研究加速:锯齿前沿

媒体报道 OpenAI 原文语言:英文

OpenAI 发布的研究加速报告显示,AI 编码代理已能独立完成近一半的两至四小时任务,成功率从 3 月的 23% 提升至 10 月的 46%。与此同时,研究人员每日在代理上的支出中位数达 2,400 美元,90 百分位达 23,000 美元,使用量大幅增长。报告强调,尽管 AI 提升显著,人类仍是研发环节的核心。

全文

OpenAI

2026年11月18日

ResearchPublicationSafety

研究加速:参差不齐的前沿

引言

在过去的一年里,AI 系统的能力不断提升,这可能会增强它们自行参与 AI 研究与开发的能力。今天,我们基于内部对编码代理加速和改变 AI 开发生命周期的测量,提供 OpenAI 研究加速状态的更新。

我们的主要发现:

代理现在能够独立完成近一半的两至四小时研究任务。但人类仍是 AI 开发的核心。从三月到十月,估计需要两到四小时人工工作的任务成功率从 23% 上升至 46%,而估计需要四到八小时的任务成功率从 13% 上升至 35%。但工作类型很重要。例如,在任务层面的细分中,自治代理在监控训练运行上的成功率为 79%,在启动训练运行上的成功率为 35%,在为推理和服务栈编写代码上的成功率为 25%。整体提升呈参差不齐的状态,人类仍是 AI 研究循环的核心部分。

代理使用量激增,使用最频繁的用户进一步拉大差距。按 API 列价计算,十月份中位数研究员的日使用费用达到 2,400 美元,比九月份增长 62%;在第 90 百分位达到 23,000 美元,增长 105%。一项调查进一步显示研究人员对这些工具的价值评估。被问及为保留前沿编码代理三个月愿意付出什么时,中位数回答是团队计算资源的 30%,或在另一问题中为团队人员的 40%。

研究人员在安全与对齐方面投入的人力不断增加,这在 OpenAI 所有主要研究领域中表现出最大的绝对增长。安全与对齐的记录工作周数从一月到九月增长了 77%,这既得益于新招聘,也得益于现有研究人员转向这些工作流。自我们对 2026 年七月 Hugging Face 事件的响应后,增长显著加速。

本报告基于我们九月关于 OpenAI 研究加速的博客文章,加入了新的定量和定性衡量指标,涵盖 (1) 各研究领域的 AI 提升以及 (2) 人类在研究过程中的持续参与。总体而言,我们认为此更新提供了一个更广阔但仍不完整的 OpenAI 研究变化图景。

我们分享此工作是因为正如我们在《前沿政策蓝图》中写道并在首份研究加速报告中重申的那样,我们认为 AI 实验室应当被要求追踪并公开报告递归自我改进(RSI)的指标——即 AI 加速未来 AI 系统开发的过程。

随着能力提升以及 AI 驱动的研究加速日益成为可能,我们需要解决新出现的技术和治理问题,以保持人类监督并安全扩展 AI 系统。对 RSI 指标的透明度因此对于公共讨论 AI 能力、风险以及对日益强大 AI 所需的防护措施至关重要;但我们的报告不应被解读为追求完全 RSI 的意图。我们欣慰地看到其他组织近期也为衡量 AI 研发加速的研究做出了贡献。我们希望这份扩展报告能帮助维持并推进行业内共享的测量规范。

我们将本报告结构划分为三个部分,每部分聚焦 AI 研究的不同方面:

AI 研究的输入(我们聚焦于编码代理;其他输入包括数据、人力和算力)

研究人员将这些输入转化为模型能力的过程(AI 研究)

我们从 AI 研究过程看到的输出(模型能力的提升)

我们认为以这种方式组织结果为思考 AI 在研究中的使用方式以及其如何促成模型能力提升提供了有用的框架。

输入

AI 研究使用多种输入,包括数据、AI 工具(例如编码代理)、人工劳动和计算资源。在本报告中,我们聚焦于 AI 工具作为研究的输入。具体而言,我们记录了编码代理使用强度在不同团队之间的差异以及随时间的变化。此外,虽然我们未直接报告劳动成本的变化,但我们会检查研究劳动支出在整体支出中所占比例随时间的变化。

内部代理使用情况

自我们首次报告以来,研究组织内部的代理式 AI 使用持续呈指数增长。按 API 列表价计,中位数研究员每天在代理式 AI 工具上的支出约为 2,400 美元,90 百分位的研究员约为 23,000 美元,分别比 9 月的 1,500 美元和 11,000 美元增长了 62% 和 105%。这一代理使用增加的趋势涵盖了活动量提升、转向更昂贵模型以及模型行为和代理利用方式的变化等多方面因素。

代理工作日

接下来我们来看每位研究员每日的“代理工作日”平均数,我们将每八小时的代理使用定义为一个代理工作日。与代理支出不同,代理工作日更能捕捉代理实际“墙钟时间”的工作量,但不考虑模型能力或定价的变化。

总体来看,研究员的代理工作日从每人 0.5 天上升至 5.7 天,增长了十一倍,增长幅度在预训练和后训练团队中最大。这些团队的代理运行时间大约相当于每位研究员每日八个工作日。在扩展和基础设施团队中,平均约为四个工作日。需要说明的是,这一工作日指标通常仅包括交互式使用,因此可能低估了自动化的使用量。

并发代理使用

我们在 9 月的分析中指出,研究员对并发代理的使用在增加,包括子代理和多会话。我们将此分析延伸至更长时间并提供更细致的分层。到十月中旬,超过三分之二的受访研究员每日平均峰值并发代理数达到至少四个,超过 10% 的研究员每日平均并发代理数达到至少十六个。

内部代理使用相对于人工劳动成本的比较

接下来我们将代理式 AI 使用的月度 API 等价支出与研究员的月度非股权薪酬进行比较。我们跟踪这一比例,以观察随着模型能力提升,代理与人工劳动之间的分配如何变化。虽然我们报告的比例不包括股权,而股权通常占 OpenAI 研究员目标薪酬的 70% 到 80%,但我们认为该比例仍能提供对支出分配的部分且有价值的视角。

截至 2026 年 9 月,OpenAI 研究组织中代理式 AI 使用的 API 等价价值约为其非股权薪酬的两倍,预训练和后训练部门的比例高于研究组织的其他部分。尽管如此,内部部署(包括内部 Codex、ChatGPT 和 API 使用)仅占总研究计算的 2%。

劳动成本包括工资、加班、奖金、福利和雇主税。股权(通常占研究员目标薪酬的 70% 到 80%)不计入其中。

研究员时间分配情况

最后,我们考察研究员在不同研究领域的时间分配。我们首先收集了研究员在 2026 年 1 月至 9 月期间的个人贡献数据,包括公司公开的 Slack 帖子、代码提交和内部文档。随后使用分类器将这些贡献归入不同研究领域,并将每位研究员的每周时间等分到其当周确认的项目上。这为研究员注意力的流向提供了一个代理指标。

需要强调的是,与我们其他分析不同,此处分类的“研究领域”并不对应正式的汇报线。例如,一名后训练团队的研究员如果将一半时间用于基础设施改进,则会被估计为对“扩展/基础设施贡献”贡献半个工作周,对“后训练贡献”贡献半个工作周。这使我们能够在研究员未正式调岗的情况下,仍能稳健地衡量其实际时间投入的方向。

我们发现,在整个2026年期间,研究人员投入到我们确定的各个领域的精力都在不断增长。值得注意的是,使用这种方法,我们发现“安全与对齐”(Safety & Alignment)在所有研究领域中实现了最大的绝对增长,自今年年初以来,由于新员工的加入以及现有研究人员将工作重点转向安全项目,记录的工作周贡献几乎翻了一番。该研究领域涵盖诸如对齐评估、可监控性以及奖励造假研究等工作流。我们在“安全与对齐”增长中测量到的一个显著拐点,恰好与7月份Hugging Face事件的余波以及OpenAI随后为开发和改进前沿AI训练的安全案例所做的工作相吻合。

我们注意到,各个研究领域之间的界限(尤其是后训练与安全和对齐之间)并非微不足道,我们可能会随着时间的推移对定义进行迭代。以下的方法部分描述了高级工作流的示例。

流程

为了更好地理解智能体的使用如何影响研究生产力,我们接下来考察了OpenAI进行AI研究的过程是如何变化的。新技术带来的生产力提升,部分取决于工作如何围绕这些新技术进行重组。随着智能体的改进,研究人员可能会改变他们将哪些任务委托给AI、如何监督和协调智能体的工作,以及他们追求哪些项目。在下文中,我们报告了关于AI如何改变OpenAI进行AI研究过程的定量和定性指标。这些不同类型的数据共同为我们提供了一个(局部的)视角,展示了研究人员如何围绕智能体重新组织工作,以及今天研究人员如何继续参与其中。

研究活动的指标

委托给模型的任务及成功率

我们9月份的分析显示,智能体在没有人工干预的情况下成功完成任务的可能性越来越高,这些任务包括估计需要数小时人工工作的任务。使用更新后的方法(见下方方法部分),我们发现这一趋势总体上仍在继续。重要的是,随着智能体能力越来越强,研究人员可能也改变了在每个持续时间段内委托的任务类型。因此,这些时间段内零干预成功率的变化,既反映了能力的提升,也反映了研究人员对何时以及如何使用智能体的选择变化。

除了这些按估计持续时间划分的趋势之外,我们还研究了成功率如何随研究人员选择委托的不同任务类型而变化。我们使用Epoch AI开发的O*NET AI R&D分类法,按类别和任务报告了估计成功率。不出所料,我们的结果表明模型并非在所有任务类别中都表现得同样出色:例如,从2026年8月1日至2026年10月18日,在没有人工干预的情况下,“沟通”(Communicate,69%)和“分析”(Analyze,58%)的估计成功率高于“构建”(Build,43%)。同样在任务层面,诸如监控运行中的问题(79%)和回答技术问题(72%)等任务的估计成功率较高,而编写用于推理和提供服务的技术栈代码(25%)以及构建评估、强化学习和智能体环境(29%)的估计成功率较低。只要模型在与AI研发相关的任务上的表现存在异质性,表现较低的类别和任务就可能成为实现整体高提升的瓶颈。

研究人员将智能体用于哪些任务

我们9月份的分析报告了研究人员对AI的使用如何使用相同的O*NET AI R&D分类法分配到各个输出Token中。在下文中,我们报告了研究人员针对单个任务使用编码智能体的频率。与启动和监控训练运行或实现复杂功能等消耗大量Token的任务相比,这给回答技术问题等较短的任务赋予了相对较高的权重。

研究人员对AI使用的看法

接下来,我们转向研究人员对自己评估AI如何改变他们的工作的看法。通过调查和访谈,我们研究了研究人员如何看待编码智能体的价值、他们如何想出研究点子,以及他们如何调整自己的工作流程。

编码智能体的自我报告价值

从2026年8月下旬到9月初,我们对101名研究人员进行了调查,以了解AI提升,围绕以下假设:“假设你团队对所有比GPT-5.2更好的编码代理的访问在接下来的3个月被撤销。你愿意付出多少来恢复前沿编码代理?”中位数研究人员报告愿意交易的比例为:

团队人数的40%

当前团队计算资源的30%

如果在2027年1月提出该问题(考虑到他们对模型到2027年改进的预期),团队计算资源的50%

研究人员还报告称,如果他们不能使用编码代理(即只能使用GitHub Copilot + ChatGPT),他们的团队需要中位数三个月的时间才能完成相当于上个月工作价值的工作。虽然需要注意自我报告的准确性可能存在问题,以及我们调查抽样策略的临时性,但这些结果与研究人员将AI提升视为工作中具有显著价值的观点是一致的。

柱状图显示每个区间答案的加权比例。虚线标记加权中位数。

在10月下旬的另一项调查中,我们还询问受访者是更期待使用我们最新的内部模型,还是在中级人类研究工程师和2024年模型(如o1-preview)的帮助下工作。28位受访者中有27位选择或倾向于最新的内部模型。剩余的受访者没有在题目所给的两项之间做出选择,而是表示会选择GPT-6 Astra而非人类辅助选项。

伟大创意的来源

我们也对AI驱动的创意生成进展感兴趣,因为开发和验证概念性研究想法(研究品味)的能力可能是递归自我改进的瓶颈。为此,我们请每个领域(预训练、后训练和安全监控)中做出关键贡献的1至4名研究人员列出他们认为对GPT-6 Astra和GPT-6.2 Astra发布最重要的1至3个想法。随后我们询问这些想法的来源以及AI在其中扮演的角色(如果有的话)。

对于两个发布版本,后训练和安全监控的研究人员表示,据他们所知,所有列出的想法都是人提出的,模型仅帮助实现这些想法。预训练的研究人员同样将他们为GPT-6 Astra确定的想法全部归因于人。

对于GPT-6.2 Astra,预训练研究人员描述了与Codex对话中产生想法的过程。一位研究人员称,Codex在他们共同探讨想法时指出了关键洞见。另一位则表示,主要想法是他们自己的,但在Codex建议修改后才真正奏效。

研究工作流的变化

最后,为了获取工作流变化的定性证据,我们还采访了来自预训练、后训练和安全部门的十位研究人员,了解他们如何使用代理。在这些访谈中,出现了五个主要主题,下面进行概括:

研究人员使用代理实现代码、调试并监督实验:

“我曾经移植过一个开源评估项目,以前要进行‘这是否是一个好评估’的研究和消融实验要花上一个半星期甚至两周才能真正达到‘我们能使用它吗’的阶段。而现在,根据评估的不同,从零到运行只需要一天,甚至几天。”

——研究员7,安全部门,负责评估工作

代理在研究想法、代码质量、数据质量和写作方面的品味较差:

“模型通常无法一次性提出它自己解决不了的、表述良好的问题。如果让模型生成一百次数据点,它每次都会生成相似的数据点。”

——研究员2,安全部门,负责强化学习环境工作

工作流需要密切的人类参与,以避免低质量输出和资源浪费:代理在高效启动实验方面表现不佳,容易在不必要的步骤上陷入循环,提交‘AI垃圾’的PR,产生不可用的数据产物,并做出无效的分析假设。

“我曾尝试说‘把这个任务做成和另一个任务一样’,结果被坑了太多次,因为它并不完全正确,我需要进行编辑。现在我会说,‘去做一个,我会审查并编辑,然后再让你完成其余部分。’”

——研究员1,后训练部门,负责评估工作

研究人员预期在当前瓶颈领域会有显著改进:

“我确实觉得自己在创意方面更有品味。但我并不确信这种优势能在任何显著的时间内持续下去。”

—研究员 8,预训练,从事架构和数据工作

研究人员发现,通过大规模扫描和生成内容可以带来巨大的提升:研究人员利用模型扫描了数千个样本,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浏览了我们所有的数据……我让它运行了几轮,并对它提供的内容进行了校准……它给了我一个非常棒、巨大的表格,里面把所有东西都整理好了……如果没有AI,这个过程将会极其痛苦。”

—研究员 3,后训练,从事数据质量工作

产出

除了研究输入和工作流程的变化外,我们还希望了解AI的使用是否在加速研究进展。为了探讨这个问题,我们提出了三个衡量指标。其中两个——代码行数和研究实验数量——被包含在我们的9月分析中。这些指标很容易追踪,但研究活动指标的增加并不一定意味着研究进展的加快。因此,我们还引入了 OpenAI ECI,这是 Epoch 能力指数(Epoch Capabilities Index)的 OpenAI 专属内部版本,该指数是追踪模型能力变化作为研究成果更直接衡量标准的一种方法。

更改的代码行数

我们首先报告了随时间推移,每个活跃贡献者更改的代码行数。与2025年之前的平均水平相比,该指标在2026年继续急剧上升。请注意,自9月分析以来,我们在方法论上做出了几项更新。我们现在展示的是28天滚动平均值,而不是季度平均值,从而能够更详细地查看随时间的变化。如方法部分所述,我们还修改了纳入的代码更改标准(特别是排除了测试)。

研究实验

正如我们在9月报告中一样,我们还追踪了随时间推移,每个活跃实验人员运行的实验数量。在截至10月18日的四周内,记录在案的每个活跃实验人员的实验次数平均为2025年基准的1.68倍。

OpenAI ECI

最后,我们报告了旨在捕捉模型能力进展的指标。Epoch能力指数(在新窗口中打开)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结合使用了公开基准测试和OpenAI内部基准测试。在这里,我们绘制了20个公开发布的OpenAI模型和其他28个模型的OECI图表。

我们发现,自2025年8月以来,OpenAI模型的OECI前沿每年增长16.4点,而Epoch观察到自2024年底以来的趋势是每年14点(在新窗口中打开)。请注意,在OECI上,OpenAI模型的得分相对于竞争对手高于其在Epoch的ECI上的得分,这可能是由于基准测试组合的差异所致。

我们计划继续监测OpenAI ECI和其他顶级能力指标,以确定能力进展是否由于RSI(递归自我改进)而加速。

垂直线是90%的自助法区间(bootstrap intervals)。趋势线是根据9个创纪录的OpenAI发布版本拟合的。

结论

总体而言,我们的研究结果扩展了9月报告中的图景:研究人员正在更深入地使用智能体、委派更多工作,并围绕模型的实力和局限性调整他们的工作流程。然而,这种提升并非在所有研究工作流程中都均衡分布,而且今天的智能体仍然存在明显的缺陷。

我们注意到,我们报告的历史趋势和指标(涉及大量的人机协作)可能无法预测未来由AI驱动的进展。例如,我们最近看到了前沿模型在数学领域产生突然且快速的突破。随着我们的模型在研究方面变得越来越自主和强大,我们正在密切关注深度学习领域是否会出现类似快速的突破。

重要的是,随着AI在自我改进方面变得越来越出色,竞争压力和治理挑战将会增加,而一项核心任务将是确保人类继续参与这一过程。我们希望发布这些数据能够为关于模型能力节奏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报告的指标所依据的方法。我们也希望扩大报告范围,在多个领域提供更多信息,包括但不限于:

能力与安全研究的加速差异

研究加速的领先指标(即在无需完成完整的模型开发和评估周期的情况下检测提升的增加)

整体能力随时间的趋势,以及 AI 加速研究对这些趋势的影响

2026

Economic Research

Ethics & Safety

Authors

OpenAI

Footnotes

1

虽然对 AI 研发加速进行经验性测量的科学相对年轻,但它正快速在研究前沿发展。迄今为止,Anthropic 已独立发布了三篇(opens in a new window)独立(opens in a new window)报告(opens in a new window),记录了内部模型部署如何加速 AI 研究过程。Gemini 4 Argon Safety and Security Report(opens in a new window)第 3.4.2 节经验性地概述了 Google DeepMind 内部 AI 编写代码的比例不断增长。与 Anthropic 合作,METR 发布了一份加速报告(opens in a new window),估算内部 Claude 模型对能力前沿的加速程度。

2

我们注意到 OpenAI 研究人员目前没有代理编码配额。

2021 年 8 月 21 日,OpenAI 在内部部署了一项临时的 harness 效率改进。我们发现此内部部署与输入 token 使用量的急剧下降同步出现,这似乎大幅压低了记录的内部 token 支出金额。该 harness 更改从 9 月 10 日起在内部部署中逐步恢复,原因与支出无关,随后我们发现 token 支出迅速回升。

Citation

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

正文为 AI 译文。

参考来源

← 返回每日AI报告