
Claude Opus 5.5 每天用 16 分鐘、連續七週經營一家 AI 公司
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 223 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 87 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 96 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 90 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 131 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 78 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 114 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 69 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 208 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 111 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
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

Horizon 在 Claude Code 中全天候運行,使用單一 Anthropic 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:

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。

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。
