METR发布GPT-4o自主能力初步评估
先了解这件事
2026年9月30日，METR发布对GPT-4o自主能力的初步评估。该评估使用简单的agent scaffolding，在30个任务族共77项自主能力任务上测试GPT-4o，结果显示其表现强于Claude 3 Sonnet和GPT-4-Turbo，略弱于Claude 3.5 Sonnet，整体与人类30分钟基线相当；METR同时指出约半数失败任务属于可修复类型。同日，METR还发布了通用自主能力评估更新，新增约50项自动评分任务，覆盖网络安全、软件工程和机器学习等技能，并收集约200条人类基线。初步结果显示，基于Claude 3.5 Sonnet和GPT-4o的智能体完成任务的比例与人类基线者约30分钟的表现相当；其中GPT-4o智能体可完成约60%人类15分钟内完成的任务，以及约10%人类耗时超4小时的任务。
AI 根据报道生成 · 10 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- METR：ResearchMETR 更新通用能力评估：新增约 50 项任务与人类基线，公布 GPT-4o 和 Claude 初步结果
METR 发布通用自主能力评估更新，新增约 50 项自动评分任务，覆盖网络安全、软件工程和机器学习等技能，并收集约 200 条人类基线。初步结果显示，基于 Claude 3.5 Sonnet 和 GPT-4o 的智能体完成任务的比例与人类基线者约 30 分钟的表现相当；GPT-4o 智能体可完成约 60% 人类 15 分钟内完成的任务，以及约 10% 人类耗时超 4 小时的任务。
- METR：ResearchMETR 对 GPT-4o 自主能力初步评估详情：77 项任务、约半数失败可修复
METR 用简单 agent scaffolding 在 30 个任务族共 77 项自主能力任务上评测 GPT-4o，表现强于 Claude 3 Sonnet 和 GPT-4-Turbo，略弱于 Claude 3.5 Sonnet，与人类 30 分钟基线相当。
本事件热度走势
当前热度 7·可比范围峰值 9（10月1日 02:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。