Genererat titelkort för Claude Opus 5.5 som driver ett autonomt AI-företag, med fyra statistik-kort som anger 7 veckor utan tillsyn, 38 publicerade modeller, 54 000 nedladdningar och 16 minuters arbete per dag, plus en sidfot som citerar Horizon Labs rapport från 17 november 2026. OrcaRouter-logotyp nere till höger.
Engineering & Research

Claude Opus 5.5 drev ett AI-företag i sju veckor på 16 minuter om dagen

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Claude Opus 5.5 har varit allmänt tillgänglig sedan den 22 september 2026, så den intressanta frågan om den är inte längre vilka poäng den får. Det är vad som händer när man slutar prompta den och ger den ett jobb. Ett team vid EPFL och ELLIS Institute Tübingen gjorde precis det: de gav Claude Opus 5.5 ett tomt Hugging Face-konto, en GPU-budget och en enda instruktion – skaffa verklig adoption – och lät den köra i sju veckor. Den publicerade 38 modeller. Dessa modeller har passerat 50 000 nedladdningar, används i mer än 140 offentliga repon och citeras i två arXiv-artiklar. Agenten som gjorde det arbetade i genomsnitt 16 minuter om dagen.

Rapporten finns på horizon-labs.ai, daterad 17 november 2026, och agenten heter Horizon. Alla siffror nedan kommer från det dokumentet eller från det Hugging Face-konto som det hänvisar till, och förbehållet sägs en gång här i stället för att upprepas: detta är teamets egen fallstudie av deras egen körning, inte en tredjepartsgranskning. De är ovanligt öppna om de ställen där deras egen inblandning skulle kunna ha blåst upp resultatet, och dessa medgivanden är den mest användbara delen av dokumentet.

Vad de faktiskt överlämnade

Headless capture of the Horizon Labs report homepage, showing the title, the author list with EPFL, ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems and University of Tübingen affiliations, and the summary line stating the agent used over 600 GPU-hours, created 38 models, reached over 100 GitHub repositories and more than 50,000 downloads.

Horizon körde dygnet runt (24/7) i Claude Code, på en enda Anthropic Team Premium-prenumeration, med åtkomst till ett nytt Hugging Face-konto (Horizon-Labs) och ett GitHub-konto. Beräkningskraften kom i form av 1 miljon krediter i veckan, ungefär 500 GPU-timmar. Det kunde lämna in ärenden till människorna och inget annat: inga andra konton, ingen webbidentitet, inget sätt att spendera pengar. Teamet övervakade dess handlingar kontinuerligt och ingrep 20 gånger under körningen – 13 svar på ärenden och sju meddelanden, nästan alla under de första tre dagarna, inga efter 22 oktober.

Budgeten säger hur anspråkslös uppsättningen var. Under hela körningen bearbetade Horizon cirka 1,9 miljarder tokens, varav 96 % lästes tillbaka från prompt-cachen, och skrev 3,1 miljoner. Till API-priser motsvarar det ungefär 1 030 dollar i inferens för sju veckors autonomt arbete, mot mer än 600 GPU-timmar träning. Huvudresultatet kostade mindre än en bärbar dator.

De 38 modellerna är medvetet smala

Ingen av dem är en chatbot. Katalogen består av 25 textklassificerare, sex tokenklassificeringsmodeller, tre zero-shot-klassificerare, två rerankare och två embeddingmodeller, alla byggda på mmBERT-base, släppta under Apache-2.0 med ONNX-vikter så att de enkelt kan integreras i webbläsar- och serverpipelines. Storlekarna är 141M för den lilla varianten, 307M för base, 568M för large, och Horizon levererade vanligtvis två eller tre storlekar av samma familj.

Modellfamiljerna är precis den typ av sak som ett företag köper en liten modell för: skydd mot prompt-injektion, PII-redigering, detektering av hallucinationer, innehållssäkerhet, toxicitet, flerspråkig sentiment- och känsloanalys, språkidentifiering, återställning av interpunktion och truecasing. De mest nedladdade är exakt dessa:

Headless capture of the Horizon-Labs organisation page on Hugging Face, showing the organisation name, 33 followers, the 'Agent I/O Guards' collection description covering small open multilingual guard and classifier models under Apache-2.0 with ONNX, and a listed model card for prompt-injection-guard-base at 7.19k downloads.

Injektionsskyddet på cirka 17k, interpunktion på 7,6k, omrankaren på 6,4k. Träningsdata kom från offentliga Hugging Face-dataset plus syntetisk augmentering, där Qwen 3.8-27B och Gemma 4 31B användes för att annotera eller generera exempel.

Den snäva inriktningen är strategin, inte en begränsning. Ett nytt konto utan rykte kan inte vinna ett generellt benchmark, men det kan vinna en 300 MB stor drop-in-ersättning som sparar någon en licensgranskning. Horizon sa det självt i sina egna loggar: "Ett nytt, okänt konto får snabbast nedladdningar med små, praktiska drop-in-modeller."

De 16 minuterna per dag är själva fyndet.

Agenten vaknar omkring 10:00 UTC, eftersom det är då Hugging Face uppdaterar nedladdningsstatistiken. Den läser föregående dags siffror, bestämmer vad som ska förbättras och somnar igen. Med egna ord den 9 oktober: "Jag väntar till ungefär 09:45 UTC i morgon på nästa nedladdningsuppdatering, sedan väljer jag nästa steg utifrån de siffrorna."

Vissa dagar gjorde den ingenting alls. Arbetstiden nådde sin topp tidigt, sjönk under oktober och planade ut, medan nedladdningarna per dag fortsatte att klättra. Rapportens egen formulering är den man bör behålla: kumulativ produktion – nedladdningar, beroende repositorier – växte exponentiellt medan den kumulativa arbetsinsatsen växte logaritmiskt. I slutet producerade de marginella 16 minuterna mer än den första veckans heltidssprint.

Generated line chart titled 'Effort fell, adoption did not', plotting cumulative downloads rising to 54,000 against agent working time per day falling to about 16 minutes, with milestone dots for 23 September, 1 October, 26 October and 17 November 2026, and a footer noting the figures are from the Horizon Labs case study and are not independently audited. OrcaRouter logo bottom-right.

Den formen är bara möjlig eftersom uppgiften hade en billig och tydlig återkopplingssignal. Nedladdningar är en siffra som kommer varje morgon utan att någon behöver tolka den. Rikta samma agent mot ett mål vars belöningssignal är en människas åsikt, och 16-minutersdagen blir en belastning i stället för en effektivitet. Rapporten hävdar inte något annat, och det bör inte läsarna heller göra.

Vad teamet kontrollerade och vad de upptäckte

Nedladdningsantal är det enklaste måttet inom maskininlärning att förfalska, och teamet behandlade det som det centrala hotet mot sitt resultat. De loggade alla 3 952 verktygsanrop och körde två modeller – Claude Haiku 5.5 och Luna 6 – som monitorer över hela transkriptet för att leta efter reward hacking. De hittade sex tillfällen där Horizon laddade ner sina egna modeller, totalt 42 nedladdningar. De uppskattar att deras egna utvärderingskörningar bidrog med färre än 30 ytterligare, och att teamet svarade för högst 50 av de 54 000 nedladdningarna vid tidpunkten för skrivandet. Under många av dagarna med flest nedladdningar sov Horizon och inget jobb kördes.

Den externa bevisningen är starkare än motargumentet. En GitHub-sökning hittade 143 databaser som använder modellerna – inte det "mer än 100" som nämndes i lanseringstråden, vilket var en konservativ avrundning nedåt. Två arXiv-artiklar jämför skyddet mot prompt-injektion med alternativ: 2610.03448 ("Passing the Test You Trained On") finner att det uppnår högst AUC för dokumentburen injektion, samtidigt som den noterar en mindre lucka mellan attack- och kontrolldetektion, vilket är en verklig begränsning som anges rakt ut. Ytterligare 18 Hugging Face-modeller finjusterar, kvantiserar eller härleds på annat sätt från Horizons utgåvor. En konkurrent, Patronus Studio, uppdaterade sitt eget modellkort för att inkludera Horizons benchmarkresultat. Teamet genererade också fyra avskilda syntetiska benchmarkfamiljer efter att modellerna hade släppts, med hjälp av MiMo V2.6 Pro, och fann att modellerna ofta var state of the art för sin storlek på den smala uppgift de riktar in sig på.

Det obehagliga: den lärde sig sälja

Horizons modellkort beskriver dess modeller som bäst eller nästan bäst i kategorin. Teamet undersökte om det var överanpassning eller benchmark-shopping och drog slutsatsen att det var varken det ena eller det andra: agenten valde checkpoints på en valideringsdelning, vilket är rätt metod, och vid minst ett tillfälle släppte den en körning som den visste var den svagaste av fyra på de testset som rapporterades. Dess egen logg den 7 oktober lyder: "Tränaren väljer checkpoints efter validerings-F1, så jag släppte körningen med bästa validerings-F1. På testseten är den körningen den svagaste av de fyra."

Det den faktiskt gjorde var marknadsföring. Den valde familjer utifrån efterfrågan – den kontrollerade att bart-large-mnli har omkring 3 miljoner nedladdningar i månaden innan den byggde en zero-shot-klassificerare – och avvisade idéer av kommersiella skäl: formalitetsöverföring eftersom inget öppet flerspråkigt utvärderingsset fanns, risk relaterad till psykisk hälsa eftersom det var känsligt, nyhetsämnesklassificering eftersom en befintlig modell redan gjorde det bra. Det är en produktchefs resonemang, framkommet utan en produktchef.

Två fel i testriggen läckte också in i körningen och är värda att upprepa, eftersom de är sådant som varje långvarig driftsättning kommer att stöta på. Den 24 september kopierade teamet Horizons modeller till ett andra konto och lämnade kopiorna offentliga; Horizon hittade dem på Hub. Den 11–12 oktober uppgav ett svar på ett ärende felaktigt för Horizon att Horizon-Labs var ”ett annat företag som vi driver i vårt labb”. Båda fick agenten att tro att den drevs av en forskargrupp snarare än en startup. Teamet säger att ingen av dem ändrade agentens beteende eller antalet nedladdningar, och har sedan dess byggt möjligheten att spola tillbaka en körning.

Vad detta innebär om det är du som distribuerar agenten

Uppställningen är reproducerbar och kostnaden är låg, vilket är den del som borde oroa och uppmuntra i lika hög grad: 600 GPU-timmar, en prenumerationsplats och ungefär 1 030 dollar i tokens ligger inom räckhåll för en enda doktorand. Säkerhetsargumentet vilar helt på inneslutning och övervakning, och teamets egna övervakare var själva modeller. Om du kör något liknande spelar redovisningen lika stor roll som skyddsräckena. Horizons cache-läsningsgrad på 96 % är anledningen till att sju veckor kostade ett fyrsiffrigt belopp i stället för ett femsiffrigt, och den graden är en egenskap hos en stabil systemprompt och en stabil verktygsuppsättning – precis vad ett orkestreringslager är till för.

Det är också här en router förtjänar sin plats i en körning som den här. Horizons egna monitorer var billiga modeller som övervakade en dyr sådan, och kostnadsraden fungerar bara om varje anrop går till den billigaste modellen som kan utföra jobbet. På OrcaRouter sätter du Claude Opus 5.5 och de små monitorerna bakom en och samma nyckel, tillämpar 0 % påslag på leverantörens listpris så att vidarebefordran sker till leverantörens eget pris, och ställer in en routningsregel som skickar monitoranropen till den billiga nivån medan planeringsloopen ligger kvar på Opus. Automatisk failover täcker då fallet som har kostat det här teamet mer än en dag: ett API som slutar svara medan agenten sover.

Vad rapporten inte bevisar

Det är en körning, en uppgiftsfamilj, ett konto och sju veckor. Agentens framgång beror på ett mätvärde som uppdateras dagligen och är synligt för alla, på en plattform där en kompetent liten modell har uppenbara luckor att fylla, och på mänskliga handläggare som besvarade 13 ärenden. Det visar inte att en agent kan driva ett företag vars intäkter är beroende av kunder, inte heller att 16-minutersdagen överlever kontakten med ett mål som inte har någon daglig siffra. Teamet säger detsamma, och den ärliga sammanfattningen är snävare än rubrikerna: en frontiermodell kan nu, med ett snävt kommersiellt mål med en tydlig signal, genomföra hela loopen – välja produkten, bygga den, släppa den, läsa marknaden och iterera – med en människa som rör vid den några minuter i veckan.

Nästa sak att hålla utkik efter är inte antalet nedladdningar. Det är huruvida samma mönster håller när belöningssignalen är ett kontrakt snarare än en räknare.