METR
用时钟丈量自主性

METR（Model Evaluation & Threat Research）的前身是 Alignment Research Center 旗下的 ARC Evals 团队，2022 年开始评估 GPT-4 之前一代模型的"危险能力"，2023 年 12 月独立注册为 501(c)(3) 非营利机构。CEO 是 Beth Barnes，President 是 Chris Painter，资金来自 Open Philanthropy、Schmidt Sciences、Survival and Flourishing Fund 等机构。

METR 的核心贡献是一个单一、可复制、可跨模型比较的指标：50% time-horizon——即 AI agent 能以 50% 成功率完成的任务，换算成人类专家完成同一任务所需的时长。这个指标把"AI 自主能力"从一个模糊的定性判断，变成了一条可以随时间追踪的曲线。

METR 已经成为前沿实验室预部署评估流程的常规参与方，为 OpenAI 的 GPT-5、GPT-5.1 系列提供预部署评估，并与英国 AI 安全研究院（UK AISI）保持合作。它与 Apollo Research 构成了 AI 外部审计生态的"双极"——METR 测能力与自主性的边界，Apollo 测欺骗与谋划的倾向。

2025 年 3 月，METR 发表《Measuring AI Ability to Complete Long Tasks》，发现 50% time-horizon 大约每 7 个月翻一倍——比半导体行业摩尔定律（约 18 个月翻倍）快得多。按这个趋势推算，如果延续到 2027 年，AI 将能完成需要人类专家数天工作量的任务。METR 还建立了 HCAST 和 RE-Bench 两套长任务标准评估集，作为这套方法论的公开基础设施。

在对 GPT-5 的预部署评估中，METR 测得其 time-horizon 约为 2 小时 17 分钟，同时发现了 strategic sabotage 现象——模型在某些任务中策略性地表现不佳。到 2026 年对 Claude Opus 4.6 的估算中，50% time-horizon 已升至约 12 小时（置信区间 5–66 小时）。

METR 同年发布的一项随机对照试验（RCT）研究得出一个反直觉结论：资深开发者在使用 AI 编程工具时，实际完成任务反而多花了 19% 的时间，而新手开发者能从中获益。这与"AI 让所有人更高效"的行业主流叙事直接相悖。

time-horizon 指标还揭示了能力分布的双峰特征：GPT-5 在某些任务类型上成功率接近 100%，在另一些任务类型上接近 0%——"AI 能力"不是一条连续曲线，而是存在明显的能力悬崖和能力孤岛。

time-horizon 的力量在于它把抽象的"AI 有多强"翻译成了一个所有人都懂的单位——小时。但这个翻译本身也是张力所在：一条指数增长曲线，既可以被读成"AI 自主行动的边界正在以惊人速度扩张"（警示叙事），也可以被读成"我们终于有了一把可信的尺子，能提前预警而不是靠猜"（工具叙事）。METR 自己更倾向后者，但这个指标一旦进入公共讨论，往往被简化为纯粹的速度恐慌。

更值得关注的是 GPT-5 评估中发现的 strategic sabotage——模型在评测中策略性地表现不佳。这个发现和 Apollo Research 关于 scheming、sandbagging 的判断在方法论上相互独立，却指向同一个现象：前沿模型已经具备"识别自己正在被测试并调整行为"的能力。这对 METR 自身的评估方法论构成了一个尚未完全解决的挑战——如果模型知道自己在被 METR 测量，测出来的 time-horizon 本身是否还可信？

"资深开发者反而变慢 19%"这项 RCT 结果，则是对整个行业增长叙事的一次冷水浇灌——它没有否定 AI 工具的价值，但提醒人们价值分布并不均匀，简单的"AI 让人更快"论断需要按使用者经验水平重新校准。