Welcome-球速体育如临大敌！脑力工作被AI抢走？评测机构题库不够Claude新模型使用

　　球速体育

　　一张趋势图这两天在科技圈炸了锅。国际最权威的AI评测机构METR发布最新测试结果，结果不是模型考了多少分，而是考官自己先认了输——题库不够用了。

　　被测试的模型叫Claude Mythos，来自Anthropic公司，2026年4月以预览版形式亮相。它在人类需要整整16个小时才能啃下来的复杂编程任务上，稳稳跨过了50%的成功率门槛。

　　而METR手里总共228道魔鬼级考题里，达到这个难度级别的，只有区区5道。16小时以上的题根本凑不齐样本量，评测数据直接进了“测不准”区间。

　　试卷满分只有100分，它考了100分，不是只能考100分，是卷子就印到这儿了。这事传递的信号比一张跑分表沉得多。

　　把AI当成人，扔给它一个真实的工程任务——读代码、理解架构、定方案、动手写、调试修bug，从头到尾不许人类插手。

　　难度用人类专家需要花多少时间来标定，指标叫“50%任务完成时间跨度”——模型有50%的概率成功拿下这项任务。

　　2021年最顶尖的模型只能搞定8秒级别的任务，写一行代码或者修一个拼写错误。

　　它能独立完成一个完整的工程子项目，读代码、理解架构、制定方案、编写实现、调试测试，一气呵成，全程不需要人类盯着。

　　在METR精心构建的228道魔鬼级测试任务里，归类到16小时及以上难度的只有5道。

　　95%置信区间的跨度从8.5小时一路延伸到55小时，宽得没法做精确比较。

　　这个模型自主挖出了数千个零日漏洞，覆盖了所有主流操作系统和所有主流浏览器。

　　不是理论上的弱点，不是只有在实验室里才能触发的边缘案例，是实实在在大摇大摆躺在生产代码里的漏洞。

　　在开源系统OpenBSD里藏了27年的远程崩溃漏洞被它揪了出来，FFmpeg里一个埋了16年的缺陷同样被精确定位。

　　对Firefox 147的一次扫描中，Mythos一次性找出181个可用浏览器漏洞，上一代模型只找到2个。

　　网络安全公司Palo Alto Networks的实测显示，用Mythos做漏洞分析，3周干完的活等于顶级渗透团队一整年的深耕。

　　它能把多个低严重度问题连成关键级攻击路径，从入侵到数据外泄，最快只要25分钟。

　　这也是为什么Anthropic公司反复强调暂时不公开发布Mythos，先只提供给约50家关键基础设施与头部科技公司使用。

　　评测爆表加黑客能力双重刺激，最先坐不住的还不是程序员，是美国政府最高层。

　　Mythos有限发布当天，美国财政部长斯科特·贝森特与美联储主席杰罗姆·鲍威尔紧急跟华尔街高管开了闭门会议。

　　这种级别的紧急磋商，美联储通常只会在2008年金融危机或2020年疫情冲击这种系统性风险面前启动。

　　白宫那边动作更快，国家网络安全总监肖恩·凯恩克罗斯直接牵头组建专项应对小组，要求各部门排查关键基础设施的安全软肋，加固政府系统防线。

　　美国国家经济委员会主任凯文·哈塞特也公开说得很直白：AI掌握自主挖掘软件漏洞的新路径，必须高度警惕。

　　德国联邦银行（央行）行长Joachim Nagel在罗马发表演讲时明确表示，IT安全对金融稳定至关重要，要求所有相关机构都能获得类似Mythos这样的技术访问权，否则会扭曲竞争。

　　就在2026年5月6日，埃隆·马斯克宣布旗下人工智能企业xAI作为独立实体正式解散，整体并入SpaceX，成为名为SpaceXAI的产品线。

　　Colossus 1位于美国田纳西州孟菲斯，搭载超过22万块英伟达GPU，包括H100、H200和下一代GB200加速器。

　　真正值得留意的不是AI是不是成了神，而是它的角色正在发生变化——从你问它答的搜索增强工具，变成了能长时间独立干活的数字员工。

　　而如果AI未来开始自己研发更强的AI，技术进步的增速本身还会再加速，到那时连指数增长这条线都不够用了。