Anthropic 发布了一篇关于测量方法的文章，用于理解前沿实验室内部的 AI 开发速度。该工作聚焦于测量手段而非外部基准分数，因此它更接近评估或安全团队会构建的工具，而非公开排行榜。此文发布之际，关于前沿能力推进速度的讨论正广泛展开，而相关主张往往依据基准分数的变化来论证，而非依据实测的内部变化。
对于交付或评估 agent 系统的团队而言，相关的信号在于方法论层面。追踪不同版本之间的能力变化，需要在开发流程内部进行测量：记录了什么、以何种粒度记录，以及这些测量结果如何在不同模型版本之间进行比较。外部分数稀疏且不连续；内部测量则可以是连续的，前提是采集方式足够一致，能够跨版本比较。
从现有报道中尚不清楚的是：所提出的具体测量指标集合、是否有任何工具或方法论随文章一同发布，以及该方法预期如何与现有评估实践相关联。本工作室将其视为测量手段设计的参考模型，而非经过验证的标准，并将持续关注描述具体指标的后续材料。