Model 4: مدل مخفی Anthropic که هنوز کسی ندیده
خلاصهٔ کاملتر
METR یه گروه غیرانتفاعیه که به خاطر اندازهگیری طول کارهایی که agentهای هوش مصنوعی بدون نظارت انجام میدن معروفه. این گروه از ۱۲ آگوست تا ۲۹ اکتبر ۲۰۲۶ روی دستگاههای خود Anthropic کار کرده و به بنچمارکهای داخلی، آمار compute، پیشبینیهای داخلی و مصاحبه با حدود ۱۵ محقق دسترسی داشته. حاصلش یه گزارش حدوداً ۱۰۰ صفحهای برای Anthropic و یه نسخه کوتاهتر عمومی بود که ۵ نوامبر منتشر شد.
تو این گزارش از سه مدل داخلی اسم برده شده که عموم هیچوقت ندیدن: Model 2 (تموم شدن آموزش تو جولای ۲۰۲۶)، Model 3 (آگوست تا سپتامبر) و Model 4 (سپتامبر تا اکتبر). Model 4 اولین مدلیه که تو هر ۱۵ بنچمارک تستشده بالای ۵۰ درصد گرفته و تو بعضیهاش به حدود ۹۰ درصد رسیده. طبق نموداری که بعد از انتشار گزارش دستبهدست شد، این مدل بیشتر از ۴۰ روز جلوتر از چیزی بوده که مشتریها بهش دسترسی داشتن. ربط دادنش به «Claude 6» فعلاً فقط حدس و گمانه.
یافته اصلی گزارش اینه که Anthropic از اکتبر ۲۰۲۵ داره مدلهاشو تقریباً ۱.۹ برابر سریعتر از قبل بهتر میکنه (بازه اطمینان ۱.۵ تا ۲.۸). برای اندازهگیری از AECI استفاده شده، یعنی نسخه مخصوص Anthropic از Epoch Capabilities Index که چند بنچمارک رو تو یه عدد قابل مقایسه جمع میکنه. شیب این عدد از حدود ۱۵ امتیاز در سال به حدود ۲۹ امتیاز رسیده.
نکته مهمتر اینه که به گفته METR این شتاب از compute بیشتر نمیاد و حدود ۸۰ درصدش به کمک خود هوش مصنوعی به روند تحقیق نسبت داده میشه. این یعنی شروع نسخه اولیه recursive self-improvement، یعنی چرخهای که هوش مصنوعی به ساختن هوش مصنوعی بهتر کمک میکنه. البته فعلاً انسانها هنوز تو حلقه هستن و کارها رو بررسی و هدایت میکنن.
کارمندای Anthropic گفتن بهرهوریشون از حدود ۱.۲ برابر با Claude 3.7 Sonnet تو اوایل ۲۰۲۵، به حدود ۱۲ برابر با Model 4 رسیده. خود METR گفته این دادهها خوداظهاریه و ضعیفه. تو مصاحبهها عدد میانگین نزدیک ۲ برابر بود و یه محقق فقط ۱۵ تا ۲۰ درصد رو به هوش مصنوعی نسبت داد. از طرف دیگه Anthropic بخش زیادی از شواهد، از جمله تحلیل compute و بخش «گلوگاهی وجود نداره» رو قبل از انتشار سانسور کرده، پس خیلی از ادعاها از بیرون قابل بررسی نیست.
نکات کلیدی:
- METR از ۱۲ آگوست تا ۲۹ اکتبر ۲۰۲۶ داخل Anthropic کار کرده و گزارش ۵ نوامبر منتشر شده.
- Model 4 اولین مدل داخلیه که تو هر ۱۵ بنچمارک بالای ۵۰ درصد گرفته.
- شتاب پیشرفت حدود ۱.۹ برابر تخمین زده شده، با بازه ۱.۵ تا ۲.۸ برابر.
- حدود ۸۰ درصد این شتاب به کمک هوش مصنوعی به تحقیق نسبت داده شده، نه compute.
- وقتی OpenAI و Google هم حساب شدن، عدد کل صنعت حدود ۱.۴ برابر دراومد.
- بخش زیادی از شواهد گزارش توسط Anthropic سانسور شده.




