Anthropic 红队让 Opus 4.7 在无人协助下重跑去年的机器狗实验。在所有去年人类完成过的任务上，它比最快的人类团队快约 20 倍；但真正需要实时控制的「把球推回起点」，它仍未能做到。这两件事放在一起，标出了当前 LLM 操控物理设备的能力边界所在。
「Project Fetch」这个名字下有两层「phase」，容易混淆。读这篇之前，先把它们分开。
第一层是整个项目的两轮研究。第一轮在 2025 年 8 月做、11 月发布，是一场人机对照实验。第二轮在 2026 年 6 月发布，标题就叫《Project Fetch: Phase two》，让模型全自主重跑。
第二层是第一轮实验内部的三个递进阶段，原文也叫 Phase One / Two / Three：先用手柄热身，再放下手柄自己写程序连传感器，最后让机器狗自主取球。
本文讲的是项目的第二轮研究。凡提到第一轮实验内部那三个阶段，都会写明「第一轮的某阶段」，不与项目层面的「第二轮」混用。
第一轮的核心问题是：前沿模型能不能越过电脑屏幕、影响物理世界。机器人是其中一条路径。红队用的是 uplift study（增益研究）这套方法：把人随机分两组，一组能用 AI、一组不能，比较任务表现的差距，差距就是 AI 带来的「增益」。这套方法他们在生物风险研究里用得很多。
他们找了 8 名没有机器人背景的 Anthropic 研究员，随机分成四人一组的 Team Claude 和 Team Claude-less，让两队给一只现成的四足机器人（原文称 robodog）编程去取沙滩球。结论是显著增益：两队都完成的任务上，Team Claude 用时约为另一队的一半；Team Claude 完成 7/8 个任务，Team Claude-less 完成 6/8；只有 Team Claude 在「全自主取球」这个最终目标上取得实质进展。
红队还做过一项前置确认：把当时最强的 Claude Opus 4.1 单独放上去，看它能不能独立完成任务。结论是明确不能。它和没有 Claude 的人类队一样，卡在了最初的「如何连接机器人」这一步。这个「4.1 独立做不了」，是理解第二轮意义的基准线。
第二轮换上 Claude Opus 4.7，去掉人类操作者，看模型能否独立完成第一轮里那些任务。
物理手柄那一步没法让模型做，所以测的是其余可以靠写代码完成的任务子集。模型在 Claude Code 里运行，开 adaptive thinking、effort 设为最大，每个目标跑三次试验。研究员的角色被压到最低：把运行 Claude Code 的笔记本插到机器狗上、输入初始 prompt、批准命令、批准模型进入下一个任务。
总的结论，原文写得很直接：「凡是去年至少有一个人类队完成过的任务，Opus 4.7 都至少快十倍。」
逐任务对照。把两支人类队和 Opus 4.7 在每个任务上的耗时摆在一起，这五个任务正好对应第一轮实验内部的 Phase 2（编程控制）和 Phase 3（自主操作）：
| 任务 | Claude-less | Team Claude | Opus 4.7 |
|---|---|---|---|
| 连接视频摄像头Phase 2 | 165 分* | 64 分 | 5:57 |
| 连接 lidar 传感器Phase 2 | 154 分 | 35 分 | 0:56 |
| 写程序控制机器狗Phase 2 | 15 分 | 40 分 | 1:07 |
| 定位并画出路径Phase 3 | 27 分 | 42 分 | 1:34 |
| 检测沙滩球Phase 3 | 未完成 | 83 分 | 2:32 |
| 全部五个任务合计 | — | 264 分 | 12:07 |
Opus 为三次试验平均（min:sec）。差值按每个任务上更快的那支人类队算，只计入两轮都完成的任务。*视频任务 Team Claude-less 是在得到提示后才完成的。一个细节值得留意：写控制程序这个任务，Team Claude-less（15 分）反而比 Team Claude（40 分）快。人类在某些子任务上确实更快，有 Claude 的队反而因为并行试了更多方法、写了更多代码而绕了路。
把量级差画出来。只看四个两队都完成的任务（视频、lidar、控制程序、定位）的总时长，差距是数量级的：
又快又省。代码量上同样悬殊：Opus 4.7 做到了和两支人类队一样好甚至更好，写的代码却比 Team Claude 少了近十倍。
质量上也有差别。人类在「用哪种方式连接机器狗的传感器」上反复纠结，Opus 4.7 能很快锁定最佳路径；它写的代码很多一次就能跑通，这是第一轮两支人类队都做不到的。它也并非全无缺陷：默认用了一个过时的物体检测算法，但仍能规避该问题、找到有效解法。
红队特意强调一句，和第一轮一样：这些进步不是专门针对机器人能力做优化的结果。它来自更通用的规模化（general scaling），和 LLM 历史上很多能力一样，没人专门去训它操控机器狗。
模型做不好的，恰恰是 Project Fetch 名字里那个「fetch」动作：精确地把沙滩球推回起点。
红队的描述很具体。人类用手、加上一点练习，就能操控机器狗把沙滩球轻轻顶回起点那块假草坪。这需要一种快速闭环的能力：判断球有没有偏离、这个偏差和上一条指令是什么关系、球现在在哪、接下来怎么调整输入才能把球推得更准。
a kind of closed loop at which people excel (at least after making some mistakes and learning from them) 一种人类擅长的闭环，至少在犯几次错、学会之后。Opus 4.7 在这一步难以把握其中的微妙之处：它能把机器人移到球后面、摆出顶球的位姿，但控制效果很差，和当时的人类参与者一样，没能成功。Anthropic Frontier Red Team · Project Fetch: Phase two
值得注意的是另一个对照：第一轮志愿者里有一位机器人经验更丰富的研究员，他成功写出了自主取球的程序。红队据此判断，给现在这代 Claude 更多时间和额外的脚手架，很可能也能做到同样的事。他们接下来要观察的，是模型能否用它在其他任务上展现的同样的速度和可靠性，来完成这最后一步。
「With more time and additional scaffolding, we think it is very likely that current generations of Claude could do the same.」
把两轮放在一起看，能看到一条清楚的轨迹。
红队在第一轮文章里就埋下了这个判断：增益往往先于自主，今天能帮人做的，明天常能自己做。第二轮正是这句话的一次兑现。他们用编码本身做类比：程序员早已不再只把代码片段丢给 AI 调试，而是把任务交给模型、让它自己写代码。
We are plausibly entering the early era of physical agentic AI. 我们很可能正进入物理 agentic AI 的早期阶段。红队同时克制地补了一句：「This doesn't mean that LLMs have now solved robotics. Far from it.」这次实验里的任务，都还没触及机器人控制中更难的底层部分。Anthropic Frontier Red Team · Project Fetch: Phase two
红队认为变得不同的是：我们似乎离「模型能相对轻松地使用现成物理工具，至少在有限用途上」的世界近了很多。他们把这类比成 AI 当年学会用 string-replace 这类现成的软件编辑工具、从而迈向更具 agentic 的编码。
这件事被反复点出的那条规律是三段式：先是模型帮人，然后人帮模型，最后模型基本能自己完成。原文：「first, models are helpful to humans. Then, humans are helpful to models. Finally, models are largely able to do things themselves.」红队说，这个模式他们在网络安全领域见过，现在在 AI 与物理世界的交叉点上也开始成形。这条线还和他们监控 AI 自动化研发潜力的工作挂钩，属于 Anthropic Responsible Scaling Policy 里的一个能力阈值。
理解这件事的关键，是看清模型做得好的那些任务和它受阻的那个任务，本质上不是同一类。前者（连传感器、选接口方案、写识别球的程序、规划路径）都是「想清楚就能一次产出」的认知任务，可以离线想透、写成代码、跑一遍验证对错，正是 LLM 的主场。而「把沙滩球精确推回起点」是另一类：连续闭环控制，没法靠一次产出交差，要在物理反馈下反复地看、反复地微调。难点至少有三层。
人类却能做到，靠的是模型目前缺的三点：内化的物理直觉和本体感觉（对「使多大力、东西会怎么动」的映射是刻进身体的，不用算）；连续且低延迟的反馈回路（眼睛盯着球、手实时微调，正好配得上球滚动的节奏）；以及在几次试错里在线学习的能力（推歪两次、第三次就掌握要领，而模型在单次任务里没有这种边做边学的机制）。
决定 AI 工具效用的是领域专长，不是写代码的熟练度。第一轮里能写出自主取球程序的，正是那位机器人经验更丰富的研究员。fetch 这一步缺的，本质是机器人领域的专长，而不是模型不会写代码。这也是为什么红队判断「加点脚手架」很可能就能补上。
Anthropic Frontier Red Team · 2026-06-18 · Michael Ilie, C. Daniel Freeman, Kevin K. Troy。本文速度、代码量、强弱项数据均出自此篇及其三张图表。报告 Opus 4.7 而非更强的 Mythos Preview，是因为 4.7 是实验当时最先进的非 Mythos 级模型。
Anthropic Frontier Red Team · 2025-11-12（实验 2025 年 8 月进行）。第一轮 uplift 实验、7/8 vs 6/8、Opus 4.1 基准线、「增益先行于自主」的判断均出自此篇。原始素材为英文，引文保留英文原句。「实时控制为什么比写代码难」一节为基于控制理论的分析，非原文结论，已在节内标注。样本说明：实验只两队、单日，属便利抽样，规模小。