新智元報道

編輯：Aeneas 好困

【新智元導(dǎo)讀】史上最強(qiáng)模型Claude Opus 4.5發(fā)布后，全面碾壓了人類頂尖工程師，逼得Anthropic不得不被迫放棄招聘筆試！現(xiàn)在，內(nèi)部考題已經(jīng)全面開源了。

就在剛剛，人類程序員最后的堡壘崩塌了。

曾經(jīng)，Anthropic為自己應(yīng)聘者準(zhǔn)備了一份出了名困難的考題，讓他們在家完成。

這份考題一直效果不錯，直到Claude Opus 4.5的出現(xiàn)。

有了這個史上最強(qiáng)模型的加持，人類應(yīng)聘者輕松做出各種考題，因而這份考卷也就失效了。

今天，因?yàn)闊o法再通過傳統(tǒng)技術(shù)筆試篩選人才，Anthropic被迫開源了舊版試題，并且向全世界求助：有沒有辦法，讓我們真正測試出人類的編程能力？

作為告別，Anthropic選擇將把最初版本的測試題發(fā)布，作為一個面向大眾的公開挑戰(zhàn)。

地址：https://github.com/anthropics/original_performance_takehome

在這個測試題中，候選人需要逐步進(jìn)行多核并行優(yōu)化、SIMD向量化、VLIW指令打包優(yōu)化，并用Perfetto trace做分析。

他們依然相信：在無限時間下，最強(qiáng)人類依然能超越Claude的極限。

同時他們強(qiáng)調(diào)：如果哪個人類能擊敗Claude Opus 4.5，請務(wù)必聯(lián)系A(chǔ)nthropic！

剛剛，Claude Opus 4.5把我們的筆試題秒了

在AI時代，究竟該如何進(jìn)行軟件工程師的面試？

Anthropic在這篇博客里，進(jìn)行了細(xì)致的探索。

博客地址：https://www.anthropic.com/engineering/AI-resistant-technical-evaluations

要知道，曾經(jīng)Anthropic有一套完美的篩選考題。

可隨著AI能力的指數(shù)級提升，今天還能完美區(qū)分菜鳥和大神的試題，明天就可能被新模型秒殺，這套考題就瞬間失去意義了！

比如，自2024年初，他們的性能工程團(tuán)隊一直在用下面這套題：要求候選人為一個模擬加速器優(yōu)化代碼。

這套題在1000多名面試者中，篩出了幾十個最頂尖的工程師。正是這些人，點(diǎn)亮了Anthropic的Trainium集群，發(fā)布了從Claude 3 Opus至今的每一個模型。

結(jié)果，每個新版本的Claude，都在讓這套題失效！

同樣的時間里，Claude Opus 4已經(jīng)優(yōu)于大多數(shù)人類申請者，Anthropic勉強(qiáng)還能篩出最強(qiáng)的人類。

結(jié)果Claude Opus 4.5的橫空出世，直接追平了最強(qiáng)人類天花板！

如果給無限的時間，人類或許還能險勝，但在面試時間限制下，已經(jīng)根本無法區(qū)分誰是頂尖候選人，誰是最強(qiáng)模型了。

為此，Anthropic已經(jīng)把這套題迭代了三個版本，甚至越來越「劍走偏鋒」。

這套測試的誕生

2023年11月，Anthropic正準(zhǔn)備發(fā)布Claude Opus 3。

新的TPU和GPU集群就位，大Trainium集群即將上線，公司在算力上的投入是過去的數(shù)倍，但性能工程師卻嚴(yán)重緊缺。

為此，Anthropic公司績效優(yōu)化團(tuán)隊負(fù)責(zé)人Tristan Hume在Twitter上發(fā)帖求賢，雖然收到了大量簡歷，但標(biāo)準(zhǔn)的面試流程太耗時了。

于是，他花了兩個星期設(shè)計了一個Take-home測試，從而精準(zhǔn)識別出真正硬核的候選人。

設(shè)計初衷

為了做出一個好玩的、能讓候選人興奮的東西，并且能以「高分辨率」掃描他們的技術(shù)實(shí)力，Tristan Hume做了精心設(shè)計。

相比現(xiàn)場面試，這種形式在評估性能工程技能上更有優(yōu)勢：

• 時間更充裕：4小時（后改為2小時）的窗口比50分鐘的面試更能反映真實(shí)工作狀態(tài)。

• 環(huán)境更真實(shí)：沒有面試官盯著，候選人在自己的編輯器里干活，零干擾。

• 深度考察：性能優(yōu)化需要理解系統(tǒng)、造工具，這在短面試?yán)锖茈y體現(xiàn)。

• 兼容AI輔助：明確允許使用AI。因?yàn)閷τ陂L線難題，AI很難直接給出完美解。

另外，Tristan還構(gòu)建了一個Python模擬器，模擬了一個具有TPU特征的假加速器。

候選人需要優(yōu)化在這臺機(jī)器上運(yùn)行的代碼，并通過一個支持熱重載的Perfetto trace來觀察執(zhí)行過程，該trace會展示每一條指令，效果類似公司在Trainium上使用的工具鏈。

這臺模擬機(jī)器包含了一些讓加速器優(yōu)化變得很有挑戰(zhàn)性的特性，包括：

• 手動管理的scratchpad內(nèi)存（不同于CPU，加速器通常需要顯式進(jìn)行內(nèi)存管理）

• VLIW架構(gòu)（每個周期可以并行運(yùn)行多個執(zhí)行單元，需要高效地進(jìn)行指令打包）

• SIMD（一條指令同時對多個數(shù)據(jù)元素進(jìn)行向量化運(yùn)算）

• 多核架構(gòu)（需要將工作負(fù)載合理地分配到多個核心上）

這些硬核要素，都讓底層優(yōu)化變得更有趣。

這個任務(wù)是一個并行的樹遍歷問題，刻意設(shè)計成不帶深度學(xué)習(xí)背景的形式，因?yàn)榇蠖鄶?shù)性能工程師并沒有做過深度學(xué)習(xí)工作，具體知識可以在入職后再學(xué)習(xí)。

該問題的靈感來自于無分支的SIMD決策樹推理——這是一個經(jīng)典的機(jī)器學(xué)習(xí)優(yōu)化挑戰(zhàn)。

候選人一開始拿到的是一個完全串行的實(shí)現(xiàn)，需要逐步挖掘并利用這臺機(jī)器的并行能力。

早期戰(zhàn)果：它曾完美工作

最初的效果非常好。

一位得分遙遙領(lǐng)先的候選人入職后，立即開始優(yōu)化算子，并解決了一個阻礙發(fā)布的編譯器Bug。

在之后的一年半里，這套題幫忙組建了核心團(tuán)隊，甚至發(fā)掘了幾位本科剛畢業(yè)但實(shí)力超群的天才。

許多候選人甚至因?yàn)橛X得太好玩，在超時后還在繼續(xù)優(yōu)化。最強(qiáng)的一份提交，甚至包含了一個完整的迷你優(yōu)化編譯器。

第一輪崩潰：Claude Opus 4進(jìn)場

到了25年5月，Claude 3.7 Sonnet已經(jīng)進(jìn)化到讓一半的候選人只要把題丟給它，就能拿高分。

隨后，Tristan用Claude Opus 4的預(yù)發(fā)布版本試了一下。結(jié)果令人絕望：在4小時內(nèi)，它的代碼比幾乎所有人類都要好。

這并非他第一次被Claude擊敗。早在2023年，Claude 3 Opus和3.5 Sonnet就先后攻破了他們精心準(zhǔn)備的現(xiàn)場面試題。

對于這次崩潰，Tristan做了緊急修復(fù)：既然問題深度不夠，那就加碼。他重寫了啟動代碼，增加了機(jī)器特性的復(fù)雜度，并把時間縮短到2小時。

第二版?zhèn)戎乜疾烨擅畹膬?yōu)化洞察力，而非單純的代碼量。這招奏效了——但是，也只撐了幾個月而已。

第二輪崩潰：Claude Opus 4.5的降維打擊

后來，當(dāng)Tristan拿到Claude Opus 4.5的預(yù)發(fā)布版本時，他眼睜睜看著Claude Code跑了2小時。它像個老練的工程師，先解決了初始瓶頸，搞定了所有常規(guī)微優(yōu)化。

然后它卡住了，遇到了一個看似不可逾越的內(nèi)存帶寬瓶頸——大多數(shù)人類也卡在這里。但當(dāng)他提示「理論極限」時，它思考片刻，竟然找到了那個只有極少數(shù)人類能發(fā)現(xiàn)的巧妙技巧。

最終，它的得分與人類歷史最高紀(jì)錄持平（而那個人類考生還是在重度依賴 Claude 4 的情況下完成的）。

更可怕的是，Anthropic在內(nèi)部的「測試時計算」框架中驗(yàn)證發(fā)現(xiàn)，它不僅能在2小時內(nèi)擊敗人類，甚至隨著思考時間的增加，分?jǐn)?shù)還在不斷上漲。

大麻煩來了：即將發(fā)布的模型，將徹底摧毀公司招聘這個模型開發(fā)者的測試題。所以，他們只能采用這個策略——把工作直接外包給Claude Code。

艱難的抉擇

有人建議禁止AI，但當(dāng)Tristan并未采納。因?yàn)樵谡鎸?shí)工作中，人類就是需要和 AI協(xié)作。

也有人建議提高及格線，但這會導(dǎo)致候選人淪為AI的看客，甚至因跟不上AI的思路而不知所措。

性能工程師的真實(shí)工作其實(shí)更多是艱難的調(diào)試、系統(tǒng)設(shè)計、分析，以及讓AI生成的代碼更優(yōu)雅。這些很難通過客觀測試來考察。

到底該怎樣設(shè)計一個「像真實(shí)工作」的面試題？這個任務(wù)從未如此艱難。

嘗試1：換個題型？被秒殺

首先，Tristan試圖設(shè)計一個更難的內(nèi)核優(yōu)化問題：2D TPU寄存器上的高效數(shù)據(jù)轉(zhuǎn)置，且要避免Bank沖突。這是一個非常棘手的真實(shí)難題。

然而，Claude Opus 4.5發(fā)現(xiàn)了一個他都沒想到的絕佳優(yōu)化路徑：它重寫了整個計算過程，直接繞過了轉(zhuǎn)置的難點(diǎn)。即便他修補(bǔ)了漏洞，Claude Code配合深度思考（Ultrathink）功能，依然能找出修復(fù)Bank沖突的技巧。

這讓他意識到，這類問題在已有代碼庫中太常見，Claude已經(jīng)擁有了海量的訓(xùn)練數(shù)據(jù)「經(jīng)驗(yàn)」。

嘗試2：變得更古怪

既然「真實(shí)」行不通，他只能追求「分布外（Out of distribution）」——即AI沒見過的數(shù)據(jù)。

他想到了Zachtronics的編程解謎游戲。這類游戲使用極度受限的指令集，迫使你用非傳統(tǒng)方式編程。

于是，他設(shè)計了一套全新的測試：使用微小且極度受限的指令集，目標(biāo)是指令數(shù)最小化。沒有可視化工具，沒有調(diào)試器——候選人必須自己造工具（比如讓AI生成調(diào)試器）。

他把這套題丟給Claude Opus 4.5，它終于失敗了。

這套新題效果不錯，分?jǐn)?shù)與候選人的實(shí)際能力高度相關(guān)。但Tristan心中仍有遺憾：他們放棄了原版試題的「真實(shí)感」和「多樣性深度」。

但這或許就是代價。

「真實(shí)感」已經(jīng)成為了奢侈品。原版試題之所以有效，因?yàn)樗褚郧暗墓ぷ�；現(xiàn)在的試題之所以有效，因?yàn)樗M了一個全新的、AI尚未涉足的領(lǐng)域。

公開向人類挑戰(zhàn)：原版測試題開源！

最終，Anthropic宣布：將原版測試題開源。雖然Claude很強(qiáng)，但在無限時間下，人類專家的極限仍高于AI。

目前，Claude的戰(zhàn)績?nèi)缦拢ㄖ芷跀?shù)越低越好）：

• 2164：Claude Opus 4

• 1790：Claude Opus 4.5（隨手一跑）

• 1487：Claude Opus 4.5（11.5小時超長思考后）

• 1363：Claude Opus 4.5（改進(jìn)框架后）

Tristan表示：如果你能優(yōu)化到1487周期以下，擊敗Claude的最佳表現(xiàn)，請一定聯(lián)系他們！

同時，他也歡迎大家通過常規(guī)流程申請，體驗(yàn)一下人類要靠多久才能被攻破的「防Claude」新考題。

參考資料：

https://www.anthropic.com/engineering/AI-resistant-technical-evaluations