Anthropic 已开始用 Claude 衡量 Claude 自己参与模型研发的程度。9 月 17 日，公司首次公布研发自动化指数：按内部任务篮子与工时权重计算，截至 8 月，Claude 在约 26% 的模型研发工作中达到“主导”级，在超过 90% 的工作中至少达到“协作”级。
“主导”在这套量尺里指：人提出高层目标，AI 完成大部分步骤，人负责监督与最终放行。指数测量的是任务执行方式，而不是研发方向的决策权；Anthropic 没有把任何工作评为完全无需人参与的最高级。
Anthropic 如何算出 26%
公司没有把提交的代码行数直接换算成“研发自动化”。它先从内部 Slack 和文档抽取工作记录：2026 年 7 月，每周从参与模型研发的部门随机抽取 20% 员工，让 Claude 整理他们做过的事，得到约 1.5 万项细粒度任务，再归并成 542 个类别节点，其中 378 个是最底层类别。任务树随后被冻结，用作月度比较的篮子。
另一组 Claude Agent 调查各类任务的实际工作方式，再由一个独立的 Claude 评判模型按 Epoch AI 提出的六级标尺打分。AL3 是人在近距离指导下让 AI 完成大块工作；AL4 是人提出目标、AI 处理大部分过程、人负责监督；AL5 才是无需人介入的完全自主。Anthropic 用员工在各项任务上投入的时间作为权重。26% 的准确含义是：在固定任务篮子中按人力时间加权后，约四分之一工作被评为 AL4，即 AI 推进大部分过程、人类负责监督与放行。
公司给出的夜间数据管线故障例子说明了分界：AL3 时，工程师先查看日志，帮助 Claude 缩小问题，过程中还要决定如何处理意外；AL4 时，Claude 接到故障提醒后自行定位、修复和测试，最后仍由工程师决定是否部署。评级衡量的是任务推进时谁持续盯着过程，而最终放行仍在人手里。
模型与人工评分有 97% 相差不超过一级
Anthropic 请相关领域员工在不知道模型证据和评分的情况下另行评级。公司称，模型与人的评级完全一致率为 59%，两名人类评级者之间为 35%；模型与人的评分有 97% 相差不超过一级。这组结果说明量尺能够维持大致一致，也表明“协作”与“主导”之间存在解释空间。原始任务记录、类别权重和逐项评分未公开，外部目前无法重算 26%；Anthropic 也承认，自家模型参与评分可能带来同源误差。
固定 7 月的工作类别让各月比较使用同一把尺，也会漏掉员工后来转向的新任务。公司用 1 月任务树作对照，称截至 7 月未看到新任务数量上升，并计划定期重建篮子、给指标重新定版。后续数字应与任务分类、权重和版本一同发布，才能区分能力变化与口径变化。
Anthropic 同时公开 Agent 监控与安全算力口径
Anthropic 同时报告了监督手段。2026 年 8 月，约 3 万个研究与工程 Agent 在其最常用的一个内部平台上同时运行。公司称，该平台 100% 的 Agent 动作执行前都经过在线监控，执行后也进入离线监控；在线监控在当月逾 10 亿次决策中拦截约 0.002%，离线系统每周把约 50 项高优先级记录交给人审查。这里的 100% 指动作进入监控流程，约 0.002% 的决策被在线拦截；监控的召回率和全部危险行为数量不在这组披露之内。
算力数字则来自 7 月 13 日至 20 日的一周快照：公司称 AI 研发算力约 6% 用于安全工作，AI 驱动的 AI 研发算力中约 12% 用于安全。这两个百分比是一周内、基于约 14% 训练和评估作业抽样分类的算力快照；抽样向高算力作业倾斜，底层标签来自自动规则或员工填写。它描述当周资源分配口径，长期趋势和安全成效需要连续时间序列与结果指标。
同行已经开始公开不同的内部量尺。OpenAI 9 月 6 日披露，其研究组织在 8 月中旬每个人类工作日对应 3.1 个 Agent 运行工作日；这计的是运行时间，与 Anthropic 按任务等级和人力权重算出的 26% 无法直接排序。路透社同日报道将 Anthropic 的公布称为观察前沿实验室内部研发的一扇窗口。下一步是把公司自报变成可比较的公共指标：第三方需要在保护敏感数据的条件下核对任务分类、评分和监控效果。Anthropic 已表示将引入外部评估者，能否重算这些数字，将决定这套指数能否成为行业量尺。
