METR 分析：Anthropic 新模型在所有基准上均超过 50%

11 月 5 日，Crypto Briefing 报道称，METR 对 Anthropic 新模型的一项分析显示，该模型在所有纳入评测的基准测试上都取得了超过 50% 的成绩。

这个数字的读法是“下限”而不是“上限”：所有基准均过半，说明模型在整个测试面上没有明显塌陷的类别，但它并不等于在任何一个单项上领先。就现有信息而言，报道没有给出逐项分数、任务构成或评测样本量。

第三方评测之所以受关注，是因为厂商公布的分数由厂商自己选择公布哪些。像 METR 这类独立评估机构的价值，在于它们用开发者没有专门针对过的任务去测模型，结果更难通过训练数据的选择来优化。

从信号角度看，“全面过半”意味着能力的宽度：前沿模型之间的差距越来越体现在少数难题上，而在常规任务上普遍越过中线，说明基础能力的门槛又被抬高了一截。对下游做选型的团队来说，这通常意味着更换供应商的迁移成本会更多来自工具链与合规，而不是能力不足。

需要保留的判断有三点：基准套件是有限的，题目公开越久，污染风险越高；50% 这条线本身是人为设定的阈值，越过它并不代表达到实用水平；而目前的信息是二次报道，不是原始数据。

后续看点是 METR 的完整报告是否会公开任务清单与逐项结果，Anthropic 是否在模型卡中引用这组数据，以及独立复现能否得到同方向的结论。在这些出现之前，最稳妥的说法是：有一个覆盖面不错的结果，但还不足以定义它有多强。