摘要： Anthropic 在 2026 年 6 月 18 日發布 Project Fetch 第二階段，讓 Claude Opus 4.7 全權操作現成四足機器狗，重做 2025 年 8 月同一組任務。報告指出，在人類曾完成的任務上，模型速度約為當年最快人類團隊的 20 倍。它的海灘球推撥仍控制不佳、未能成功，凸顯實體閉環修正仍屬弱點。
2026 年 6 月 18 日，Anthropic 的 Frontier Red Team 公開了「Project Fetch: Phase Two」。這一回，研究員 Michael Ilie、C. Daniel Freeman 與 Kevin K. Troy 把一台現成的四足機器狗全權交給 Claude Opus 4.7 操作，重做 2025 年 8 月第一階段人類團隊做過的同一組任務。最醒目的結果：在人類曾經完成的任務上，模型的速度約為當年最快人類團隊的 20 倍。
它不是又一則宣傳短片，而是一場可以重複驗證的正面對決，雙方做的是同一批任務。在「LLM 究竟能不能勝任實體任務」的辯論裡，這份報告給出了到目前為止最具體的一批數據，也附帶一個一目了然的失敗案例。
「20 倍」是怎麼算出來的
實驗透過 Claude Code 執行 Opus 4.7，總共跑了三次，adaptive thinking 設在最高強度。在人類完成過的任務上，模型約比最快的人類團隊快 20 倍；凡至少有一組人類完成的任務，模型就至少快 10 倍。四項雙方都跑完的共同任務裡，模型領先「沒用 Claude 的人類團隊」超過 37 倍，領先「有用 Claude 的人類團隊」超過 18 倍，而且只寫了約十分之一的程式碼，就拿到相同甚至更好的成功率。
換個角度看，這份速度不是靠堆更多程式碼換來的——程式量反而縮了一個數量級。報告另提到，模型在已完成步驟上的完成時間變異很低；對講求可預測性的自動化管線而言，這個特性可能比平均速度本身更重要。
怎麼跑實驗：人只剩插電與按核准
設計上刻意讓人類退居幕後：研究員只負責接上筆電、打下初始提示，然後在每次指令執行與任務切換時點下核准。需要實體控制器的任務則不予列入。會選 Opus 4.7，理由是它當時屬於最先進的非 Mythos 級模型；Mythos Preview 的初步測試礙於環境設定與推論服務的差異，做不出公平對照。這項取捨後來在 Hacker News 上引來各種揣測。
模型有三處表現格外突出：它很快就摸清了當年讓全體人類隊伍卡關的感測器介面該怎麼處理；多數程式碼第一次執行就成功；還有一次它察覺自己誤用了預設的過時物件偵測演算法，便自行繞道修正。
那顆始終推不動的海灘球
專案名稱裡的「fetch」，指的是把海灘球撥到指定位置——這恰好是模型自始至終做不好的動作。它能正確把機身移到球的後方，但接下來的推撥「控制不佳、不算成功」。作者的解讀是：人類靠反覆練習累積出來的閉環感知與修正能力，模型還不具備。同一份報告裡也放了對照——一位資深的機器人研究者順利完成自主取球；作者並相信，給現在的 Claude 更多時間與更好的鷹架，它應該同樣辦得到。
整份論文最不留情面的一句話是：「這不代表 LLM 已經解決了機器人學，遠遠沒有。」實驗完全沒有測試低階控制（例如 actuation policies），而這些進步源自一般性的規模化，不是任何針對機器人任務的訓練。
資安走過的劇本，現在輪到實體世界
作者梳理出一條固定順序：先是模型輔助人類，接著人類反過來輔助模型，最後模型獨立作業。這條路資安領域已經走過一遍，如今開始在實體任務上重演。他們寫道，我們「很可能正在進入實體 agentic AI 的早期時代」。
對安全研究來說，該在意的不是模型這次做對了什麼，而是速度：不到一年、零機器人專屬訓練，同一批任務的完成時間就被壓縮了 20 倍。這同時提醒我們，真實任務的縱貫評測與靜態基準量的並非同一件事——工具使用類基準（例如 Hugging Face 的 agentic tooling 評測）看「會不會操作工具」，Project Fetch 看「能否獨力把一項實體任務推進到有結果」。
社群爭論，與給開發者的三個結論
Hacker News 上的討論（73 分、26 則留言）大致分成三種立場。存疑的一方覺得這份報告「讀起來更像 Opus 4.7 對 4.1 的版本比較」，真正有資訊價值的實驗應該是讓人類團隊也換上新模型再比一輪；也有人直接對第一方研究的可信度打上問號。替報告說話的一方則指出：Opus 人人可用、硬體價格低廉，誰都能重現實驗，而公司部落格本來就是公開的宣傳品，沒有什麼遮掩。
給開發者的三個可落實結論。其一，把 LLM 當成「會寫控制程式碼的通才工程師」來用，而不是內建運動控制的系統——閉環修正明顯仍是弱項。其二，別輕忽低變異這項特質：每個步驟的完成時間夠不夠穩定，常常才是自動化能否真正上線的分水嶺。其三，單一實驗室自行公布的數字不宜直接當成基準，等第三方重現之後再下判斷。