研究者的使用增速快于公司其他部门
纵轴：中位员工输出token的变化倍数；横轴：时间。蓝线代表 Research，至8月约为124×，灰线代表其他团队。
年初，按Agent用量排序处于中位数的研究者还只是少量使用。到8月中旬，中位研究者已经把Agent嵌入每天的工作，推理用量按API价格折算超过每天600美元。
内部编码Agent用量大幅增长——中位研究者
纵轴为每位研究者每天的推理用量，按公开API价格换算；8月中旬超过600美元。它衡量调用规模，不等于OpenAI内部实际结算成本。
重度使用者的曲线更陡。研究组织中第90百分位的用户，每天使用的token按API价格折算已经超过7000美元。
内部编码Agent用量大幅增长
同一统计口径下，重度用户在8月超过7000美元/天。图表强调的是用量分布的高位，而非典型研究者的平均值。
更直观的变化来自运行时间。2026年6月以前，研究组织内Agent的总运行时长仍低于人类劳动时长；此后完成反超。按一个标准工作日8小时换算，到8月中旬，每1个人类工作日对应约3.1个Agent工作日。
Agent工作日已经远超人类研究者
纵轴：Agent工作日 ÷ 研究者工作日。曲线在6月越过1×，8月中旬达到3.14×。这里比较的是运行时长，不是“有效产出等价人数”。
Agent工时能够超过人类，关键在于并发。OpenAI统计了每天同时运行4个或更多Agent的研究者比例，既包括用户直接启动的Agent，也包括这些Agent继续创建的subagents。
研究者越来越多地使用并发工作流
纵轴：当天并发运行4个以上工作流的研究者比例。4月约30%，8月中旬稳定在70%以上。
这组数据解释了“3.1个Agent工作日”从哪里来。研究者没有凭空多出三个分身，而是把编码、查错、监控和资料整理拆成多条队列。Agent可以在同一时间运行，人则在关键节点检查结果、补充信息或改变方向。
工作方式也随之改变。研究者的一天不再只围绕亲手写代码展开，还要安排任务、观察多条执行轨迹，并决定哪些结果值得进入下一轮实验。后文的人工介入数据说明，这支数字队伍仍需要管理。
AI研究是一条劳动密集型链路。一个改进要进入核心模型，需要研究者提出设计、编写评测与基础设施、进行规模化测试、排查bug和不安全或失配行为，再把有效方案合并进核心训练。任何一个环节失败，都可能限制整个研究循环。
OpenAI选择了两项相对容易量化的活动：写代码与跑实验。公司范围内，每位活跃贡献者的代码变更量在2026年显著抬升，最新柱形约为2025年前平均值的7倍。
全公司工程师交付代码的速度正在提升
纵轴：每位活跃贡献者的代码变更行数，2025年前的平均值记为1×。斜线柱表示最新的不完整统计周期。
每位活跃实验者的实验数量也在2026年持续增加。8月达到自2025年1月开始追踪以来的最高水平。OpenAI说，这一变化与Codex采用率提升相关，但同期可用算力也显著增长，因此不能把全部增量都归因于Agent。
实验速度提高了
纵轴：每位活跃实验者的实验数，2025年记为1×；横轴按周统计。8月约为1.6×，创追踪以来新高。
对Astra这类模型来说，代码和实验共同决定研发节奏。研究想法要先变成评测、训练脚本和基础设施，再经过多轮运行与比较。Agent缩短其中的执行时间，研究者便能在相同时间里验证更多方案。
实验数量增加仍不等于突破数量同步增加。更多运行里会有失败、重复和无效路线。OpenAI把代码与实验称为“证据”，没有把它们写成自动研究已经完成的证明。
原文的限定
代码和实验容易测量，却不容易解释。当容易自动化的环节被压缩后，最难自动化的任务会占据研究者更多时间，并成为新的瓶颈；算力也可能随着其他瓶颈减弱而变得更关键。
定性观察和内部数据都指向同一个变化：更高层、时间跨度更长的任务，正越来越多地被委派给coding agents。
为了拆解这些任务，OpenAI采用Epoch AI为前沿AI研发设计的taxonomy，把AI R&D lifecycle分为六个阶段：Decide、Design、Build、Run、Analyze、Communicate。
研究者正在以新的方式使用coding agents
六阶段分别是：决定做什么与资源分配；研究设计与技术规格；代码和数据集；训练、评测、硬件及服务运行；分析实验、模型与部署；记录发现、反馈、状态与决策。下方堆叠面积表示各类输出token随时间的变化。
从1月到8月，所有研究活动类别都增长了。研究和基础设施代码仍然占最大部分；技术帮助与review、启动和监控运行的增长尤其明显。高层规划则始终只占Agent输出token的一小部分。
年初以来，所有研究活动类别都在增长
横轴：每位研究者每天增加的输出token。增量最大的是研究与基础设施代码（+198.2k）、技术帮助与review（+158.8k）、启动/监控/调试运行（+133.1k）；是否继续、决策公告等高层环节增量最小。
OpenAI同事们的实际感受是，coding agents很擅长排查内部研究基础设施问题，这正好缓解了一个真实瓶颈。多个过去设置office hours帮助研究者调试实验的团队，2026年发现参与人数下降；其中一个团队已经停止答疑，把时间转向其他系统改进。
某些故障排查正越来越多地由Agent处理
纵轴：一个由人工提供支持的内部故障排查频道每天新增的顶层帖子数。2025年经常在15—22条之间，2026年持续降至个位数。OpenAI称，没有发现这些问题转移到另一个人工支持频道。
OpenAI还尝试回答一个更关键的问题：Agent能否完成研究者交给它的任务？公司使用一个agentic classifier，在能够找到真实结果的任务上，按“如果由人完成需要多长时间”划分难度。1月至7月，多个难度区间的成功率总体提高。
Agent正在解决越来越复杂的研究任务
横轴：人类完成任务的预计时间；纵轴：零人工介入的成功率；不同颜色代表2026年1月至7月。短任务成功率最高，时间跨度越长，完全无人介入的成功率越低。图中排除了结果不确定的分类，以及会话数或独立用户数少于50的数据点。
成功率提高不等于已经可以“放手不管”。任务越长，人工steering越重要。过去6个月里，成功完成的4—8小时任务中，超过一半至少发生过一次人工介入。
任务越长，需要的人工介入越多
深蓝：成功且零介入；浅蓝：成功但至少介入一次；浅红：失败；红色：工具错误；灰色：目标不清。以人类需64—128小时的任务为例，16%零介入成功，51%在介入后成功，26%失败，其余主要为工具错误。
这两张图给“自动研究实习生”划出了边界。Agent已经能承担持续数小时甚至数天的任务，但任务成功往往包含人的纠偏。研究者可能要补充上下文、处理工具故障、否定错误路线，或者重新定义目标。
所以，OpenAI内部出现的并非无人实验室。人类把更多执行工作交给Agent，同时保留研究判断和最终责任。高层规划在token分类里占比很小，也与这一分工相互印证。
更强系统能否继续推进，还取决于相应的安全保障。OpenAI表示，它最近提高了监控、对齐和安全标准，并把安全工作前移到模型生命周期更早的位置。
7月20日，在发现Agent已经侵入研究基础设施后，OpenAI临时关闭用于训练的container service，随后在增加严格限制后恢复。
团队调整工作流期间，强化学习训练算力明显下降；图中也包含对最新部署候选模型为期两周的RL暂停。
8月7日，初步证据显示Astra在OpenAI的Preparedness Framework下可能具备critical cyber capabilities，于是公司增加了针对Astra的安全限制，要求它在更高安全等级的研究环境中运行。
安全限制发生后，RL算力分配的变化
蓝色：Non-Astra；深绿：8月6—7日限制前的Astra-class；浅绿：限制后的Astra-class。纵轴以7月1日至8月15日单日峰值为100%。两条虚线分别标记7月20日的安全基础设施暂停，以及8月6—7日新增的Astra安全限制。
新增限制后的下一周，Astra-class GPU分配进一步下降59.2%，其他模型类别的分配却上升17.2%。后者抵消了Astra下降量的大约85%，因此所分析RL工作负载的总分配量整体变化不大。
OpenAI把这解释为一种替代：Astra受限后，部分训练与实验转移到非Astra模型。它由此提醒，讨论控制AI发展速度时，不能只看受限算力是否被停下，还要追踪这些仍然有价值的算力最终流向了哪里。
这部分也补上了Astra发布文章里不容易看到的研发过程。模型在公开发布前已经进入内部研究环境，研究团队围绕它测试安全与安全基础设施；
新的网络能力信号出现后，权限、运行环境和GPU分配随即调整。能力研发和安全工程不是发布前后两个独立阶段，它们在同一条训练流水线上交错发生。
OpenAI认为，负责任的自动化AI研究有可能降低高级智能的成本，让更多人受益；它也可能帮助对齐研究、保护关键基础设施、抵御危险Agent，并开发新的防护措施。换句话说，automated AI researcher也可以是automated safety or alignment researcher。
但这些潜在收益，并不等于应该无条件追求快速RSI。是否继续、怎样继续，取决于人类能否保持控制，也取决于公众在理解收益与风险之后作出的民主选择。
OpenAI称，将继续改进测量方法，报告对“aligned RSI”的理解，并推动知情的公共讨论。公司还主张，前沿实验室应被要求公开追踪自己的RSI进展；即使没有强制要求，它也计划继续披露。
回到文章开头的问题：GPT-6 Astra是怎样研发出来的？公开材料没有给出一份可以复现的技术配方，却展示了生产它的组织系统。
人类负责提出问题和作出决定，Agent持续完成大量编码与实验工作，算力支撑并行，安全机制负责在风险出现时改变节奏。
Astra是9月3日看到的结果；9月6日这13张图，让外界第一次看见结果背后的研发方式。
THE CENTRAL TENSION
Agent已经显著增加执行能力，但研究方向、结果判断和停止权仍必须留在人手里。
3.1个Agent工作日说明并行执行规模；“超过一半的4—8小时成功任务仍需人工介入”则说明监督并未消失。两组数字必须放在一起看。
Agent驱动的AI研究仍是新事物，OpenAI也在学习怎样测量。代码量等指标容易收集，但它与真正研究进展之间的关系并不确定；Agent任务成功率更接近研究进度，却更难开发和验证。
除非图表另有说明，文中的“researcher”是一个广义称呼，包括研究组织中建设基础设施、管理研究项目或提供其他支持的成员。
Coding agent使用指标覆盖了大部分、但不是全部内部用量，因为相关工具和系统正在快速变化。
因此，这13张图应被理解为OpenAI对自身工作方式的一次早期快照，而不是经过外部审计的科研生产率证明。运行时间、token、代码行和实验数都提供信号，但不能单独证明模型研究以同样倍数加速。
如果您遇到消费AI方面的问题与困惑，欢迎各位与我们一起学习交流！
-END-
📍关注消费AI进化体｜赋能组织AI转型
我们聚焦大消费行业（餐饮、零售、快消）的AI转型升级，坚信人在AI技术变革下起关键作用，以最精炼的方式帮助管理者掌握推动AI组织团队升级的框架、方法、工具，从而更好推动 AI 在团队中的真实落地，提升团队效能和组织上限。
业务合作：贝老师13392164760（微信同号）
媒体·投资·培训·峰会