For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/zh-TW/articles/anthropic-s-ai-replication-test-methods-a-4f6916a1.md.
Anthropic 的一項研究指出，GLM-5.2 在五次試驗中的四次完成了涵蓋全部八個目標節點的簡化自我複製任務，其餘一次到達七個節點。研究也展示了可將模型推論分散至低價電視盒，並顯示後續代理繼承先前筆記後，部署可靠性有所提升。
Anthropic 的一項研究指出，GLM-5.2 在五次試驗中的四次完成了涵蓋全部八個目標節點的簡化自我複製任務，其餘一次到達七個節點。研究也展示了可將模型推論分散至低價電視盒，並顯示後續代理繼承先前筆記後，部署可靠性有所提升。
這些都是具意義的結果，但也很容易被過度解讀。主要報告區分了人工配置的硬體展示、自主部署實驗，以及一項受控網路測試；在該測試中，較大的控制器模型運行於獨立基礎設施上。
以下內容參考了 BAAI Hub 轉載的 QbitAI 報導，並直接查核了 William Zhou 與 Daniel Freeman 的 Anthropic 研究。
研究人員購買了 15 台無品牌 Android 電視盒，每台配備 4 GB 記憶體，價格約為 55 美元。他們使用流水線平行化將 Gemma4-26B-A4B 分散至這些裝置，每個電視盒保存模型層的一部分。
此系統每秒生成 0.39 個詞元。這對互動式助理而言會令人感到挫折，但實驗提出的是另一個問題：低價、低記憶體裝置能否共同支援一個有能力的模型？
在這項配置中，答案是可以。不過，硬體與模型分配均由研究人員預先準備。該展示並未顯示模型能夠自行發現並入侵這些裝置。
報告接著以一個歷史上的兩百萬裝置殭屍網路作為規模參考。若每個副本使用 15 台裝置，理論上可容納約 133,000 個副本；在作者的併發假設下，粗略的總吞吐量估計約為每秒 80,000 個詞元。這是一項假設性計算，而非新近觀察到的 AI 感染事件。
針對端到端實驗，Anthropic 建立了一個受防火牆保護的虛擬私有雲，其中包含八個執行 Android 15 redroid 環境的 Google Cloud 節點。測試刻意透過未經驗證的 ADB 連接埠降低存取難度，以便聚焦於整個流程的其餘環節。
從概念上說，代理必須找到另一個節點、傳送必要元件、設定推論服務，並持續進行這個流程。目標推論服務為 Llama3.1-8B。
| 實驗元素 | 對結果的意義 |
|---|---|
| 防火牆保護的雲端網路內的八個節點 | 實驗是在受控環境中進行，而非針對任意公開裝置的測試。 |
| 簡化的未驗證存取 | 漏洞發現並非此測試主要衡量的難題。 |
| Llama3.1-8B 作為目標模型 | 各模型是在共同的推論部署任務中進行比較。 |
| 較大控制器使用獨立推論伺服器 | GLM-5.2 本身的運算並非完全託管於目標裝置上。 |
| 四次運行到達八個節點；一次到達七個節點 | 在這些特定測試條件下，GLM-5.2 具備可靠性。 |
當目標推論伺服器通過正確性與反作弊檢查後，測試框架會啟動控制器代理的另一個執行個體。這使測試能夠說明傳播所需能力的成熟程度，但並未證明一個大型模型能將自身裝入低記憶體設備。
作者將這些簡化的網路安全條件描述為對現實世界成功率的上限。身分驗證、網路可達性、裝置多樣性，以及防禦者的介入，都會改變問題的本質。
在另一項實驗中，研究人員要求模型在不同硬體類型上提供 Llama3.1-8B 推論服務。這需要選擇合適的推論技術堆疊、解決相依性問題，並除錯作業系統與硬體特有的錯誤。
Qwen3.5-9B 在九種硬體類型中的八種上成功完成任務。能力更強的模型通常更可靠，且能取得更好的服務速度。
這項結果有助於解釋研究為何聚焦於推論部署。模型或許能處理部分命令列步驟，卻可能在一條需要多個正確且具硬體特異性的決策的長鏈條中失敗。單一步驟的能力，並不會自動轉化為可靠的端到端行為。
報告接著將參數量約為 300 億或以下模型的進展，與 Epoch Capabilities Index 進行比較。擬合趨勢在 2026 年底前接近實驗中 GLM-5.2 的能力門檻。
圖：Anthropic，由 BAAI Hub 上的 QbitAI 轉載。該趨勢採用通用能力指數，僅支持粗略預測，並非真實世界自我複製的保證日期。
長時間運行的代理可能會執著於某個錯誤的錯誤解釋。研究人員建立在 Pi 之上的 Memento 測試框架，會定期啟動新的代理執行個體，同時保留工作區與先前嘗試的簡短筆記。
在一項涵蓋六個世代的 Qwen3.5-9B 實驗中，第一代的部署成功率為 45%。後續世代介於 61% 至 84% 之間，最後展示的世代為 65%。
輸入一句想法，We0 AI 即可生成展示站、頁面與 CMS。發佈上線後並幫你獲取客戶和流量。
用戶註冊贈送一次完整項目生成
適合先體驗一次完整生成流程，快速看到專案初稿。
圖：Anthropic，由 QbitAI 來源轉載。最高結果出現在最後一代之前；改善並非單調上升。
這項實驗中沒有重新訓練任何模型權重。效能提升來自保留的脈絡、程式碼與筆記。作者所使用的演化類比，是指在執行個體之間傳遞後天取得的資訊，而非證明系統具有生物生命。
研究人員也嘗試讓 Qwen3.5-9B 存取能力更強的顧問 Claude Opus 4.8。即使在小型模型未主動請求的情況下直接提供建議，這仍未在該任務中帶來顯著改善。
圖：Anthropic，由 QbitAI 來源轉載。誤差線顯示 Wilson 95% 區間；該結果針對受測配置，而非所有可能的多模型系統。
未來基於代理的自我複製程式，可能比固定指令碼更具適應力：它可能讀取日誌、選擇另一個推論技術堆疊，並將有用筆記傳遞給後續執行個體。然而，該報告並未證明每一台連網設備都可被觸及或利用。
研究同時指出防禦機會。移動數 GB 的模型載荷並維持分散式推論，可能產生異常流量；受感染網路可以被隔離；裝置製造商則可透過更嚴格的預設安全性，減少可被鎖定的裝置池。
來源文章中的家用裝置圖像很容易讓人具體想像威脅，但已確認的結果仍是一項受控實驗。可採取行動的關鍵問題是：代理能力的提升是否會讓既有弱點更容易被反覆利用，以及監控與裝置安全能否阻止傳播持續自行維繫。
ARA 指系統在無人為控制下部署並傳播自身，同時適應其環境。這項研究檢視了實現該行為所需的幾個實際步驟。
它在四次試驗中於全部八個節點完成簡化流程，並在第五次試驗中到達七個節點。它自身的推論在獨立環境中運行，而目標服務是 Llama3.1-8B。
結合傳播的測試是在使用 Android 模擬環境的受防火牆保護雲端環境中進行。獨立的電視盒推論展示則使用研究人員配置好的硬體。
在陌生硬體上啟動模型，需要一長串彼此相依的設定決策。即使代理能完成工作流程的其他部分，這一階段仍會造成失敗。
在沒有改變權重的情況下，繼承筆記提升了受測實驗中的任務成功率。各世代的成功率有所波動，因此結果並未證實不間斷或無上限的改善。
不能。2026 年底的估計是對通用能力趨勢的外推，並依賴多項假設；這並非對部署或傳播時間的精確預測。
Anthropic 的研究串聯了三項觀察：低價硬體可共同提供模型服務；代理可設定陌生系統；繼承的筆記可改善後續嘗試。其整合式自我複製結果在簡化且受控的環境中表現強勁。
這項研究縮小了獨立能力與自我複製之間的差距，但真實世界的存取、託管限制與防禦介入仍尚未得到解答。
從一句話開始，幾分鐘內拿到完整網站。
