2026 年 9 月 22 日，Anthropic 发布了 Claude Opus 5.5。根据公告，它在大多数工作中的表现与 Claude Fable 5.1 相当，运行成本比 Opus 5 低 40 %。两天后，以 DotCSV 为名的西班牙科普作者 Carlos Santana 发布了一段视频，却几乎没有在这些数字上停留。他关心的是另一件事：在过去两个月里，语言模型在视听创作上实现了一次飞跃。动画、动态图形、3D 场景或像素画，都是通过编写代码完成的，而不是借助生成视频的模型。
为了解释这一点，他画了一条 S 形曲线（sigmoid）：开始时进展缓慢，在一小段时间里迅速攀升，最后几乎趋平。他的观点是，每一类任务都会在不同的时间走完自己的那条 S 形曲线。他把语言能力的陡峭阶段放在 GPT-3 时期，把编程的陡峭阶段放在 2025 年到 2026 年初，而视听创作的陡峭阶段就在最近几周。
这个观察与我们很多人的亲身体验相符。真正有意思的是它为什么会发生。构建模型的要素增长得相当平稳：每年都有更多算力、更多数据和更好的方法。那么，一项任务为什么会在短短几个月里，从“几乎从不成功”变成“几乎总能成功”？原因不止一个，至少有四个。值得把它们分开来看，因为每一个都有助于预判下一次跳跃可能出现在哪里。
能力持续增长；每项任务以自己的曲线作出回应
首先要区分两件我们常常混为一谈的事：模型的总体能力，以及它在某项具体任务上的结果。
Epoch AI 是一家用数据追踪 AI 发展的机构，它的能力指数正是建立在这一区分之上。它假设每个模型都有一个无法直接观察的总体水平，而每项测试都会通过自己的 S 形曲线把这个水平转换成分数。低于某个水平时，模型几乎答不对；高于这个水平时，几乎全都答对。不同测试之间有两点不同：上升发生在什么水平，这取决于测试的难度；以及上升有多陡。Epoch 解释说，当曲线非常陡峭时，“多一点点智能就能带来很大差别”，测试也会很快饱和。
这样看，一次跳跃并不需要模型发生本质变化。只要一项增长相当平稳的能力到达某项任务的上升段就够了。对关注这项任务的人来说，变化显得很突然；对关注总体能力的人来说，这只是既有趋势中的又一步。
过去十年的测试用数据展示了这一点。在下面的图表中，每条线代表一种用各自测试衡量的能力：识别手写字、图像或语音，回答阅读理解问题，或理解语言。−100 对应该测试记录到的第一个 AI 结果，0 对应人类参考水平。
手写识别用了大约二十年才达到人类水平。而 2016 年至 2018 年间设立的阅读理解和语言理解测试，大约两年就达到了。每种能力都有自己的上升阶段，而且越新的能力走完这一阶段越快。这张图解释了现象的形状，但还没有回答：为什么有些曲线如此陡峭？
第一个原因：长任务是一串步骤
很多任务不是一个决定，而是许多决定串联在一起。如果一个错误就足以毁掉结果，那么顺利完成的概率就是每一步的可靠性自乘步骤数那么多次。
小小的变化会带来巨大的差别。如果每一步的正确率是 90 %，一个 10 步的任务成功率为 35 %，一个 50 步的任务只有 0.5 %。如果每一步的正确率是 99 %，同样的任务成功率分别为 90 % 和 61 %。每一步的可靠性提高九个百分点，长任务的成功率就会提高一百多倍。
这种简化夸大了效应：好的系统能发现并纠正一些错误，相当于减少了可能毁掉结果的步骤数。但这个机制确实存在，而且已经被测量过。评估模型的机构 METR 收集了从编程到机器学习研究的各类软件任务，测量人类专家完成它们所需的时间，并考察每个模型在一半情况下能完成多长的任务。对同一个模型来说，任务越长，成功率越低，而且再次沿着一条 S 形曲线下降。
根据 METR 在 2026 年 1 月发布的更新，这个时长在 2019 年至 2025 年间大约每六个半月翻一番，自 2024 年以来大约每三个月翻一番。METR 自己也提醒，这一估计取决于其任务集包含哪些任务。如果这个时间跨度稳定增长，那么一项固定长度的任务会在某个具体时刻被跨越：多年来几乎从不成功，然后在很短时间内变得几乎总能成功。
用代码制作的动画是串联任务的一个极端例子。几十个元素、节奏、转场和镜头运动必须同时配合好。一个物体跑出画面，或一次剪辑时机不对，就足以让结果无法使用。可以合理预期，这类任务在其各个环节还不够可靠时会一直接近零，而一旦各环节变得可靠，就会迅速上升。这是根据机制作出的推断，并不是针对动画测得的结果。
第二个原因：我们用“及格或不及格”来评判
2022 年，来自 Google 和其他机构的团队描述了所谓的涌现能力：在某些任务上，小型和中型模型的表现与随机猜测无异，而超过一定规模后，准确率突然飙升。这些看起来像是之前任何趋势都无法预见的质变。
第二年，Schaeffer、Miranda 和 Koyejo 提出了另一种解读。其中许多测试只接受完全正确的答案。例如，把两个四位数相加，结果的每一位都必须正确。如果模型在每一位上逐渐进步，完整答案会一直是错的，直到所有位都正确，这时结果才会突然跳升。这与步骤链的效应相同。当他们用渐进式指标重新评估同样的答案，也就是衡量答案与正确答案有多接近时，许多这样的跳升就变得平滑了。
这场争论尚无定论。另一些研究，例如 Du 等人 2024 年的工作，认为有些能力是在模型训练中跨过真实阈值时出现的，而不仅仅是因为用“及格或不及格”来衡量。就我们的问题而言，一个结论就足够了：测量方式可以把渐进的改进变成表面上的跳跃。
而用户几乎总是这样衡量的。我们不会按正确帧的比例来评价一段动画，而是问自己能不能用。即使质量在一点点提高，我们感受到的却是它开始变得有用的那一天。
第三个原因：实验室训练它们能够验证的东西
对模型的投入在稳定增长。Epoch AI 估计，2010 年至 2024 年间，训练前沿模型所用的算力每年增长四到五倍。每年真正变化的，是这些投入被引向哪些任务。
2024 年 9 月 12 日，OpenAI 发布了 o1，这是一个通过大规模强化学习训练、在回答前先进行推理的模型。强化学习的意思是让模型尝试解决问题，并强化那些成功的尝试。在 2024 年的 AIME 考试中（这是美国用来选拔最优秀高中生的数学竞赛），GPT-4o 平均解出 12 % 的题目，而 o1 每题只尝试一次就解出了 74 %。
要强化成功的做法，就必须知道它是否成功。2025 年 1 月，DeepSeek 公布了 DeepSeek-R1 的训练方式：数学题由一条规则检查最终答案是否正确，编程题则由编译器用测试用例运行代码。在这次训练中，它的第一个版本在同一项 AIME 考试上的成绩从 15.6 % 提高到 71 %。
编程同时满足推动这种投入的两个条件。结果可以自动验证，因为测试要么通过、要么失败。而且需求旺盛：根据 2026 年 3 月的 Anthropic 经济指数，编程仍然是 Claude 最常见的用途，计算机和数学类职业的任务占 Claude.ai 对话的 35 %。
编程的 S 形曲线可以用数据看到。SWE-bench 收集了来自 Python 开源项目的真实缺陷：模型拿到代码仓库和问题描述，必须修改代码，使项目开发者编写的测试通过。在我们关于基准测试历史的文章中，我们展示过其中一项任务。
2023 年 10 月，接受评估的最佳模型每一百个问题解决不到两个。两年内，公开的最佳结果超过了 80 %。最早的编程测试要求根据精确描述写出一个简短函数；而这里，模型必须在别人的项目中找到缺陷，理解其代码，并在不破坏任何东西的前提下修改它。这一进步恰好发生在实验室开始用可自动验证的任务进行训练，并为模型提供作为智能体工作的工具的那几年：打开文件、运行测试、再次尝试。
第四个原因：有些能力由其他能力组成
用代码进行视听创作并不是单一技能。它需要写出能运行的代码，并在长任务中不迷失方向。它还需要看到代码生成了什么并加以判断：节奏是否合适，构图是否清晰，有没有哪里不协调。这就是我们通常所说的品味或判断力。
复合能力取决于它最薄弱的环节。只要其中一部分落后，整体就会继续失败，即便其他部分早已在进步。当最后一部分达到所需水平时，整体看起来就像是一下子出现了。
我们的假设是，视听创作正处在这个节点上。编程和长任务处理早已走完了各自 S 形曲线的大部分。最近几个月似乎有所提升的是视觉部分：判断生成的内容，并利用这种判断去修正它。如果一个模型能够渲染一个场景、查看结果并修复不对的地方，那么步骤链就不会在第一个错误处断掉。
这是一个假设，但它已不再只靠零散的轶事。在关于 Opus 5.5 的技术说明中，Anthropic 把更精确地读取图表、示意图和屏幕截图列为相对 Opus 5 的变化，尤其是密集的图表和元素位置很重要的图像。在其公告中，图表读取从 83.4% 提高到 89.0%。同一份公告还提到一位测试者让几个 Claude 模型根据一条提示制作游戏，Opus 5.5 在图形和完成度上得分最高。其余的都是科普作者和用户的演示，就像我们在关于 AI 爆红测试的文章中收集的那些：很有启发，但没有统一的方法。
不过，模型看得更清楚，并不能证明这就是跃升的原因。至少还有另外三种说得通的解释，而且很可能每一种都起了一些作用。Anthropic 把 Opus 5.5 定位为专为长任务打造的模型，而一段动画是由数百个步骤组成的链条：每一步只要更可靠一点，单凭这一点就足以让整条链开始完整地跑通。一部分进步发生在不看结果的情况下：在用 SVG 画鹈鹕的测试中，模型一次画完、看不到结果，但这些画多年来仍在不断变好。品味也可以训练：如果实验室给模型生成内容的视觉完成度打分，模型的判断力就会提高，即使它的视觉没有变化。
如果这个假设成立，它也能解释为什么这条 S 形曲线比编程的来得晚。代码有测试，要么通过、要么失败；品味没有。实验室可以用模型来评估结果，或者用书面标准来打分，但这种检验不如测试可靠。难以验证的东西，训练起来也更慢。
平坦段并不总是终点
S 形曲线的最后一段与上升段同样值得关注。当一条曲线趋平时，发生的可能并不是能力停止提升。
有时，极限在于测试本身。2026 年 2 月 23 日，OpenAI 不再使用 SWE-bench Verified。最佳成绩在六个月里仅从 74.9 % 提高到 80.9 %。在审查模型没能解决的问题时，OpenAI 发现，在接受审计的问题中，至少 59.4 % 的测试存在缺陷，会拒绝正确的解法。此外，前沿模型能够凭记忆复现一些解法。这段平台期有一部分衡量的是测试的缺陷，而不是能力的极限。
有时，极限在于我们的感知。语言方面已经是这样：模型的写作能力仍在提高，但几乎没人再去问新模型的文字表达进步了多少。进步仍在继续；耗尽的是我们在对话中察觉这些进步的能力。
最重要的是，一条 S 形曲线的终点往往是另一条的起点。动画在演示中成功是一回事，在没人逐帧检查的流程中每次都成功是另一回事。从 80 % 提高到 99 %，看单个例子时几乎察觉不到，却决定了某样东西能否成为每天重复的工作的一部分。这又是步骤链的问题：一个五十步的流程，可靠性为 80 % 时几乎从不成功；可靠性为 99 % 时，十次中能成功六次。
预判下一次跳跃时该看什么
S 形曲线的思路无法给跳跃定下日期，但能帮助我们提出更好的问题。与其问 AI 什么时候能胜任某项任务，不如关注四件事：
- 任务由多少步骤组成，每一步有多可靠。 长任务落后的时间更长，之后上升得也更快。
- 如何判断任务是否成功。 如果按“及格或不及格”来评判，改进会一下子显现出来。
- 结果能否自动验证。 能够验证的东西就能大规模训练，投入也会首先流向那里。
- 缺的是哪一块。 在复合能力中，最薄弱的部分决定跳跃发生的时刻。
视听创作正在发生的事情符合这一模式：一项长任务，以能否使用来评判，建立在已经可靠的能力之上，唯独缺少“眼睛”。下一批 S 形曲线很可能出现在具备这种组合的任务中。而每当其中一条到达平坦段，在真实工作中使用 AI 时最重要的问题就会开始：不是它能不能做到，而是它能不能每次都做好。
来源
- DotCSV Lab：《CLAUDE OPUS 5.5 es TODA UNA REVOLUCIÓN AUDIOVISUAL (…sorry Astra)》，2026 年 9 月 24 日（西班牙语）
- Anthropic：Introducing Claude Opus 5.5，2026 年 9 月 22 日
- Anthropic：What’s new in Claude Opus 5.5，技术文档
- Epoch AI：Epoch Capabilities Index
- Epoch AI：Training compute of frontier AI models grows by 4-5x per year
- Our World in Data：Test scores of AI systems on various capabilities relative to human performance
- Contextual AI：Plotting Progress in AI
- METR：Measuring AI Ability to Complete Long Tasks，2025 年
- METR：Time Horizon 1.1，2026 年 1 月
- Wei 等：Emergent Abilities of Large Language Models，2022 年
- Schaeffer、Miranda 和 Koyejo：Are Emergent Abilities of Large Language Models a Mirage?，2023 年
- Du 等：Understanding Emergent Abilities of Language Models from the Loss Perspective，2024 年
- OpenAI：Learning to reason with LLMs，2024 年 9 月 12 日
- DeepSeek-AI：DeepSeek-R1，2025 年 1 月
- Anthropic Economic Index，2026 年 3 月
- Jimenez 等：SWE-bench，2023 年 10 月
- OpenAI：Introducing SWE-bench Verified，2024 年 8 月
- Anthropic：Claude 3.5 Sonnet 在 SWE-bench 上的表现
- Anthropic：Claude 3.7 Sonnet，2025 年 2 月 24 日
- Anthropic：Claude Opus 4.5，2025 年 11 月 24 日
- OpenAI：Why SWE-bench Verified no longer measures frontier coding capabilities，2026 年 2 月 23 日
