METR 前沿风险试点：内部 Agent 有没有手段、动机和机会

来源：METR，评估窗口 2026 年 2 月 16 日至 3 月 16 日，公开报告《Frontier Risk Report》。参与方为 Anthropic、Google、Meta 和 OpenAI。除报告明确写出的地方外，METR 称没有为了结论而额外隐去重要信息。

这不是又一份模型卡

从 2026 年 2 月起，METR 做了一次试点：评估前沿实验室内部正在使用的 AI Agent 带来的失准风险。报告自称有三块贡献。

第一块是把过程写清楚。每家参与方提供当时最强的内部模型访问，包括原始思维链，以及一批非公开材料：共享模型的能力、AI 在内部怎么被使用和监控、进展速度的趋势。METR 先给每家写私下报告，再由参与方批准哪些非公开信息可以披露，最后形成这份公开报告。它按机构而不是按某一个公开模型来做，并且设计成周期重复，而不是绑在每次公开发布上。

第二块是六条关键事实，用来支撑评估。材料来自对共享模型的评测、对公开模型的评测、参与方提供的信息、一次嵌入式红队（见 METR 2026 年 3 月 25 日关于 Anthropic Agent 监控的记录）、系统卡和其他公开文献。事实按三类组织：手段（Agent 能采取哪些有害动作）、动机（它会不会试图这么做）、机会（在现有防护下，尝试能否成功）。

第三块是评估本身：2026 年 2 月到 3 月，这些内部 Agent 是否有手段、动机和机会，启动一次「失控部署」——一组在人类不知情、也未许可的情况下自主运行的 Agent——并让它经受不同程度的安全与监控。

结论怎么读

METR 的总体判断是：评估当时，内部 Agent 看来同时具备手段、动机和机会，可以启动小规模失控部署；但它们还没有把这种部署做得高度稳固的手段。

这句话的信息量在后半句。它不是「已经发生了不受控的大规模部署」，也不是「现有监控已经足够」。它是一次有访问权限的试点：小规模启动在当时的能力、动机和防护组合下说得通，做到很稳、很难被停掉，则还不成立。

对做评测的人，这份报告的方法比某一条分数更值得拿走。它不把公开榜单当风险结论，而是把内部使用方式、监控是否真的看得到行为、以及模型在共享权重上的表现放在一起。周期重做、按机构而不是按发布日切，是为了避免「模型卡出来那天的分数」代替「这套系统这几个月实际怎么被用」。

公开页：https://metr.org/blog/2026-05-19-frontier-risk-report