METR 衡量AI完成长任务能力

这项研究介绍了一种评估人工智能代理能力的新方法，即通过时间跨度（Time Horizon）来衡量模型能够独立完成多长时长的任务。研究人员利用 HCAST 和 SWAA 等基准测试，对比了 AI 与资深人类专业人士在网络安全、机器学习和软件工程等领域的表现。数据表明，AI 能够成功处理的任务时长正在迅速增加，其时间跨度大约每 212 天翻一倍。虽然当前顶尖模型（如 o1）在处理复杂或“混乱”环境时仍面临挑战，但其鲁棒性和纠错能力已显著提升。基于目前的增长趋势，该报告预测到 2029 年末，人工智能可能具备独立完成人类一个月工作量的能力。这套量化指标为人工智能治理和预防潜在的灾难性风险提供了重要的科学依据。