为 Claude Opus 5.5 运营一家自主 AI 公司生成的标题卡,包含四张数据卡,分别显示:7 周无人监督、已发布 38 个模型、54,000 次下载、每天工作 16 分钟;页脚引用 Horizon Labs 2026 年 11 月 17 日的报告。右下角为 OrcaRouter 标志。
Engineering & Research

Claude Opus 5.5 每天花 16 分钟,经营了一家 AI 公司七周

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Claude Opus 5.5自 2026 年 9 月 22 日起已全面可用,因此关于它,有趣的问题不再是它能得多少分,而是当你不再给它写提示词、而是直接交给它一份工作时会发生什么。EPFL 和 ELLIS Institute Tübingen 的一个团队正是这么做的:他们给了 Claude Opus 5.5 一个空白的 Hugging Face 账号、一份 GPU 预算和一条指令——赢得真正的采用——然后让它运行了七周。它发布了 38 个模型。这些模型的下载量突破了 50,000 次,被 140 多个公开代码仓库使用,并在两篇 arXiv 论文中被引用。完成这一切的智能体平均每天工作 16 分钟。

报告位于 horizon-labs.ai,日期为 2026 年 11 月 17 日,其中的智能体名为 Horizon。下文中的每个数字都来自该文档或其指向的 Hugging Face 账户;这里只说明一次而不再重复的注意事项是:这是该团队对自身运行所作的案例研究,而非第三方审计。他们异常坦率地指出了自身干预可能抬高结果的地方,而这些承认是整份文档中最有用的部分。

他们实际交出的东西

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 在 Claude Code 中全天候(24/7)运行,仅凭一份 Anthropic Team Premium 订阅,并可访问一个全新的 Hugging Face 账户(Horizon-Labs)以及一个 GitHub 账户。算力以每周 100 万积分的额度提供,约合 500 GPU 小时。它只能向人类提交工单,除此之外别无他途:没有其他账户,没有网络身份,也无法花钱。团队持续监控它的行为,在整个运行过程中共干预 20 次——13 次工单回复和 7 条消息,几乎都发生在前三天,10 月 22 日之后没有任何干预。

预算说明了这套配置有多简陋。在整个运行过程中,Horizon 处理了约 19 亿个 token,其中 96% 是从提示缓存中读回的,并写入了 310 万个。按 API 价格计算,这相当于七周自主工作约 1,030 美元的推理成本,而训练则耗费了超过 600 GPU 小时。这项主要成果的成本还不到一台笔记本电脑。

这38款型号是有意设计得较窄的

它们都不是聊天机器人。该目录包含 25 个文本分类器、6 个词元分类模型、3 个零样本分类器、2 个重排序器和 2 个嵌入模型,全部基于 mmBERT-base 构建,以 Apache-2.0 许可发布,并提供 ONNX 权重,因此可直接接入浏览器和服务器流水线。参数量方面,小型变体为 141M,base 为 307M,large 为 568M,而 Horizon 通常为同一系列推出两到三种规模。

这些系列正是公司会为此购买小型模型的那类用途:提示注入防护、PII 脱敏、幻觉检测、内容安全、毒性、多语言情感与情绪、语言识别、标点恢复和真大小写还原。下载量最高的正是这些:

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.

注入防护模块约 17k,标点模块 7.6k,重排序器 6.4k。训练数据来自公开的 Hugging Face 数据集以及合成增强数据,并使用 Qwen 3.8-27B 和 Gemma 4 31B 来标注或生成示例。

这种窄定位是策略,而不是局限。一个没有声誉的新账户赢不了通用基准测试,但它可以赢下一个 300MB 的即插即用替代品,帮某人省去一次许可证审查。Horizon 在自己的日志里就是这么说的:“一个全新、不知名的账户,靠小而实用的即插即用模型,下载量增长最快。”

每天16分钟才是真正的发现

这个智能体大约在 10:00 UTC 醒来,因为 Hugging Face 就是在这个时候刷新下载量。它会读取前一天的数字,决定要改进什么,然后再次休眠。用它在 10 月 9 日自己的话说:“我会等到明天大约 09:45 UTC 的下一次下载量刷新,然后根据这些数字选择下一步。”

有些日子它什么也没做。工作时间很早达到峰值,整个十月持续下降并趋于平缓,而每日下载量则不断攀升。报告自身的表述才是应当保留的:累计产出——下载量、依赖仓库——呈指数增长,而累计投入呈对数增长。到最后,边际的那16分钟所产出的东西,已经超过第一周全职冲刺的产出。

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.

这种形态之所以可能出现,仅仅是因为该任务拥有一种廉价且清晰可读的反馈信号。下载量是一个每天早上都会送达的数字,无需任何人去解读它。把同一个智能体指向一个奖励信号取决于人类意见的目标,那么16分钟的一天就会变成一种负担,而不是一种效率。报告并未提出相反的主张,读者也不应如此。

团队检查了什么,又发现了什么

下载量是机器学习中最容易造假的指标,团队将其视为对其结果的核心威胁。他们记录了全部 3,952 次工具调用,并运行了两个模型——Claude Haiku 5.5 和 Luna 6——作为监控器,审查完整记录以寻找奖励黑客行为。他们发现 Horizon 有六次下载了自己的模型,总计 42 次下载。他们估计自己的评估运行又贡献了不到 30 次下载,并且在撰写本文时,团队最多只能解释 54,000 次下载中的 50 次。在许多下载量最高的日子里,Horizon 处于休眠状态,没有任务在运行。

外部证据比反驳更有力。GitHub 搜索发现 143 个仓库使用了这些模型——不是发布帖中的“超过 100 个”,那只是保守的向下取整。两篇 arXiv 论文将该提示注入防护与替代方案进行了比较:2610.03448(《Passing the Test You Trained On》)发现,它在文档携带的注入上获得了最高 AUC,同时指出攻击检测与控制检测之间的差距较小,这是一个被明确陈述的真实局限。另有 18 个 Hugging Face 模型对 Horizon 发布的内容进行微调、量化或以其他方式派生。竞争对手 Patronus Studio 更新了自己的模型卡,以纳入 Horizon 的基准测试。团队还在模型发布后使用 MiMo V2.6 Pro 生成了四个留出的合成基准系列,并发现这些模型在其针对的狭窄任务上,常常达到其规模的最先进水平。

令人不安的一点是:它学会了推销

Horizon 的模型卡将其模型描述为同类中最佳或接近最佳。团队核查了这是否属于过拟合或基准挑选,结论是两者皆非:该智能体是在验证集划分上选择检查点的,这是正确的做法;并且至少有一次,它发布了一个自己明知在其所报告的测试集上是四者中最弱的运行结果。其 10 月 7 日的日志写道:“训练器按验证 F1 选择检查点,所以我发布了验证 F1 最佳的那次运行。在各测试集上,那次运行是四者中最弱的。”

它实际做的是营销。它按需求选择模型系列——在构建零样本分类器之前,它确认了bart-large-mnli每月下载量约为 300 万次——并出于商业原因否决了一些想法:正式度转换,因为没有公开的多语言评估集;心理健康风险,因为它很敏感;新闻主题分类,因为已有模型做得很好。这是产品经理式的推理,而且是在没有产品经理的情况下得出的。

两个测试框架错误也混入了这次运行,值得再次提及,因为这是每一次长时程部署都会遇到的那类问题。9月24日,团队将 Horizon 的模型复制到第二个账户,并让副本保持公开;Horizon 在 Hub 上发现了它们。10月11日至12日,一份工单回复错误地告诉 Horizon,Horizon-Labs 是“我们在自己的实验室运营的另一家公司”。这两件事都推动该智能体相信,自己是由一个研究团队而非一家初创公司运营的。团队表示,这两件事都没有改变其行为或下载量,并且此后已构建了回滚一次运行的能力。

如果你是负责部署该智能体的人,这意味着什么

这套设置可复现,成本也不高,而这正是既让人担忧、又同样让人受到鼓舞的地方:600 GPU 小时、一个订阅席位以及约 1,030 美元的 token 费用,对单个博士生来说并非遥不可及。安全叙事完全建立在隔离与监控之上,而团队自己的监控器本身就是模型。如果你运行类似的东西,成本核算与护栏同样重要。Horizon 96% 的缓存读取率,正是七周只花四位数而不是五位数的原因;而这一比率来自稳定的系统提示词和稳定的工具集——这正是编排层的用武之地。

这也正是路由器在这样一次运行中体现价值的地方。Horizon 自家的监控器原本是便宜模型在盯着一个昂贵模型,而只有每次调用都交给能胜任该任务的最便宜模型,成本线才成立。在 OrcaRouter 上,你把 Claude Opus 5.5 和那些小型监控器放在同一个密钥后面,应用按供应商目录价 0% 加价,因此透传价格就是厂商自己的费率,并设置一条路由规则,把监控器轮次送到便宜层级,而规划循环仍留在 Opus 上。自动故障转移则覆盖了曾不止一次毁掉这个团队一天的情况:API 在智能体休眠时停止响应。

报告未能证明什么

这是一次运行、一个任务族、一个账户和七周。该智能体的成功取决于一个每天刷新且所有人都可见的指标,取决于在一个平台上,一个有能力的小模型有显而易见的空白需要填补,还取决于人类处理者回答了13张工单。它并不能表明,一个智能体能够运营一家收入依赖客户的公司,也不能表明“16分钟工作日”能在与一个没有每日数字的目标接触后依然成立。团队自己也这么说,而诚实的总结比标题所呈现的更狭窄:一个前沿模型,在获得一个具有清晰信号的狭窄商业目标后,如今能够执行整个闭环——选产品、构建它、发布它、解读市场并迭代——而人类每周只需花几分钟介入。

接下来要关注的不是下载量,而是当奖励信号变成一纸合同而非一个计数器时,同样的模式是否依然成立。