Anthropic 发布 Agent 自主性实测：Claude Code 从 25 分钟提升至 45 分钟以上
有不少零散但值得注意的小动态：我们曾邀请过的 李飞飞的 World Labs 和 《The Era of Experience》的 David Silver 都拿到了惊人的 10 亿美元融资；与此同时，Anthropic 正式封禁 OpenClaw 使用 Claude OAuth Token（与 OpenCode 之后的政策一致）；同一天，OpenAI 员工也很“友好地”提醒大家 也可以改用 OpenAI 的方案（我们当然相信这完全是巧合）。
不过，这些很快都会过去。今天我们真正想强调的是 Anthropic 对自家 API 使用模式的研究：Measuring AI agent autonomy in practice。不出所料，主要使用场景仍是编程；但沿着榜单往下看，你已经能识别出下一批最可能被 Agent 吃下的任务类型：
[
文章大部分内容围绕 Claude Code 的使用展开。我们看到了 Anthropic 视角下“自主性增强”的轨迹：从 9 月的 25 分钟，提升到 1 月的 45 分钟以上；2026 年 1–2 月用户规模突然 翻倍 时出现一次下滑，随后随着 Opus 4.6 发布再次回升。
[
这与著名的 METR 图表是“口径不同但方向相近”的故事。正如我们将在即将发布、与 METR 的播客中解释的那样：METR 采用的是 HUMAN EQUIVALENT HOURS 的 50 分位成功率；而不是像 Claude Code 自主执行那样看 99.9 分位的长尾自主性。因此会呈现出非常不同（且在极端值上更波动）的趋势：Agent 几乎可覆盖 5 小时的人类工作量。
[
正如 Anthropic 所说：
METR 评估衡量的是：在理想化环境下、没有人类交互且没有真实世界后果时，模型“能够做到什么”。而我们的测量捕捉的是现实中的实际情况：Claude 会停下来请求反馈，用户也会打断流程。并且，METR 的“五小时”衡量的是任务难度——也就是人类完成该任务需要多久——而不是模型实际运行了多久。
（另外……
大多数 Claude Code 回合都很短。中位数回合时长约 45 秒，过去几个月仅有小幅波动（40 到 55 秒之间）。事实上，99 分位以下几乎所有分位都相对稳定。）
说到这里已经很清楚了。由于 Anthropic 拥有完整的 Claude Code 遥测数据，它还能给出其他人拿不到的自主性指标。比如：新用户一开始 auto-approve 比例约为 20%，随着经验积累会提升到 >50%。
[
……不过他们打断 Claude 的频率也几乎翻倍：
[
文中还分析了 Claude 在何时会主动打断流程、请求澄清：校准质量不错，并对触发原因及频率做了很好的拆分：
[
文章其余部分更偏安全议题，但仅凭这份 Agent 使用数据，AI Engineers 就已经能提炼出大量实战启发。
前沿模型与基准榜单洗牌（Claude 4.6、Qwen3.5、GLM‑5、Gemini 3.1 Pro、MiniMax M2.5）
-
Anthropic Claude Opus/Sonnet 4.6：能力大跳升，Token 成本也大涨：Artificial Analysis 报告称，Sonnet 4.6 在其 Intelligence Index 上达到 51（相较 Sonnet 4.5 reasoning 的 43 明显提升），仅次于 Opus 4.6 的 53。但 Token 效率显著更差：完整跑完测试集需要 ~74M output tokens，而 Sonnet 4.5 约 ~25M、Opus 4.6 约 ~58M；在 max effort 配置下，Sonnet 4.6 跑完整个指数成本约 $2,088（AA summary, token note）。社区反馈也呼应“4.6 在 critique/architecture 上体验更好”（eshear），但同时指出 Claude Code 在可靠性/产品层面仍有问题（围绕 SDK/docs 与工具稳定性的“Anthropic drama”讨论）（theo）。
-
Claude 进入 Search Arena + 自主性遥测公开：Arena 将 Opus/Sonnet 4.6 加入其搜索模态榜单（arena）。Anthropic 同时发布“Measuring AI agent autonomy in practice”，基于数百万次工具调用交互进行分析：约 ~73% 的工具调用呈现 human-in-the-loop，仅 0.8% 看起来是 irreversible，而在其 API 中 software engineering 占工具调用约 ~50%。其核心观点是“自主性由模型 + 用户 + 产品共同建构”，并据此强调部署后的持续监测（Anthropic, metrics, industry mix）。
-
Qwen 3.5：推理效率与“过度思考”之争：多条讨论将 Qwen3.5 的“overthinking”/Token 开销作为关键观察维度，既有抱怨（QuixiAI），也有更深入的社区分析：Qwen3.5-Plus 相较旧版 Qwen reasoning 变体减少了长链 Token 膨胀，但在 non-reasoning 模式下存在回退（ZhihuFrontier）。分发侧方面，Qwen3.5-Plus 已接入 Vercel AI Gateway（Alibaba_Qwen），阿里云也推出了面向 coding agents 的 Qwen Coding Plan 订阅，主打固定月费与高请求上限（Alibaba_Qwen）。
-
Qwen3.5-397B-A17B FP8 权重开放：阿里发布 Qwen3.5‑397B‑A17B 的 FP8 weights，并宣布已合并 SGLang support、vLLM PR 在推进中（预计“接下来几天”支持）。这是“开放权重 + 生态即刻跟进”成为竞争性 OSS 发布标配的典型案例（Alibaba_Qwen）。
-
GLM‑5 技术报告 + “agentic engineering” RL 基础设施：GLM‑5 技术报告被直接引用（scaling01），并被总结为从 vibe-coding 走向“agentic engineering”：采用 asynchronous agent RL，将 generation 与 training 解耦，并引入 DSA 在保持长上下文性能的同时降低算力开销（omarsar0）。实践者评价该报告细节密度很高，对 OSS 复现价值大，尤其点名了优化器/状态管理以及 agentic 数据构建细节（终端环境、幻灯片生成等）（Grad62304977）。
-
Gemini 3.1 Pro 传闻 + “更长思考”：早期测试反馈显示，Gemini 3.1 Pro 的“thinking”轨迹明显长于 Gemini 3 Pro，可能缩小与 Opus/GPT 的差距；但也伴随对 benchmark 可信度的质疑，以及在对抗性样例上的失败（例如处理包含答案的 ARC-AGI-2 提示词时失误）（scaling01, ARC anecdote）。
-
MiniMax M2.5 出现在社区榜单：Yupp/OpenRouter 的帖子显示已接入 MiniMax M2.5 与 M2.5 Lightning，并通过 prompt-vote 榜单持续追踪结果（yupp_ai, OpenRouter benchmark tab）。
Agentic coding + harness engineering（Claude Code、Cursor、LangSmith、Deep Agents、SWE-bench process）
原文链接：https://www.latent.space/p/ainews-anthropics-agent-autonomy
