OpenAI 与 Anthropic 公布 RSI 进度指标：量到的是研发参与深度，不是改进闭环

9 月 6 日，OpenAI 宣布达成"自动化研究实习生"这一目标。它指一套能在人的指挥下完成界定清楚的研究任务的系统，包括熟练研究员要花几天的任务。12 天后，Anthropic 的政策研究机构 Anthropic Institute 公布三组内部测量。其中一组称，截至 8 月，Claude 已经"主导"了公司 26% 的 AI 研发工作。两家都在文中呼吁同行定期公布同类数字。

这批数字正在被当作递归自我改进的进度读数。递归自我改进（recursive self-improvement，下文简称 RSI）指模型参与造出更强的下一代模型，而更强的那一代又让下一轮改进更快。但两家公布的每一个指标，分母都是人的工作量或研发活动量，分子都是 AI 占了多少。没有一个指标的分子，是下一代模型多出来的能力。

两家公布了什么

先把两套口径摆清楚，后面的判断都依赖它们量的是什么。

Anthropic 的第一组指标叫研发自动化指数。它用第三方机构 Epoch AI 定的自治分级打分，从 AL0（完全没有 AI 参与）到 AL5（AI 全自主，人不在环里）。AL4 叫"主导"，指人给出高层目标、AI 端到端完成大部分工作、人负责监督。截至 8 月，Claude 在 AL4 级别的研发占 26%，2 月这个数字还不到 1%。超过九成的研发至少到了 AL3"协作"，没有任何一项达到 AL5。同期公司主力内部平台上同时运行约 3 万个 agent。

OpenAI 给的是另一套数字。到 8 月中，研究组织每投入 1 个人的工作日，agent 一侧运行 3.1 个工作日的量。研究员日均推理花费中位数超过 600 美元，九分位超过 7000 美元。6 月起，agent 总运行时长首次超过人的总工时。

两家用的分类尺子都来自 Epoch AI，但量的东西不同。Anthropic 量任务的自治等级，OpenAI 量 token 花在了哪些研发环节上。同期另外两家没有拿出可比的数字。Google 随 Gemini 3.8 给出了一套递归评估并改进底层模型的 agent 循环，但没有公布自家研发被 AI 承担到什么程度。马斯克多次说每一代 Grok 由上一代造出来，这是表述，不是口径。所以目前能放在一起读的，只有 OpenAI 和 Anthropic 这两套。

分母是人的工作量，26% 封顶也推不出自我改进

第一条理由在于这些指标能推出什么。

26% 说的是：在多少比例的研发任务上，AI 在人的监督下主导着干。把它推到极限，哪怕这个数字涨到 100%，得到的结论也只是所有研发任务都由 AI 主导着做。它推不出模型自己在变强，因为分母是任务，不是能力。一家公司完全可以 100% 都在 AL4，同时模型的代际进步速度和三年前一样。

这里有个更直接的判据：参与度指标有天花板，递归没有。任何"AI 占了多少"的比例，上限就是 100%。而 RSI 之所以值得单独讨论，正是因为它理论上没有上限，每一轮改进让下一轮更快。用一把有刻度上限的尺子，量不出没有上限的东西。

OpenAI 自己写明了这一点。原文说这些数据相对容易采集、但难以解读，因为它们和研究进展之间的关系并不确定。文中还说，研究过程有很多潜在瓶颈，整体进展速度多半跟不上这些具体指标。

两家自己的数据显示，决定改什么仍在人手里

第二条理由在于环上哪一段被自动化了。

OpenAI 按 Epoch AI 的研发阶段分类，统计 agent 的 token 去向。六个阶段分别是决定做什么、设计、写代码和数据、跑训练和评测、分析、沟通。结果是各类都在涨，但高层规划始终只占 agent 输出 token 极小的一部分。OpenAI 在同一篇里写道：设定研究优先级、判断哪些想法和结果值得继续、决定是否扩大规模或暂停或部署，这些仍然由人来做。

这几句话的位置很关键。RSI 要成立，被接受的改动必须能回头影响下一轮改进怎么生成、怎么评估、怎么筛选。而"决定改什么"正是这个回路合上的地方。按两家自己的数据，这一段恰恰是自动化程度最低的。

任务层面有同样的迹象。OpenAI 说过去半年里，成功完成的 4 到 8 小时任务中，超过一半至少经历了一次人工干预。Anthropic 那边，AL5 全自主一项都没有。

真正在量闭环后半段的，是另一批基准

第三条理由来自同期另一组证据。

字节跳动 Seed 团队 8 月底到 9 月初放出三个基准，量的正好是两家没量的那一段：无人给定目标和答案时，改进能不能留住。

ASPIRE 只给 agent 一句自然语言能力目标，比如"成为更好的物理学家"。下游评测任务对它保密，由它自己决定学什么、怎么更新、何时评估，最后在 520 道专家出题的隐藏题上验收。论文结论是，agent 能例行跑完训练和改 harness 的循环，但权重层面的增益稀少且不稳定。演化出的最强 harness 仍低于人工工程的 Qwen-Agent 参照。局部涨的分数传不到隐藏评测上，继续搜索和训练反而会抹掉先前的改进。

S3Gym 把自测、自评判、自我改进三件事拆开，在七个带可执行判定器的文本游戏里测。结论是认出哪一步做对了并不够，agent 还得把反馈变成可执行、可迁移的策略。参数训练在部分任务上涨幅明显，在另一些任务上不稳定，并出现严重的负迁移。

HarnessDev 让模型从最小种子开始自建一整套执行系统，再用下游反馈迭代改它，在 2207 道隐藏实例上验收。这一篇给出了边界。自建 harness 在代码、搜索与研究上明显落后成熟的人工参照，但在写作和机器学习实验上追平甚至超过。演化确实带来一些提升，但不稳定，只部分迁移到隐藏任务，换一个模型来跑，增益还会大幅变化。

把这三篇和两家实验室的指标对齐着看，分工就清楚了。实验室量的是有人监督时 AI 承担了多深，基准量的是无人监督时改进能不能留住并迁移。前者高，后者弱。两组数字不矛盾，测的是同一条环的不同段。

有一种反驳值得正面回答：1% 到 26% 只用了半年，这个速率本身不就说明有效吗。它说明的是委派速率。委派之所以扩大，只需要 AI 在有人兜底时够用，不需要改进能自己留住。这条线上真正硬的证据是花钱行为。研究员日均烧 600 到 7000 美元推理，内部同时跑 3 万个 agent，这种持续支出比任何自评分数都可信。有监督的 AI 做研发确实到了值得砸钱的规模，但这仍然不是递归。

观察点

这个判断的边界有三层。

其一，两家的数字都是自测，没有第三方核过。Anthropic 的等级由 Claude 当裁判打分，它自己承认裁判模型会犯和被评模型一样的错。模型与员工的评级完全一致率为 59%，而员工之间只有 35%。它还说一周采样只够证明这件事能测、不够说明趋势。它表示计划引入第三方评估者，那是计划不是现状。其二，字节那三篇同样是团队自测，缺独立复现，失败模式是否跨模型跨任务普遍成立还没有定论。其三，HarnessDev 在写作和机器学习实验上的结果说明，改进留不住这件事有适用范围，在评判信号明确的窄任务上不一定成立。

接下来有三件事值得盯。第一件是尺子会不会被其他家接住。OpenAI 在文中说应当要求前沿公司公开追踪 RSI 进度，Anthropic 也说任何前沿开发者都可以定期公布这些指标，并邀请第三方核验。看未来几个季度 Google、xAI、Meta 是否在同一把尺子上作答，以及第三方评估者是否真的被接进去。第二件是会不会出现第一个分子为能力增量的指标，也就是把某一代模型的贡献和下一代的能力提升接起来的数字。第三件是 AL5 那一格何时第一次出现非零，以及出现时伴随的是哪一类任务。