在人工智能（AI）的这场、日益被“更高跑分”所定义的全球“军备竞赛”中，一个全新的、也可能，更接近于“智能本质”的“新维度”，正由权威的人工智能研究机构METR，以一项，全新的基准测试，悍然开启。
这场测试，不再，仅仅，去衡量AI的“智商”——即，其，能否，在一个单一的、孤立的任务中，给出一个“正确”的答案。
它，开始，去衡量AI的“耐力”——即，其，能否，在一个，包含了数百、甚至数千个步骤的、超长的时间序列任务中，持续地，保持其“专注”与“正确”。
而在这场，全新的“AI马拉松”的首场比赛中，来自Anthropic的顶级模型Claude Opus 4.5，以一种，近乎于“碾压”的、无可争议的姿态，展现出了其“统治级”的实力。
测试的结果，清晰地，揭示了Claude Opus 4.5，在不同难度挑战下的、惊人的“耐力边界”。
其核心的指标，被称为“时间分辨率”（Temporal Resolution）。它，衡量的是，在维持一个特定的任务成功率的前提下，模型能够持续地，处理一个复杂任务的最长时长。
而Claude Opus 4.5，交出的“成绩单”是：
在维持50%成功率的前提下，它能够持续地，处理一个复杂的、多步骤的任务，长达约4小时49分钟。
这个数字，不仅，刷新了该项测试的所有历史记录。
它更以一种，无可辩驳的方式，向整个行业，宣告了一个，深刻的、系统性的“角色转变”。
AI，正在从过去那个，只能，进行“一问一答”式的、短时记忆的“短指令回复者”，历史性地，进化为一个，能够，去独立地，执行一个，完整的、长周期的项目的“长程项目执行者”。
然而，在这场，堪称“惊艳”的性能展示背后，来自行业专家的、更为审慎的质疑，也随之而来。
他们，主要指出了该项测试，在当前阶段，所存在的两大局限性：
-
样本量的局限：
-
目前，METR的这项基准测试，仅仅涵盖了14个测试样本。
-
METR的官方，也坦诚地承认，测试数据中，所出现的、那个模型理论上，可以连续工作超过20小时的、更为惊人的数值，很可能，是由于样本量过小，而产生的统计学上的误差。
-
-
“刷分”的可能性：
-
也有观点认为，任何一种，被公开的、标准化的基准测试，都将不可避免地，面临被模型，进行针对性的“过拟合”与“刷分”的风险。
-
“这，是一个好的开始。但我们，距离一个能够真正地，去衡量通用人工智能（AGI）在长程任务中可靠性的‘终极标尺’，依然道阻且长。”一位不愿具名的AI安全研究员向爱力方表示。
那么，我们，应该如何，去理解Claude Opus 4.5的这次“破纪录”？
它，究竟是一次，被“过度解读”的、小样本的“偶然胜利”；还是一次，真正意义上的、预示着AI能力边界，正在发生深刻“质变”的**“必然前兆”**？
或许，答案，并不在于，那个具体的“4小时49分钟”的数字本身。
它的真正意义，在于，它为我们打开了一扇，全新的、观察和评估AI进化水平的“窗口”。
它，提醒我们，当AI的“智商”，日益变得同质化时，那真正，能够，将“聪明的模型”，与“可靠的伙伴”，区分开来的，或许，正是这种，看似“枯燥”、却又至关重要的“耐力”。
而在这场，关乎“持续执行能力”的、更为漫长、也更接近于“真实世界”的全新竞赛中，Claude，无疑，已经，率先地，冲出了起跑线。
