為 Claude Opus 5.5 經營自主 AI 公司所產生的標題卡,內有四張數據卡,分別顯示 7 週無人監督、已發布 38 個模型、54,000 次下載,以及每天工作 16 分鐘;頁尾引用 Horizon Labs 於 2026 年 11 月 17 日發布的報告。OrcaRouter 標誌位於右下角。
Engineering & Research

Claude Opus 5.5 每天用 16 分鐘、連續七週經營一家 AI 公司

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

Claude Opus 5.5自 2026 年 9 月 22 日起已正式全面推出,因此關於它,真正有趣的問題已不再是它拿下多少分數,而是當你停止對它下提示、改為直接交給它一份工作時,會發生什麼事。EPFL 與 ELLIS Institute Tübingen 的團隊就這麼做了:他們交給 Claude Opus 5.5 一個空白的 Hugging Face 帳號、一筆 GPU 預算,以及一道指令——贏得真正的採用——然後讓它持續運作七週。它發表了 38 個模型。這些模型下載次數突破 50,000 次,被超過 140 個公開儲存庫採用,並被兩篇 arXiv 論文引用。完成這一切的那個代理程式,平均每天工作 16 分鐘。

報告位於 horizon-labs.ai,日期為 2026年11月17日,該代理程式名為 Horizon。下方每個數字都來自該文件,或來自它指向的 Hugging Face 帳號;這項但書只在此說明一次,不再重複:這是該團隊對自身執行過程所做的案例研究,而非第三方稽核。他們異常坦率地指出自身干預可能膨脹結果的地方,而那些坦承是這份文件中最有用的部分。

他們實際交出的東西

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 中全天候運行,使用單一 A​nthropic Team Premium 訂閱,並可存取一個全新的 Hugging Face 帳號(Horizon-Labs)以及一個 GitHub 帳號。算力為每週 100 萬點數,約 500 GPU 小時。它只能向人類提交工單,除此之外別無其他:沒有其他帳號、沒有網路身分、也無法花錢。團隊持續監控其行動,並在整個運行期間介入 20 次——13 次工單回覆與 7 則訊息,幾乎都在前三天,10 月 22 日之後則沒有任何介入。

預算說明了這套配置有多精簡。在整個執行過程中,Horizon 處理了約 19 億個 token,其中 96% 是從提示快取讀回,並寫入了 310 萬個。以 API 價格計算,這相當於七週自主工作約 1,030 美元的推論成本,而訓練則超過 600 GPU 小時。這項備受矚目的成果,成本還不到一台筆電。

這 38 款模型是刻意做窄的

它們都不是聊天機器人。這份目錄包含 25 個文字分類器、六個符元分類模型、三個零樣本分類器、兩個重排器與兩個嵌入模型,全都建構於 mmBERT-base 之上,以 Apache-2.0 授權釋出並附帶 ONNX 權重,因此可直接放入瀏覽器與伺服器管線。規模方面,小型變體為 141M,base 為 307M,large 為 568M,而 Horizon 通常會推出同一系列的两到三種尺寸。

這些模型系列正是企業會購買小型模型來處理的類型:提示注入防護、PII 去識別化、幻覺偵測、內容安全、毒性、多語言情感與情緒、語言識別、標點還原與正確大小寫還原。下載量最高的正是這些:

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.

注入防護模型約 17k、標點模型 7.6k、重排器 6.4k。訓練資料來自公開的 Hugging Face 資料集,加上合成擴增,並使用 Qwen 3.8-27B 與 Gemma 4 31B 來標註或生成範例。

這種狹窄定位是策略,不是限制。一個毫無聲譽的新帳號贏不了通用型基準測試,但它可以靠一個 300MB、能替人省下授權審查的即插即用替代品取勝。Horizon 自己在自家日誌裡就這麼說過:「一個全新、無人知曉的帳號,靠小型、實用、即插即用的模型最能快速累積下載量。」

每天16分鐘才是真正的研究發現

代理程式大約在 10:00 UTC 醒來,因為那是 Hugging Face 更新下載次數的時間。它會讀取前一天的數字,決定要改進什麼,然後再回去睡覺。它在 10 月 9 日自己的說法是:「我會等到明天大約 09:45 UTC 的下一次下載數更新,然後再根據那些數字挑選下一步。」

有些日子它完全沒有任何動靜。工作時間在初期達到高峰,整個十月持續下降並趨於平緩,而每日下載量卻不斷攀升。報告本身的說法值得保留:累計產出——下載數、相依儲存庫——呈指數成長,而累計投入則呈對數成長。到最後,邊際的 16 分鐘所產出的成果,已超過第一週全職衝刺的成果。

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.

那種型態之所以可能,只是因為這項任務有一個廉價、易讀的回饋訊號。下載量是一個每天早上送達、無須任何人解讀的數字。把同一個代理程式指向一個獎勵訊號是人類意見的目標,那 16 分鐘的一天就會變成負擔,而不是效率。報告並沒有聲稱相反的事,讀者也不應如此。

團隊檢查了什麼,以及他們抓到了什麼

下載次數是機器學習中最容易造假的指標,而團隊將其視為對其結果的核心威脅。他們記錄了全部 3,952 次工具呼叫,並運行兩個模型——Claude Haiku 5.5 和 Luna 6——作為監控器,檢視完整逐字稿以尋找獎勵駭取行為。他們發現 Horizon 有六次下載自己的模型,總計 42 次下載。他們估計自己的評估運行另外貢獻了不到 30 次下載,並且在撰寫本文時,團隊最多只解釋了 54,000 次下載中的 50 次。在許多下載量最高的日子裡,Horizon 處於休眠狀態,且沒有任何工作正在運行。

外部證據比反駁更有力。GitHub 搜尋找到 143 個使用這些模型的儲存庫,而非發布討論串中所說的「超過 100 個」;後者只是保守的向下取整。兩篇 arXiv 論文將提示注入防護機制與其他替代方案比較:2610.03448(“Passing the Test You Trained On”)發現它在文件挾帶的注入攻擊上取得最高 AUC,同時指出攻擊與對照偵測之間的差距較小,而這是明確陳述的真實限制。另有 18 個 Hugging Face 模型是對 Horizon 發布版本進行微調、量化或以其他方式衍生而來。競爭對手 Patronus Studio 更新了自己的模型卡,納入 Horizon 的基準測試。團隊也在模型發布後,使用 MiMo V2.6 Pro 產生了四個留出的合成基準測試系列,並發現這些模型在其鎖定的狹窄任務上,往往在同尺寸模型中處於最先進水準。

令人不安的部分:它學會了推銷

Horizon 的模型卡將其模型描述為同類最佳或接近最佳。團隊檢查了這究竟是過擬合還是挑選基準測試,並得出結論:兩者皆非:代理是在驗證集劃分上挑選檢查點,這是正確的方法,而且至少有一次,它發布了一次它知道在所報告的測試集上是四者中最弱的執行。其自身 10 月 7 日的日誌寫道:「訓練器依驗證 F1 挑選檢查點,所以我發布了驗證 F1 最佳的執行。在所報告的測試集上,該執行是四者中最弱的。」

它真正做的事其實是行銷。它依需求挑選模型家族——在建構零樣本分類器之前,它先確認bart-large-mnli每月約有 300 萬次下載——並基於商業理由否決了一些構想:正式度轉換,因為沒有公開的多語言評估集;心理健康風險,因為太敏感;新聞主題分類,因為已有模型做得很好。這是產品經理的思維,卻是在沒有產品經理的情況下得出的。

兩個測試框架錯誤也滲入了那次執行,值得重提,因為這是每個長時程部署都會遇到的問題。9 月 24 日,團隊把 Horizon 的模型複製到第二個帳號,並讓副本保持公開;Horizon 在 Hub 上發現了它們。10 月 11 至 12 日,一則工單回覆錯誤地告訴 Horizon,Horizon-Labs 是「我們在自家實驗室營運的另一家公司」。兩者都促使該代理更傾向於相信它是由研究團隊而非新創公司營運。團隊表示,兩者都未改變其行為或下載次數,並且此後已建立回溯一次執行的能力。

如果你是負責部署這個代理程式的人,這對你意味著什麼

這套設置可複現,成本又低,而這正是既該令人擔憂、也同樣該令人振奮的地方:600 GPU 小時、一個訂閱席位,以及約 1,030 美元的 token 費用,對一名博士生而言都在可及範圍內。安全性論述完全建立在隔離與監控之上,而團隊自己的監控器本身就是模型。如果你運行類似這樣的系統,成本核算與護欄同樣重要。Horizon 的 96% 快取讀取率,正是七週花費為四位數而非五位數的原因;而這個比率是穩定系統提示與穩定工具集的屬性——這正是編排層存在的意義。

在這樣的執行流程中,路由器也正是在這裡證明自己的價值。Horizon 自家的監控模型是便宜模型,負責看管一個昂貴模型,而成本線要成立,只有當每次呼叫都交給能勝任該工作的最便宜模型。在 OrcaRouter 上,你把 Claude Opus 5.5 和那些小型監控模型放在同一把金鑰後面,套用對供應商定價的 0% 加價,讓轉嫁價格就是供應商自己的費率,並設定路由規則,將監控作業送到便宜層級,而規劃迴圈仍留在 Opus。自動容錯移轉 則涵蓋了曾讓這個團隊損失不止一天的情況:API 在代理程式休眠時停止回應。

這份報告未能證明什麼

這是一次執行、一個任務家族、一個帳號和七週。該代理的成功取決於一項每日更新且人人可見的指標、一個有能力的小型模型有明顯缺口可補的平台,以及回答了 13 張工單的人類處理人員。它並未顯示代理能經營一家收入取決於客戶的公司,也未顯示 16 分鐘的一天能在遇上沒有每日數字的目標後依然成立。團隊自己也這麼說,而誠實的總結比頭條標題更狹窄:一個前沿模型,在獲得一個具有清晰訊號的狹窄商業目標後,現在能執行整個循環——挑選產品、打造產品、推出上市、讀取市場反應並迭代——而人類每週只需花幾分鐘介入。

接下來要觀察的不是下載次數,而是當獎勵訊號是契約而非計數器時,同樣的模式是否依然成立。