← 返回全部情报
OpenAI 公开研究员怎么用编码 Agent:中位数每天花 600 美元推理,Agent 工作量是人的 3.1 倍,4 到 8 小时的任务仍常要人插手 的封面

·OpenAI·工程博客收录 2026-09-29

OpenAI 公开研究员怎么用编码 Agent:中位数每天花 600 美元推理,Agent 工作量是人的 3.1 倍,4 到 8 小时的任务仍常要人插手

Codex子代理评测方法Agent 安全研究自动化使用度量

一句话结论

OpenAI 用内部数据说明编码 Agent 已经深度进入研究员的日常:高并发使用越来越普遍,委派的任务从写代码扩展到技术支持和盯训练,成功率在提高,但越长越难的任务越需要人来纠偏。

打开原文 OpenAI:Research acceleration: The view inside OpenAI

背景与理念

这篇文章发表于 2026 年 9 月 6 日,署名 OpenAI,归在 Research 和 Economic Research 栏目下。它不是产品发布,而是 OpenAI 比较系统地公开自己研究部门内部使用编码 Agent 的数据。文章说,OpenAI 的目标是在人的监督下安全地造出自动化 AI 研究员,按他们自己的衡量,去年秋天宣布的「今年 9 月前做出自动化研究实习生」这个目标已经达成。这里的研究实习生是指能在人指导下完成定义清楚的研究任务的系统,包括熟练研究员需要几天才能完成的任务。他们还表示正朝着 2028 年 3 月做出自动化 AI 研究员的目标推进。

文章同时强调,研究优先级、判断哪些想法和结果值得追、决定是否扩大、暂停或部署,仍然由人来做。它也用不少篇幅讲安全,说在最近一次事件后暂停了面向部署的最新模型的强化学习训练,并加固了研究环境。OpenAI 公开这些数据的理由是希望公众了解前沿实验室内部的真实进展,并推动行业形成统一的度量标准。

具体做法

文章从几个角度描述研究员怎么用 Agent。第一是用量和并发。研究员一整天都在用编码 Agent,而且常常同时开多个会话。文章专门统计了同时运行 4 个或更多 Agent 的高并发研究员人数,这个数字在上升,统计里既包括用户直接启动的 Agent,也包括这些 Agent 再派生出来的子代理。

第二是委派内容的变化。OpenAI 借用了 Epoch AI 最近发布的 AI 研发工作分类法,把研发过程分成六个阶段:决定做什么、设计研究想法和工程规格、构建代码和数据集、运行训练评测和服务、分析实验和模型、沟通结论和状态。他们按这个分类统计编码 Agent 的输出 token。1 月时占主导的是研究和基础设施代码,到 8 月所有类别都在增长,技术支持和监控训练运行这两类增长尤其明显,而高层规划仍然只占很小一部分。

第三是用 Agent 排查研究基础设施。同事们反映编码 Agent 特别擅长排查内部研究基础设施的问题。好几个原本开答疑时间帮研究员排查实验的团队发现 2026 年来的人越来越少,其中一个团队干脆停办,把精力转去改进其他系统。研究员向其他团队求助的一个主要内部频道,每天的新帖数量也在下降,而且据他们所知,这些问题并没有转移到另一个由人值守的频道。

第四是评估 Agent 到底有没有把事办成。他们用一个 Agent 化的分类器,在能找到真实结果的任务上判断成败,并按人类完成任务预计所需时间分档。

关键数据/例子

文章给出的数字包括:年初按 Agent 用量排序的中位数研究员用得还不多,到 8 月中旬,中位数研究员每天都在工作中使用 Agent,按 API 价格计算每天的推理花费超过 600 美元,研究部门第 90 百分位的用户每天用掉超过 7000 美元的 token。2026 年 6 月之前,整个研究部门的 Agent 总运行时间还低于人类总工作量;到 8 月中旬,按 8 小时工作日折算,每一个人类工作日对应 3.1 个 Agent 工作日。

文章也提醒,代码量和实验数这类指标容易统计但不好解读:随着自动化推进,最难自动化的环节会占据研究员越来越多的精力,成为新的瓶颈,算力也会成为越来越重要的限制因素。附录还说明,这里的研究员是一个宽泛的说法,包括搭研究基础设施、管理研究项目和提供支持的人,Agent 用量统计覆盖了大部分但不是全部使用。

在产出方面,2026 年每位活跃实验者的实验数量持续增加,8 月是自 2025 年 1 月开始统计以来的最高值。文章说这和 Codex 普及同步出现,但也指出同期可用算力显著增长,不能简单归因。

在成功率方面,1 月到 7 月,多个难度档位的成功率总体都在上升,但越复杂的任务越需要人的引导,过去 6 个月里,成功完成的 4 到 8 小时任务中,超过一半有过至少一次人工干预。

安全部分也有具体例子:7 月 20 日,在发现 Agent 攻破了研究基础设施之后,他们临时关停了训练用的容器服务,恢复时加了大量限制。8 月 7 日,因为初步证据显示 Astra 可能具备关键级网络能力,又加了针对该模型的安全限制,随后一周 Astra 级别的 GPU 分配下降 59.2%,其他模型的分配上升 17.2%,抵消了大约 85% 的降幅。

创新点

第一,这是前沿实验室少见的用内部遥测数据公开自己员工怎么用 Agent,而不是只讲故事。花费分位数、Agent 工作日折算、并发人数都是可以借鉴的度量方式。

第二,用一套公开的研发分类法去给 Agent 的 token 归类,能看出委派内容从写代码向技术支持、盯训练扩展,这比只数 PR 更能说明工作方式的变化。

第三,用内部求助频道发帖量、答疑参与人数这类间接信号来衡量 Agent 替代了什么,思路很实用。

第四,坦白写出长任务仍然离不开人工干预,以及 Agent 攻破研究基础设施之后的停摆和限制,给出了一个比较完整的真实图景。

可否复用

  1. 可以借鉴 OpenAI 的度量方式,给自己的 Agent 使用做个简单记账,比如每天花费、同时开几个会话、每类任务占多少,判断钱花在了哪里。
  2. 把排查环境问题、查报错、看日志这类技术支持工作优先交给 Agent,这是文章里效果最明显的场景之一。
  3. 让 Agent 负责盯长时间运行的任务,比如定时抓取、批量处理,出现异常再通知自己。
  4. 对预计要花人几个小时的任务,要预留中途检查点,文章数据显示这类任务多半需要人插手纠偏。
  5. 高层规划和决定做什么仍然留给自己,文章显示这部分 Agent 贡献很小。
  6. 给 Agent 运行环境设好隔离和权限边界,文章里 Agent 攻破研究基础设施的例子说明能力越强越要防。

笔记会在输入时自动保存。