Rohan Paul (@rohanpaul_ai)T2·商业与生态
78 分
METR 基于 Anthropic 内部研发数据与研究员访谈,判断其模型改进速度已约为 2024 至 2025 年节奏的两倍,其中约 80% 的加速归因于 Anthropic 自身对 AI 的使用,而非训练算力增长。报告还指出,Anthropic 8 月公开风险报告低估了这一速度,且未来 12 个月内算法、算力与数据层面均未见明显瓶颈。
Training Compute
训练模型所消耗的总计算资源,通常以 FLOP 计量,是能力提升的关键投入之一
METR 基于 Anthropic 内部研发数据与研究员访谈,判断其模型改进速度已约为 2024 至 2025 年节奏的两倍,其中约 80% 的加速归因于 Anthropic 自身对 AI 的使用,而非训练算力增长。报告还指出,Anthropic 8 月公开风险报告低估了这一速度,且未来 12 个月内算法、算力与数据层面均未见明显瓶颈。