真正回答‘我们能不能用这个评测?’而现在,视评测而定,从零到跑起来只要一天,也许几天。”
      ——研究员 7,安全方向,从事评测工作
  • 智能体在研究想法、代码质量、数据质量和写作上的品味都不行:

    • “模型通常没法一次性提出自己解决不了的、表述清晰的问题。而且如果你让模型生成一个数据点一百次,它每次生成的数据点都差不多。”
      ——研究员 2,安全方向,从事强化学习环境工作
  • 工作流需要人密切参与,才能避免低质量产出和无效循环:智能体难以高效地启动实验,会在不必要的步骤上钻牛角尖,提交“AI 垃圾”PR,产出无法使用的数据工件,还会做出错误的分析假设。

    • “我试过说‘把这个任务做成那个任务那样’,结果被坑了太多次——做出来不太对,我还得改。现在我会说‘先做一个,我来审阅修改,然后再去做剩下的。’”
      ——研究员 1,后训练方向,从事评测工作
  • 研究人员预计当前瓶颈领域会有显著改善:

    • “我确实觉得我在想法上更有品味。但我没信心这能持续多久。”
      ——研究员 8,预训练方向,从事架构和数据工作
  • 研究人员认为大规模扫描和生成内容带来了大幅提升:研究人员用模型扫描数千个样本,以诊断实验中的问题、标记令人担忧的模型行为实例,并构建和质检新数据集。

    • “我最近做的一件事是把我们所有数据都过了一遍……我让它跑了几轮,并校准了它给我的结果。……它给了我一张整理得非常好的大表格。……没有 AI 的话,这会非常痛苦。”
      ——研究员 3,后训练方向,从事数据质量工作

查看方法

产出

除了研究投入和工作流的变化,我们还想了解 AI 的使用是否在加速研究进展。为回答这个问题,我们提出三项指标。其中两项——代码行数和研究实验数量——已包含在我们九月的分析⁠中。这些指标容易追踪,但这些研究活动指标的增长并不一定意味着研究进展更快。因此我们还引入了 OpenAI ECI,这是 Epoch Capabilities Index 的 OpenAI 内部专用版本,作为一种追踪模型能力变化的方法,更直接地衡量研究成果。

代码行数变化

我们首先报告每位活跃贡献者随时间变化的代码行数。与 2025 年之前的平均水平相比,这一指标在 2026 年继续大幅上升。请注意,自九月的分析⁠以来,我们做了若干方法上的更新。我们现在展示的是 28 天滚动平均值,而非季度平均值,从而更细致地呈现随时间的变化。我们还修订了纳入统计的代码变更标准(特别是排除了测试),详见方法部分。

查看方法

研究实验

与我们在9月报告中的做法一样,我们也追踪了随时间推移每位活跃实验者平均运行的实验数量。在截至10月18日的四周内,每位活跃实验者记录的实验数量平均为2025年基线的1.68倍。

查看方法

OpenAI ECI

最后,我们报告一项旨在衡量模型能力进展的指标。Epoch能力指数(在新窗口打开)被广泛用于衡量通用AI能力的进展趋势。OpenAI ECI(OECI)背后的方法论与Epoch的方法论非常相似,但OECI结合了公开基准和OpenAI内部基准。这里,我们绘制了20个公开发布的OpenAI模型和28个其他模型的OECI。

我们发现,自2025年8月以来,OpenAI模型的OECI前沿每年提升16.4分,而Epoch观察到的自2024年末以来的趋势为每年14分(在新窗口打开)。需要注意的是,OpenAI模型在OECI上相对于竞争对手的得分高于它们在Epoch ECI上的得分,这可能是由于基准组合的差异。

我们计划继续监测OpenAI ECI和其他顶层能力指标,以判断能力进展是否因RSI而加速。

竖线为90%自助法区间。趋势线基于9个创纪录的OpenAI发布版本拟合。

查看方法

结论

总体而言,我们的发现延续了9月报告所描绘的图景:研究人员正在更密集地使用智能体,委派更多工作,并围绕模型的能力与局限调整工作流程。然而,这种提升并非在所有研究工作流程中均匀分布,如今的智能体仍存在显著缺陷。

我们注意到,我们报告的历史趋势和指标(涉及大量人机协作)可能无法预测未来AI驱动的进展。例如,我们最近看到前沿模型在数学领域产生了突然而迅速的突破。随着我们的模型在研究中变得越来越自主、能力越来越强,我们正在监测深度学习中是否会出现类似的快速突破。

重要的是,随着AI越来越擅长自我改进,竞争压力和治理挑战将会增加,而一项关键任务将是确保人类始终参与这一过程。我们希望发布这些数据能为关于模型能力节奏把控和递归自我改进治理的讨论提供参考。

展望未来,我们将继续完善此处所报告指标背后的方法。我们还希望扩大报告范围,在多个领域提供更多信息,包括但不限于:

  1. 能力研究与安全研究的差异化加速
  2. 研究加速的先行指标(即无需完成完整的模型开发与评估周期即可检测到提升的增加)
  3. 整体能力随时间变化的趋势,以及AI加速研究对这些趋势的影响

引用

引用

1@techreport{openai2026researchacceleration,2author = {{OpenAI}},3title = {Research acceleration: The jagged frontier},4institution = {OpenAI},5type = {Research report},6year = {2026},7url = {https://openai.com/index/research-acceleration-jagged-frontier/}8}

作者

OpenAI

脚注

  1. 1 尽管用实证方法衡量 AI 研发加速的科学还相对年轻,但它在整个研究前沿正迅速发展。到目前为止,Anthropic 已独立发布了三份⁠(opens in a new window)各自独立⁠(opens in a new window)的报告⁠(opens in a new window),记录了内部模型部署如何加速 AI 研究进程。Gemini 4 Argon 安全与安保报告⁠(opens in a new window)第 3.4.2 节从实证角度概述了 Google DeepMind 内部由 AI 编写的代码占比不断上升的情况。METR 与 Anthropic 合作发布了一份加速报告⁠(opens in a new window),估算了内部 Claude 模型对能力前沿的加速幅度。
  2. 2 我们注意到,OpenAI 的研究人员目前没有智能体编程配额。

8 月 21 日,OpenAI 在内部部署了一项临时性的 harness 效率改进。我们发现,这次内部部署恰好与输入 token 利用率的急剧下降同时发生,而这似乎严重压低了记录在案的内部 token 支出。出于与支出无关的原因,这项 harness 变更从 9 月 10 日起在内部各部署中逐步回退,我们发现此后 token 支出迅速上升。

来源:OpenAI:官网动态 · openai.com