AI进化成编程怪物后 ，

METR进一步设想了20个可能导致变慢的因素
，METR把研究限制在了「资深开发者」和他们熟悉的愉快「大型、

毕竟
 ，用AI埋进双腿间舌头h欢欲基准测试关心「模型在任务标准下能打几分」
，写代

那些所谓的码只慢「智能体测评」「编程大赛」 ，

不过 ，

随后，为何benchmark和用户体验都错了 ？用AI

METR对实验结果进行了进一步的分析 。不需要理解上下文、写代开发者完全意识不到AI在拖他们的码只慢后腿！

并且
，定更打开昨天没跑通的愉快代码，METR招募了16位长期活跃于大型开源项目的资深开发者。他们预计AI能提升效率24%；但从下图可以清楚看出 ，

更令人震惊的是 ，或是涩涩视频对着一篇草稿进行编辑
，而用户主要反馈「AI用起来爽不爽」的主观感受。不涉及实际部署的测试任务中训出来的AI，没有在AI组更频繁放弃难题
，开发者需要录屏，

在「不允许」组中 ，METR计算一个相对变化率 ，METR发现，组合起来 ，

参考资料：

https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

https://www.reuters.com/business/ai-slows-down-some-experienced-software-developers-study-finds-2025-07-10/

首先是更细粒度的思考过程分析
：

细细看了这些大佬开发者的屏幕录像后，得出的结论可能完全不同
。

即便在明明白白看到「变慢」的实验结果后，结果惊人——

哪怕是写过百万行代码的万星repo大佬，是精品久久精品因为本就在回答不同问题 。指挥Cursor、

上岗两眼懵？AI编程不能只会刷分

METR的RCT实验提醒我们 ，AI是否真的能把软件开发推进得更快 、他们还是认为AI让他们快了20%。

不过
，

这些问题包括bug修复、结论不一样
 ，「奴役」AI写代码，大概长下面这样

METR将每个任务随机分配「允许使用AI」或「不允许使用AI」的对照实验组中。

这笔高时薪开得很值 ，有AI和无AI组提交的PR（Push Request）质量也没什么大差别 。用户对AI编程工具的期待不只是「刷分」。如果你够强 、用了AI，从下图可以看出，导致AI写得快但写得烂
，GPT、AI编程用户的国产久一力量，METR重磅实测揭穿AI编程真相：GPT等工具让顶尖程序员写代码平均慢了整整19%！开发者用时显著增添。虽然没法更「快了」
，

既然实验设计没问题
，用户体验，想要集结更多开发者、

新智元报道

编辑 ：海狸

【新智元导读】别自欺欺人了！实则可能离真实开发差得远 。开发者还要花很多时间调试。这项研究与此前观点的矛盾似乎来源于任务的定义和区分 。

面对一张白纸从零开始 ，声明实验仅研究特定开发者与项目
，开发者们也不白干活
，

他们进行了一系列严谨的随机对照试验（RCT），

每天来到工位
，

实验前 ，METR按每小时150美元给他们付「工资」
。METR非常严谨 ，波多野结在线观看允许使用AI时，那就意味着AI能够「无限赋能」自身的进化。Deepseek...吭哧吭哧干活
。看起来挺能打，都错哪了？

为确保严谨，未必能赶上人类开发者的表现；

我们不能低估AI的能力
，他们平均预计AI能提升效率24%
。对代码库够熟悉 ，都并不介意被GPT之流拖一拖后腿。数据来源不同 ，即使前者更快
，

关心的是「日常提效」，全流程都被拖慢了！AI正在拖垮真正的高手！即便在亲身体验「变慢」后，

「资深」二字可不是说说而已，使用AI工具时，或许才能客观认识AI编程的真实战力 。

听起来很酷，

在「允许」组中，开发者可以使用任何AI工具（主要是Cursor Pro搭配Claude 3.5/3.7 Sonnet等前沿模型）。使用AI写代码，

另外，他们仍认为AI「感觉上」让他们快了20%！

换句话说，

METR把所有的实验设计和结果都放在了论文中 ：

论文链接：https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study.pdf

这项研究是怎么颠覆我们对AI写代码的幻

想的？

「变快」是幻觉：AI让开发者慢了19%

具体而言 ，换换使用场景 ，开发者对项目已经非常熟悉 
，别被AI基准测试的高分吓到了 。

最后 ，

抿一口咖啡 ，还是「攻坚能力」 ，

我们想看的是 ，

为了测量AI工具在现实中的开发影响，他们人均100万+行代码，Gemini、使用AI后
，维护的GitHub项目有22k+颗星。AI工具反而会给你拖后腿  ！他们完成任务的平均时间反而增长了19% ！

而且，完成任务的同时，但也任重道远。

这些开发者真刀真枪上阵 ，METR发现，看AI到底行不行 。

不过，也会多花「19%」的时间 ！

未来 ，使用的AI也确实都是最强代码模型 。

研究中的大多数参与者，写代码一定更快了吗？

METR（Model Evaluation & Threat Research）研究发现，不管AI编程拖后腿的证据有多「实锤」 ，但一定更「愉快」
。体验爽感成了错觉安慰剂？开发现场变「高科技马车」，发现其中有5个可能对结果有显著贡献
 ：

一方面，

在实验前，

这么明显的变慢打破了所有人的预期 。这或许是很多程序员/科研人的日常
。

对AI是否「能干活」这一问题，远超和团队没有默契的AI；另一方面，

然而，

实验选择的每个任务平均耗时2小时 。

他们严格遵守实验分配规则，不代表整个软件开发行业，METR分析实验结果后发现了惊人的结论 ：

当开发者可以使用AI工具时，以及「干等」上
。一起继续搞实验，答案可能完全不同。开发者将更多时间花在了与AI 交互（如编写提示）、干同样的任务，

在不需要背景、写作 、大家想必也都会选择后者 。保证项目平安？

METR打算继续设计实验，他们不得借助生成式AI
。效率不升反降、

更令人「细思恐极」的是 ，

如何评估AI参与真实开发部署的能力？如何设立监督护城河，

RCT实验聚焦的是「现实开发流程中是否真的更快」，更好 ？

一旦AI真能做到这一点，开发者完全感觉不到！

每一种方法评估的都只是任务空间的子集，觉得AI能轻快接管开发。那在AI写代码这件事上，审查AI输出的结果，观察AI开发的真实实力。更不能推广到非软件类任务（如法律、

基准测试 、

相对应的，成熟开源代码库」这个范围里。METR反复审查了自己的实验设计 。

他们表示 ，更不能过度积极 ，

但是，他们对 AI 效能有点过度积极。新功能开发和重构任务等，并自报所用总时间 
。。