研究任务交给编码智能体有多可靠
据文章转述,OpenAI 报告中,智能体独立完成两至四小时研究任务的比例从 23% 升至 46%,四至八小时任务从 13% 升至 35%。报告同时指出,委派任务的选择也发生了变化,增幅不能全部归因于模型进步。
AI 深度解读
OpenAI 让编程 Agent 接手内部研究任务,到 2026 年 10 月,预计需要人类 2 至 4 小时的任务,有 46% 能在无人介入的情况下完成。拆开看,监控训练的成功率是 79%,编写推理与服务代码只有 25%。
这组数据对程序员最有用的地方,是帮你判断哪些活可以整件交给 Agent,哪些活应该拆开再交。成功率上升也有一部分可能来自研究员更会挑任务,所以读这份报告,要同时看模型做成了什么,以及人把什么交给了它。
46% 衡量的是哪一批任务?
OpenAI 在 2026 年 11 月 18 日发布第二份内部研究报告《Research acceleration: The jagged frontier》,接续 9 月提出的「自动化研究实习生」里程碑。报告的核心指标叫零人工介入成功率(zero-intervention success),看的是一项已经委派的任务,Agent 能否在执行途中无人接手的情况下完成。任务的时长分档按人类预计要花的时间计算。
从 2026 年 3 月到 10 月,预计耗时 2 至 4 小时的任务,成功率从 23% 升到 46%。预计耗时 4 至 8 小时的任务,从 13% 升到 35%。两个时长档都有提升,较长的一档仍更难独立完成。
同一时长档里,研究员前后交出去的活也变了。模型能力增强,研究员也逐渐知道哪些任务适合委派。报告没有拆出两者各自贡献多少。因此,46% 适用于当时已委派的那批任务。即使团队手头的工单也都预计花两三个小时,换一批任务,结果可能差很多。
为什么监控训练能到 79%,启动训练只有 35%?
8 月 1 日到 10 月 18 日的任务明细里,监控训练运行并发现问题的估算成功率为 79%,回答技术问题为 72%。按大类看,沟通是 69%,分析是 58%,构建降到 43%。再看几个具体任务,启动训练是 35%,搭建评估、强化学习和 Agent 环境是 29%,编写推理与服务栈代码是 25%。
原文作者给出的解释是,观察和回答类任务往往更快拿到反馈,出错也更容易纠正。比如监控训练可以持续读到运行信号,启动训练则需要先把执行条件准备好。报告给出了任务成功率,原文没有提供对照实验来验证反馈速度和错误代价各自影响了多少。
这个差距会传到整条流程。即使大多数训练监控能交给 Agent,训练启动和服务代码仍可能频繁需要人接手。评估整条研发流程能省多少时间,得看那些会卡住后续环节的任务完成得怎么样。
并行用量涨了十一倍,研究员愿意为它放弃什么?
按 API 公开标价折算,研究员每日 Agent 工具用量的费用中位数从 9 月的约 1,500 美元涨到约 2,400 美元,报告给出的涨幅是 62%。第 90 百分位从约 11,000 美元涨到约 23,000 美元,涨幅为 105%。高用量研究员和中位数之间的差距在扩大。
每名研究员的 Agent 工作日从 0.5 增至 5.7,约为原来的 11 倍。这里每累计 8 小时 Agent 运行时间算一个工作日,多开几个 Agent 就会累加。到 10 月中旬,超过三分之二的研究员日均并行峰值至少为 4 个,超过 10% 至少为 16 个。以 2026 年 9 月为参照,Agent 用量按 API 标价折算约为研究组织非股权薪酬的两倍。按研究算力口径,内部部署只占总量的 2%。前者衡量按标价计算的用量价值,后者衡量算力份额。
一项面向 101 名研究人员的调查问,如果团队连续 3 个月失去所有比 GPT-5.2 更强的编程 Agent,愿意拿什么换回使用权?回答的中位数是团队 30% 的算力,或 40% 的人员编制。10 月下旬另一项调查里,28 人中有 27 人预期,用最新内部模型工作,会比由一位职业中期的研究工程师加上 o1-preview 这类 2024 年模型协助更高效。这些是小规模调查中的主观预期,原文没有给出实际裁员或生产率对照结果。
为什么报告还统计了安全工作?
从 1 月到 9 月,OpenAI 安全与对齐(Safety & Alignment)方向记录在案的工作周数增加了 77%,绝对增量在各研究方向中最大。增长来自招聘和现有研究员调整工作重心,在 OpenAI 应对 2026 年 7 月的 Hugging Face 事件后明显加快。原文把它和 Agent 承接更多编码工作放在一起讨论,但现有数字无法算出自动化为安全工作释放了多少时间。
报告还重申了 9 月的政策主张,建议要求 AI 实验室跟踪并公开递归自我改进(recursive self-improvement,RSI)的指标。这里关注的是 AI 在多大程度上加快后续 AI 系统的开发。OpenAI 将公开指标定位为对研发加速的追踪,并未将其作为追求完整 RSI 的承诺。
我的判断
我更看重按任务类别拆开的数据。只记录每天开了多少 Agent、跑了多长时间,很容易把并行度当成产出。内部报告至少让人看到,一项已经交出去的任务是否需要人接手,还能看出差距集中在哪些环节。
至于「挑对任务就能提高成功率」,方向有参考价值,提升幅度仍是经验之谈。报告里的数据由 OpenAI 自行测量,没有独立审计,也缺少固定任务样本上的前后对照。普通团队拿自己的同类工单做小规模对照,更容易判断收益能否复现。比较时还要把人工验收和返工算进去,否则 Agent 中途独立跑完,评审人仍可能花掉原来省下的时间。
能拿来做什么
- 给前端或 Node 项目试派任务时,先挑能独立验收的活,比如归纳 CI 失败日志、定位出错的测试,或回答某个模块的调用关系。委派前写清楚要交付哪些证据。
- 遇到横跨多个模块的改动,可以先让 Agent 梳理调用链、列出受影响的测试和拟修改的文件,由人确认范围后再交给它实现。把规划和修改拆开,能看出人工介入发生在哪一步。
- 每次评估尽量选难度接近的同类工单,记录是否中途接手、验收花了多久、结果有无返工。模型或委派方式调整后,再用同样的口径比较。