Atria团队复盘 769 条开发日志：AI代理承担更多执行，人类仍做 85% 以上决策
该团队在开发 7440 亿参数的Atria Dawn Preview时记录：AI参与了 96.5% 的任务，代理动作与人类输入的比值四周内从 11 升到 28.5，但方法、参数和目标的最终决定权仍主要留在人类手中。
AI解读：这条新闻的核心不是“AI又变强了”，而是一个团队把自己开发模型的过程摊开数了一遍：代理干得越来越多，但拍板的还是人。研究团队在开发 7440 亿参数的Atria Dawn Preview期间记录了 769 条任务日志，AI出现在 96.5% 的受审任务里。
最容易被误读的数字是代理动作和人类输入的比值：四周内中位数从 11 涨到 28.5。团队自己提醒，这不能直接读成自主性上升——一个人做一次决定，代理执行更多步骤，不等于代理在替人做更多决定。
决策权分布更说明问题：方法和参数的最终决定 85.5% 由人类做出，AI只占 9.2%；目标与范围的最终决定 93.4% 归人类。即便是那 151 个“没有AI就做不成”的任务，人类选择目标的比例也高达 95.4%。
另一组数字解释了AI的实际价值：455 个完成的AI辅助任务中，151 个被参与者评为没有AI就无法在同等范围和质量的条件下完成，约占三分之一，且分散在 56 名参与者中的 27 人身上。AI在这里不是加速旧工作，而是让本来不会启动的工作变得可行。
出问题时也类似：588 个记录到困难的任务里，76% 靠人类介入推进，其中人类帮助主要是补上下文、澄清需求（35.2%）或诊断问题、切换方法（34.7%），亲自上手部分编辑只占 3.2%，完全接管仅 0.7%。
团队真正担心的是审批链越来越长：当每个决定都基于人类看不过来的代理工作链，人可能沦为只能盖章的审阅者。他们同时指出，可递归自我改进的“第四阶段”仍是没有答案的问题——模型可以在训练任务上进步，却不等于更会开发自己的继任者。
研究团队Atria在开发其代理语言模型Atria Dawn Preview期间记录了 769 条任务日志。该模型基于混合专家架构，7440 亿参数，面向研究和工程任务，训练管线把每个任务接到真实执行环境上：调用工具、生成中间结果，并接受测试、指标或来源证据等外部信号校验。
团队称该模型在 16 项基准中的 5 项领先，包括网络搜索和网络安全，但整体上并不领先竞争对手：在AutomationBench、CyberGym和MLE-Bench Lite上领先，在GDPval和SWE-Bench Pro上落后。
四周里代理动作与人类输入之比从 11 升到 28.5
AI出现在 96.5% 的受审任务中，项目推进过程中参与者把越来越多工作交给代理。四周内，代理动作与人类输入比值的中位数从 11 升到 28.5。
团队提醒不要把这一数字直接读成自主性上升：每一次人类决定对应了更多代理步骤，但这不意味着代理自己在做更多决定。
三分之一任务被参与者评为没有AI就做不成
参与者被问到能否在没有AI的情况下、以同等范围和同等质量完成自己那份任务。455 个已完成的AI辅助任务中，151 个被评为没有AI则不可行，约占三分之一。这些任务分布在 56 名参与者中的 27 人身上，并非只来自少数重度用户。
团队称，在这些情况下AI并未加速已有的工作，而是让原本根本不会启动的工作变得可行。
AI提方案、人做选择：方法决策 85.5% 由人拍板
在方法和参数上，最常见的模式是“AI提议、人类选择”，占 55.4%。总体而言，人类做出了 85.5% 的方法和参数决定，AI仅占 9.2%；目标和范围的最终决定，人类占 93.4%。
AI的提议份额随决策类型不同在 17% 到 55% 之间浮动，但其最终决定份额始终停留在个位数。即使在那 151 个被评为没有AI就不可行的任务里，人类选择目标的比例也达到 95.4%。
出错时人来补上下文和诊断，而非亲自接管
在 588 个记录了难度的任务中，76% 经人类介入后继续推进，23% 由代理自行解决。人类的帮助几乎都是信息性质的：补充上下文或澄清需求占 35.2%，诊断问题并切换方法占 34.7%。
人类很少亲自干活：部分修改占 3.2%，完全接管仅 0.7%。当AI输出需要修改时，AI在收到人类反馈后自行处理改动的比例为 75.4%。团队由此认为，瓶颈在人类判断而非执行。
团队警示“橡皮图章”风险，并提及行业内的自我改进争论
团队描述AI的角色经历了三个阶段：从研究对象，到个体任务的工具，再到如今的项目伙伴。在当前角色中，AI在人类设定的目标内起草和调整计划。他们设想的第四阶段是递归自我改进，即更强的模型生产更强的继任者，但这仍是开放问题。
作者称，一个模型可以在训练任务上变得更强，却未必更擅长开发自己的继任者；AI如何提出多样化的研究方向、并在结果出现前评估其价值，也尚无答案。
团队还指出审批链风险：当每个决定都建立在人类无法逐一审阅的长链条代理工作之上，监督会变得困难，最坏情况下人类只能对眼前内容盖章。许多参与者为避免长任务被不断打断，会让代理运行在自主模式，这一边界是出于便利而非对AI权限的刻意选择。
Anthropic、OpenAI、Google及外部研究的对照
团队提到，Anthropic认为AI开发自身继任者的可能性比预期更早，CEO Dario Amodei因此呼吁行业设置速度上限；据Anthropic称，该公司研究方向的决策目前仅个位数百分比由人类做出。OpenAI在整个开发周期中使用GPT-5.6 Sol；Google和DeepMind通过记录搜索轨迹的Dream-RSI让AI代理探索替代策略，但只改进搜索策略而非模型本身。
此外，领先AI公司的千余名员工近期警告其组织可能处在自动化AI研究的边缘；普林斯顿大学与英国AI安全研究所的另一项研究结论更接近Atria团队的发现，即前沿模型能处理研究工程，但在真正重要的判断上会失败。