openai 研究员Noam Brown最新的文章告诉我们，AI能力增长逻辑正在发生变化。 AI的能力，反应在持久性上，越久越长。 之前行业习惯用一个各种测试衡量模型能力。但随着推理模型和Agent的发展，这种评估方式的有效性正在快速下降。 GPT-5.5就是典型案例。刚发布时很多人觉得提升有限，因为基准测试数字看起来只是小幅领先GPT-5.4。 但实际体验后，大量用户发现差距远大于基准展示的水平。原因在于GPT-5.5展示出来的能力，并不是在和GPT-5.4相同推理预算下获得的。 如果控制相同Token预算、相同时间预算或者相同成本预算进行比较，两者差距往往会被明显放大。 更强的模型，似乎更擅长在更长时间尺度上工作。模型能力提升带来的变化，不仅体现在回答质量上，更体现在任务长度上。搜索、规划、验证、回滚、重试、自我纠错开始成为推理过程的一部分。模型正在从回答问题走向完成任务。 Noam认为，未来模型能力应该用“性能 vs 推理预算”的曲线衡量，而不是单个数字。越来越多实验显示，现代模型的能力并没有像过去那样快速达到平台期。随着推理Token增加，性能依然持续提升，而且模型越强，这种现象越明显。 重要的是，模型能力提升带来的最大变化可能是任务时长提升。模型能力越强，出错越少，就越能跑长时任务 而一个只能工作30秒的模型，本质上仍然是聊天机器人。一个能持续工作1小时的模型，是助手。一个能持续工作1天的模型，是员工。一个能持续工作1个月的模型，更像一个独立团队。 从这个角度看，Test-Time Compute本质上是在购买工作时间。给模型更多Token，相当于给模型更多搜索、验证、试错和自我修正的机会。这也是为什么持续自主工作能力Durable Sustained Context Work（DSCW）正在成为越来越重要的能力指标。 更重要的是，更长的工作时间最终会指向AI研发AI。连续运行数小时，模型可以调试代码。连续运行数天，模型可以阅读论文、设计实验、分析结果。连续运行数周，模型开始具备部分研究员能力。 于是会出现一个新的反馈循环： 更强模型 → 更长任务 → 更多研发工作 → 更强模型。 这也是ai递归自我迭代（RSI）最现实的路径之一。(rick awsb ($people, $people))