Anthropic 的 Frontier Red Team 与 Andon Labs 合作，让 15 个 AI 模型接管一架真实四旋翼无人机的控制权，并要求它们飞过办公室、找到某个特定的人并跟随其移动。相关结果和任务套件已于周五以 Drone-Bench 之名发布。

评分方式

这项任务被拆解为 五个子任务，其中包括 Reconstruct——将办公室视频转化为三维模型——以及 Localize，即将无人机视角与二维障碍物地图进行匹配。对照基准并不是没有辅助的人类：基准线由 使用编码代理的人机团队 设定。任何“模型与人类表现相当”的说法都曲解了实际测量的内容。

瓶颈在哪里

检测和跟随的表现已达到基准线的 近 100%。到 2026 年中，Reconstruction 仅达到约 47%，而这正是拖住整个任务的瓶颈。表现最强的模型除 reconstruction 外，在每一项子任务上都超过了基准；但即便如此，它平均也只在 五项中的三项上超过基准。

明确的限制

Anthropic 没有回避局限，而是直接公布了这些约束：无人机速度较慢、只有单一办公室平面布局、人员数量有限、没有户外测试，也没有人群场景。受测模型涵盖三家开发者在约两年进展中的 15 个版本。

涉及哪些模型

这 15 个模型跨越了三家开发者约两年的前沿进展，从 GPT-4o 和 o1，一直到 Gemini 2.5 Pro 以及后续的 Claude Opus 版本，再到当前一代。将它们作为时间序列来解读正是重点：检测和跟随已接近饱和，而 reconstruction 几乎没有进展。

治理层面的表态

该团队直接点明了风险：一旦可靠性门槛被跨过，现实中就会出现把人工监督视为成本而非安全保障的压力。