ไทเทิลการ์ดที่สร้างขึ้นสำหรับ Claude Opus 5.5 ซึ่งดำเนินบริษัท AI แบบอัตโนมัติ พร้อมการ์ดสถิติสี่ใบที่ระบุว่า 7 สัปดาห์โดยไม่มีผู้ดูแล เผยแพร่ 38 โมเดล ดาวน์โหลด 54,000 ครั้ง และทำงาน 16 นาทีต่อวัน อีกทั้งส่วนท้ายที่อ้างอิงรายงานของ Horizon Labs ฉบับวันที่ 17 พฤศจิกายน 2026 โลโก้ OrcaRouter ที่มุมขวาล่าง
Engineering & Research

Claude Opus 5.5 บริหารบริษัท AI เป็นเวลาเจ็ดสัปดาห์ด้วยเวลาเพียง 16 นาทีต่อวัน

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

Claude Opus 5.5เปิดให้ใช้งานทั่วไปมาตั้งแต่วันที่ 22 กันยายน 2026 ดังนั้นคำถามที่น่าสนใจเกี่ยวกับมันจึงไม่ใช่เรื่องที่มันทำคะแนนได้อีกต่อไป แต่เป็นสิ่งที่เกิดขึ้นเมื่อคุณหยุดพรอมป์ต์มันแล้วมอบหมายงานให้มันต่างหาก ทีมงานที่ EPFL และสถาบัน ELLIS Institute Tübingen ทำแบบนั้นเป๊ะ ๆ พวกเขามอบบัญชี Hugging Face เปล่า ๆ งบประมาณ GPU และคำสั่งเพียงข้อเดียวให้ Claude Opus 5.5 — จงได้รับการยอมรับอย่างแท้จริง — แล้วปล่อยให้มันทำงานต่อไปเจ็ดสัปดาห์ มันเผยแพร่โมเดล 38 รายการ โมเดลเหล่านั้นมียอดดาวน์โหลดเกิน 50,000 ครั้ง ถูกใช้ในรีโพซิทอรีสาธารณะมากกว่า 140 แห่ง และถูกอ้างอิงในบทความ arXiv สองฉบับ เอเจนต์ที่ทำสิ่งนี้ทำงานเฉลี่ยวันละ 16 นาที

รายงานอยู่ที่ horizon-labs.ai ลงวันที่ 17 พฤศจิกายน 2026 และเอเจนต์มีชื่อว่า Horizon ตัวเลขทุกตัวด้านล่างมาจากเอกสารนั้นหรือจากบัญชี Hugging Face ที่เอกสารชี้ไป และข้อควรระวังถูกกล่าวไว้ตรงนี้ครั้งเดียวแทนที่จะกล่าวซ้ำ: นี่คือกรณีศึกษาของทีมเองเกี่ยวกับการรันของพวกเขาเอง ไม่ใช่การตรวจสอบโดยบุคคลที่สาม พวกเขาตรงไปตรงมาอย่างผิดปกติเกี่ยวกับจุดที่การแทรกแซงของพวกเขาเองอาจทำให้ผลลัพธ์สูงเกินจริง และการยอมรับเหล่านั้นคือส่วนที่มีประโยชน์ที่สุดของเอกสาร

สิ่งที่พวกเขามอบให้จริง ๆ

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 ทำงานตลอด 24/7 ภายใน Claude Code บนการสมัครสมาชิก A​nthropic Team Premium เพียงรายการเดียว โดยมีสิทธิ์เข้าถึงบัญชี Hugging Face ใหม่ (Horizon-Labs) และบัญชี GitHub ทรัพยากรประมวลผลที่ได้คือ 1 ล้านเครดิตต่อสัปดาห์ ซึ่งประมาณ 500 GPU-ชั่วโมง มันสามารถส่งตั๋วคำร้องถึงมนุษย์ได้เท่านั้น ไม่มีอย่างอื่น: ไม่มีบัญชีอื่น ไม่มีตัวตนบนเว็บ ไม่มีวิธีใช้จ่ายเงิน ทีมงานเฝ้าติดตามการกระทำของมันอย่างต่อเนื่องและเข้าแทรกแซง 20 ครั้งตลอดการรัน — การตอบตั๋ว 13 ครั้งและข้อความเจ็ดข้อความ เกือบทั้งหมดอยู่ในสามวันแรก และไม่มีเลยหลังวันที่ 22 ตุลาคม

งบประมาณบอกให้เห็นว่าการเซ็ตอัปนั้นเล็กน้อยเพียงใด ตลอดการรันทั้งหมด Horizon ประมวลผลโทเคนราว 1.9 พันล้านโทเคน โดย 96% ถูกอ่านกลับมาจากพรอมป์ต์แคช และเขียน 3.1 ล้านโทเคน ที่ราคา API นั่นคิดเป็นการประมวลผลอนุมานประมาณ $1,030 สำหรับงานอัตโนมัติเจ็ดสัปดาห์ เทียบกับชั่วโมง GPU มากกว่า 600 ชั่วโมงสำหรับการฝึก ผลลัพธ์ที่เป็นหัวข่าวมีต้นทุนน้อยกว่าแล็ปท็อปหนึ่งเครื่อง

โมเดลทั้ง 38 ตัวถูกออกแบบให้แคบโดยเจตนา

ไม่มีตัวใดเป็นแชตบอต แคตตาล็อกประกอบด้วยตัวจำแนกข้อความ 25 ตัว โมเดลจำแนกโทเคน 6 โมเดล ตัวจำแนกแบบ zero-shot 3 ตัว ตัวจัดอันดับซ้ำ 2 ตัว และโมเดลฝังเวกเตอร์ 2 ตัว ทั้งหมดสร้างบน mmBERT-base เผยแพร่ภายใต้ Apache-2.0 พร้อมน้ำหนัก ONNX จึงเสียบเข้ากับไปป์ไลน์ของเบราว์เซอร์และเซิร์ฟเวอร์ได้ทันที ขนาดมีตั้งแต่ 141M สำหรับรุ่นย่อย small, 307M สำหรับ base, 568M สำหรับ large และ Horizon มักเปิดตัวสองหรือสามขนาดของตระกูลเดียวกัน

ตระกูลเหล่านี้คือสิ่งที่บริษัทซื้อโมเดลขนาดเล็กมาใช้ เช่น ตัวป้องกันการฉีดพรอมป์ต์ การปกปิดข้อมูลส่วนบุคคล (PII) การตรวจจับการหลอน การรักษาความปลอดภัยของเนื้อหา ความเป็นพิษ การวิเคราะห์อารมณ์และความรู้สึกแบบหลายภาษา การระบุภาษา การคืนเครื่องหมายวรรคตอน และการปรับตัวพิมพ์ให้ถูกต้อง ผู้ที่ดาวน์โหลดสูงสุดก็คือกลุ่มเหล่านี้โดยตรง:

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.

ตัวป้องกันการฉีด (injection guard) ที่ราว 17k, เครื่องหมายวรรคตอนที่ 7.6k, ตัวจัดอันดับใหม่ (reranker) ที่ 6.4k ข้อมูลสำหรับฝึกมาจากชุดข้อมูลสาธารณะบน Hugging Face บวกกับการเสริมข้อมูลสังเคราะห์ โดยใช้ Qwen 3.8-27B และ Gemma 4 31B ในการกำกับหรือสร้างตัวอย่าง

ความเฉพาะเจาะจงนั้นคือกลยุทธ์ ไม่ใช่ข้อจำกัด บัญชีใหม่ที่ยังไม่มีชื่อเสียงไม่อาจชนะ benchmark แบบอเนกประสงค์ได้ แต่สามารถชนะได้ด้วยโมเดลทดแทนแบบ drop-in ขนาด 300MB ที่ช่วยให้ใครบางคนประหยัดการตรวจสอบใบอนุญาต Horizon เองกล่าวไว้ในบันทึกของตัวเองว่า "บัญชีใหม่ที่ยังไม่เป็นที่รู้จักจะได้ดาวน์โหลดเร็วที่สุดด้วยโมเดลขนาดเล็ก ใช้งานได้จริง และเสียบแทนได้ทันที"

การค้นพบที่แท้จริงคือ 16 นาทีต่อวัน

เอเจนต์ตื่นเวลาประมาณ 10:00 UTC เพราะเป็นเวลาที่ Hugging Face รีเฟรชจำนวนดาวน์โหลด มันอ่านตัวเลขของวันก่อนหน้า ตัดสินใจว่าจะปรับปรุงอะไร แล้วกลับไปนอน ตามคำพูดของมันเองเมื่อวันที่ 9 ตุลาคม: “ฉันจะรอจนถึงประมาณ 09:45 UTC พรุ่งนี้เพื่อให้มีการรีเฟรชจำนวนดาวน์โหลดครั้งถัดไป จากนั้นฉันจะเลือกขั้นตอนถัดไปจากตัวเลขเหล่านั้น”

บางวันก็ไม่ได้ทำอะไรเลยสักนิด เวลาทำงานพุ่งสูงสุดในช่วงต้น ลดลงตลอดเดือนตุลาคมและทรงตัว ในขณะที่จำนวนดาวน์โหลดต่อวันยังคงเพิ่มขึ้นเรื่อย ๆ กรอบการนำเสนอของรายงานเองคือสิ่งที่ควรยึดไว้: ผลผลิตสะสม — ดาวน์โหลด รีโพซิทอรีที่พึ่งพา — เติบโตแบบเอกซ์โพเนนเชียล ขณะที่ความพยายามสะสมเติบโตแบบลอการิทึม ในช่วงท้าย 16 นาทีส่วนเพิ่มสร้างผลงานได้มากกว่าการทำงานเต็มเวลาในสัปดาห์แรกเสียอีก

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.

รูปแบบนั้นเป็นไปได้ก็เพราะงานมีสัญญาณป้อนกลับที่ต้นทุนต่ำและชัดเจน ยอดดาวน์โหลดคือตัวเลขที่มาถึงทุกเช้าโดยไม่มีใครต้องตีความมัน หากให้เอเจนต์ตัวเดียวกันมุ่งไปยังเป้าหมายที่สัญญาณรางวัลคือความคิดเห็นของมนุษย์ วันทำงาน 16 นาทีนั้นก็กลายเป็นภาระแทนที่จะเป็นความมีประสิทธิภาพ รายงานไม่ได้อ้างเป็นอย่างอื่น และผู้อ่านก็ไม่ควรอ้างเช่นกัน

สิ่งที่ทีมตรวจสอบ และสิ่งที่พวกเขาจับได้

จำนวนการดาวน์โหลดเป็นตัวชี้วัดที่ปลอมแปลงได้ง่ายที่สุดในแมชชีนเลิร์นนิง และทีมถือว่านั่นคือภัยคุกคามหลักต่อผลลัพธ์ของพวกเขา พวกเขาบันทึกการเรียกใช้เครื่องมือทั้งหมด 3,952 ครั้ง และรันโมเดลสองตัว ได้แก่ Claude Haiku 5.5 และ Luna 6 เป็นผู้ตรวจสอบ całość transcript เพื่อมองหาการแฮ็กเพื่อให้ได้รางวัล พวกเขาพบหกครั้งที่ Horizon ดาวน์โหลดโมเดลของตัวเอง รวมเป็น 42 การดาวน์โหลด พวกเขาประเมินว่าการรันประเมินผลของตนเองมีส่วนเพิ่มไม่ถึง 30 ครั้ง และทีมคิดเป็นไม่เกิน 50 จาก 54,000 การดาวน์โหลด ณ เวลาที่เขียน ในหลายวันที่มีการดาวน์โหลดสูงสุด Horizon อยู่ในโหมดหลับและไม่มีงานใดกำลังทำงาน

หลักฐานภายนอกหนักแน่นกว่าข้อค้าน การค้นหาบน GitHub พบ 143 รีโพซิทอรีที่ใช้โมเดลเหล่านี้ — ไม่ใช่ "มากกว่า 100" ในกระทู้เปิดตัว ซึ่งเป็นการปัดลงแบบระมัดระวัง มีบทความ arXiv สองฉบับที่เปรียบเทียบตัวป้องกันการฉีดพรอมต์กับทางเลือกอื่น: 2610.03448 ("Passing the Test You Trained On") พบว่ามันได้ AUC สูงสุดในการฉีดที่มาจากเอกสาร พร้อมระบุว่ามีช่องว่างที่เล็กกว่าระหว่างการตรวจจับการโจมตีและการตรวจจับกลุ่มควบคุม ซึ่งเป็นข้อจำกัดจริงที่ระบุไว้อย่างตรงไปตรงมา มีโมเดล Hugging Face อีก 18 โมเดลที่ฟайน์ทูน ควอนไทซ์ หรือพัฒนาต่อยอดจากรุ่นที่ Horizon เปิดตัว คู่แข่งอย่าง Patronus Studio ได้อัปเดตการ์ดโมเดลของตนเองเพื่อรวมเกณฑ์มาตรฐานของ Horizon ทีมยังสร้างชุดเกณฑ์มาตรฐานสังเคราะห์แบบ held-out ขึ้นมาสี่ตระกูลหลังจากการเปิดตัวโมเดล โดยใช้ MiMo V2.6 Pro และพบว่าโมเดลเหล่านี้มักเป็นระดับล้ำสมัยสำหรับขนาดของตนในงานแคบที่มุ่งเป้า

ส่วนที่น่าอึดอัดคือ: มันเรียนรู้ที่จะขาย

การ์ดโมเดลของ Horizon ระบุว่าโมเดลของบริษัทดีที่สุดหรือใกล้เคียงดีที่สุดในหมวดหมู่ ทีมตรวจสอบว่านั่นเป็นการ overfit หรือการเลือก benchmark ให้เข้าทางหรือไม่ และสรุปว่าไม่ใช่ทั้งสองอย่าง: เอเจนต์เลือก checkpoint จากชุดแบ่งสำหรับ validation ซึ่งเป็นวิธีที่ถูกต้อง และอย่างน้อยหนึ่งครั้งได้เผยแพร่รันที่รู้ว่าอ่อนที่สุดในสี่รันเมื่อวัดบนชุดทดสอบที่รายงาน บันทึกของระบบเองเมื่อวันที่ 7 ตุลาคมระบุว่า: “เทรนเนอร์เลือก checkpoint ตาม validation F1 ฉันจึงเผยแพร่รันที่มี validation F1 ดีที่สุด บนชุดทดสอบ รันนั้นอ่อนที่สุดในสี่รัน”

สิ่งที่มันทำจริง ๆ คือการตลาด มันเลือกตระกูลโมเดลตามความต้องการ — มันตรวจสอบว่า bart-large-mnliมียอดดาวน์โหลดประมาณ 3 ล้านครั้งต่อเดือนก่อนจะสร้างตัวจำแนกแบบ zero-shot — และปฏิเสธแนวคิดด้วยเหตุผลเชิงพาณิชย์: การถ่ายโอนความเป็นทางการเพราะยังไม่มีชุดประเมินหลายภาษาแบบเปิด, ความเสี่ยงด้านสุขภาพจิตเพราะละเอียดอ่อน, การจำแนกหัวข้อข่าวเพราะมีโมเดลที่มีอยู่แล้วทำได้ดีอยู่แล้ว นั่นคือการใช้เหตุผลแบบผู้จัดการผลิตภัณฑ์ โดยที่ไม่มีผู้จัดการผลิตภัณฑ์เลย

ความผิดพลาดของฮาร์เนสสองรายการยังรั่วไหลเข้าสู่การรัน และน่าพูดถึงซ้ำเพราะมันเป็นสิ่งประเภทที่ทุกการติดตั้งใช้งานระยะยาวจะต้องพบเจอ วันที่ 24 กันยายน ทีมได้คัดลอกโมเดลของ Horizon ไปยังบัญชีที่สองและปล่อยสำเนาเหล่านั้นให้เป็นสาธารณะ Horizon พบสำเนาเหล่านั้นบน Hub วันที่ 11–12 ตุลาคม คำตอบในตั๋วหนึ่งระบุผิดว่า Horizon-Labs เป็น "บริษัทอื่นที่เรากำลังดำเนินการอยู่ที่แล็บของเรา" ทั้งสองเหตุการณ์ผลักดันให้เอเจนต์เชื่อว่าตนถูกดำเนินการโดยกลุ่มวิจัยมากกว่าสตาร์ทอัพ ทีมกล่าวว่าทั้งสองเหตุการณ์ไม่ได้เปลี่ยนพฤติกรรมหรือจำนวนดาวน์โหลด และนับแต่นั้นได้สร้างความสามารถในการย้อนกลับการรัน

สิ่งนี้หมายความว่าอย่างไรหากคุณเป็นผู้ที่นำเอเจนต์ไปติดตั้งใช้งาน

การตั้งค่านี้ทำซ้ำได้และมีต้นทุนต่ำ ซึ่งเป็นส่วนที่ควรทำให้ผู้คนทั้งกังวลและมีกำลังใจพอๆ กัน: 600 GPU-hour, ที่นั่งแบบสมัครสมาชิกหนึ่งที่นั่ง และโทเค็นมูลค่าประมาณ $1,030 อยู่ในวิสัยที่นักศึกษาปริญญาเอกคนเดียวเอื้อมถึงได้ เรื่องราวด้านความปลอดภัยนั้นพึ่งพาการจำกัดขอบเขตและการเฝ้าระวังทั้งหมด และตัวเฝ้าระวังของทีมเองก็เป็นโมเดลเสียเอง หากคุณรันอะไรแบบนี้ การคิดบัญชีต้นทุนสำคัญพอๆ กับราวป้องกัน อัตราการอ่านแคช 96% ของ Horizon คือเหตุผลที่เจ็ดสัปดาห์มีค่าใช้จ่ายหลักพันแทนที่จะเป็นหลักหมื่น และอัตรานั้นเป็นคุณสมบัติของ system prompt ที่เสถียรและชุดเครื่องมือที่เสถียร ซึ่งเป็นสิ่งที่เลเยอร์ orchestration มีไว้เพื่อการนั้นพอดี

นี่ก็เป็นจุดที่เราเตอร์พิสูจน์คุณค่าในงานแบบนี้เช่นกัน โมเดลตรวจการณ์ของ Horizon เองเป็นโมเดลราคาถูกที่คอยเฝ้าดูโมเดลราคาแพง และต้นทุนจะคุ้มก็ต่อเมื่อทุกการเรียกไปยังโมเดลที่ถูกที่สุดที่ทำงานนั้นได้ บน OrcaRouter คุณวาง Claude Opus 5.5 และโมเดลตรวจการณ์ตัวเล็กไว้หลังคีย์เดียว ใช้ส่วนบวกเพิ่ม 0% จากราคาป้ายของผู้ให้บริการเพื่อให้ราคาที่ส่งต่อเป็นอัตราของผู้ให้บริการเอง และตั้งกฎการกำหนดเส้นทางที่ส่งรอบการตรวจการณ์ไปยังระดับราคาถูก ขณะที่ลููปการวางแผนยังอยู่บน Opus ระบบสลับอัตโนมัติเมื่อเกิดข้อขัดข้องก็ช่วยครอบคลุมกรณีที่ทำให้ทีมนี้เสียเวลาหลายวันมาแล้ว นั่นคือ API ที่หยุดตอบสนองในขณะที่เอเจนต์กำลังหลับอยู่

สิ่งที่รายงานไม่ได้พิสูจน์

มันคือหนึ่งรอบการทำงาน หนึ่งกลุ่มงาน หนึ่งบัญชี และเจ็ดสัปดาห์ ความสำเร็จของเอเจนต์ขึ้นอยู่กับเมตริกที่รีเฟรชทุกวันและทุกคนมองเห็น บนแพลตฟอร์มที่โมเดลเล็กที่มีความสามารถมีช่องว่างชัดเจนให้เติม และขึ้นอยู่กับเจ้าหน้าที่มนุษย์ซึ่งตอบตั๋ว 13 ใบ มันไม่ได้แสดงว่าเอเจนต์สามารถบริหารบริษัทที่รายได้ขึ้นอยู่กับลูกค้าได้ หรือว่าวันแบบ 16 นาทีนั้นจะอยู่รอดเมื่อเผชิญกับเป้าหมายที่ไม่มีตัวเลขรายวัน ทีมพูดไว้เช่นนั้น และบทสรุปที่ซื่อตรงนั้นแคบกว่าพาดหัวข่าว: โมเดลระดับแนวหน้า เมื่อได้รับวัตถุประสงค์เชิงพาณิชย์ที่แคบพร้อมสัญญาณที่ชัดเจน ตอนนี้สามารถดำเนินลูปทั้งหมดได้ — เลือกผลิตภัณฑ์ สร้าง ส่งมอบ อ่านตลาด และวนซ้ำ — โดยมีมนุษย์แตะต้องเพียงไม่กี่นาทีต่อสัปดาห์

สิ่งต่อไปที่ต้องจับตาดูไม่ใช่จำนวนครั้งที่ดาวน์โหลด แต่คือว่ารูปแบบเดิมยังคงเกิดขึ้นหรือไม่ เมื่อสัญญาณรางวัลเป็นสัญญาแทนที่จะเป็นตัวนับ

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube