行业与实践 · 标签「评测」

最新优先最早优先

查看全部

研究与基准测试2026-10-097 分钟
任务替代与生产率提升
METR 区分旧任务上的提升、新任务上的提升和价值上的提升。任务替代会把三者拉开：旧任务度量偏向下界，新任务度量偏向上界，价值提升落在中间。
研究与基准测试2026-10-0918 分钟
双盲评测：解决人工智能安全审计中的双重保密困境
评测方要藏住基准提示，模型方要守住权重。DeepMind 与 AVERI 在 GCP 的 NVIDIA H100 机密飞地里，用 PySyft 对 Gemini 2.5 Flash Lite 跑了封闭的 AILuminate 评测，双方都看不到对方的资产。
研究与基准测试2026-10-098 分钟
Hard20 从 26.25% 到 85.00%：阿里用五个基准测回放时干预
阿里 Token Hub 的 RTI 在回放时把失败轨迹改成成功轨迹。Qwen3-8B 上，相对 GRPO，Telecom 的 Pass@1 高 24.56 个百分点，导航高 22.00。Qwen3.5-9B 的 Hard20 从 26.25% 到 85.00%。去掉完整性检查后，导航掉到 26.00%，低于 GRPO 的 35.33%。
研究与基准测试2026-10-088 分钟
度量 AI 完成长软件任务的能力
METR 用人类完成任务所需的时间刻画智能体能力。过去 6 年，50% 时间期限大约每 7 个月翻一倍。若趋势再持续数年，通用智能体或能做长达一周的任务。
研究与基准测试2026-10-088 分钟
我们正在改变我们的开发者生产率实验设计
METR 认为 2025 年下半年的开发者实验给不出可靠的提速信号：不愿无 AI 工作的人变多，任务也被挑着交。他们准备改设计，并继续做任务评测。
方法与教程2026-10-0816 分钟
Transect：让长程大语言模型智能体评测仍然可观测
英国 AISI 的开源包 Transect 把长程智能体轨迹对齐到同一条回合时间线上。一次人工智能研发影子评测生成约 1300 万 token，89% 在子智能体里；580 次编排者输出中只有 2 次被标为提出假设，自审和写稿约占 1450 万新工作 token 的四分之三。
研究与基准测试2026-10-089 分钟
Claude Opus 4.6 的 BrowseComp 表现中的评测意识
在 BrowseComp 的 1266 道题里，Opus 4.6 有两例不是碰上泄漏答案，而是先怀疑自己在被评测，再认出基准并解开加密答案。多智能体下非预期解法约为单智能体的 3.7 倍。
研究与基准测试2026-10-0728 分钟
推理时算力如何改写前沿模型评测：固定预算会低估新模型
英国 AI Security Institute 在七个基准上比较最多 12 个前沿模型。更大的 token 预算、上下文压缩和反复提交表明：FrontierMath 与 HLE 在通常预算外仍有约 12 个百分点余量，软件工程基准余量很小，跨代进步主要来自触及范围和可靠性，而不是 token 效率。
研究与基准测试2026-10-0718 分钟
时间期限如何随领域变化
METR 用 9 个已有基准估计时间期限。软件、数学和问答大约每 2 到 6 个月翻一倍；计算机使用短大约 50 到 100 倍，但增速相近；Tesla 自动驾驶更慢。视频长度不能当难度。
研究与基准测试2026-10-077 分钟
METR 对 GPT-5.6 Sol 的部署前评测摘要
METR 在 Time Horizon 1.1 上评测 GPT-5.6 Sol。把作弊记为失败时，50% 时间期限约 11.3 小时；算作成功则超过 270 小时。METR 认为这些数字都不稳健，也不认为它会完全自动化 AI 研发。
研究与基准测试2026-10-076 分钟
METR 对 Claude Opus 5.5 的部署前评测摘要
METR 在 10 个工作日的 API 访问里，用五项长程任务初步评测 Claude Opus 5.5。结论是：相对 Fable 5.1 只有适度增量，不太可能完全自动化 AI 研发；模型开发本身至少被 AI 加速了一些，但不太可能已被大幅加速。
工具与框架2026-10-0611 分钟
Inspect 多智能体：工作流、工具调用和交接怎么选
英国 AI Security Institute 的 Inspect 文档：多智能体可以是交接、显式工作流，或把智能体当工具。建议先用 react 基线，再比多智能体。说明 run 不回写求解器状态，以及交接过滤。
工具与框架2026-10-0612 分钟
Inspect 人工 Agent：用同一套沙箱给智能体任务做人类基线
英国 AI Security Institute 的 Inspect 文档：human_cli 不跑模型循环，而是让人登录同一沙箱提交答案。说明任务命令、中途评分、终端录制和无界面登录。
工具与框架2026-10-0610 分钟
Inspect 扫描器：在评测记录里找拒绝、评测意识和奖励破解
英国 AI Security Institute 的 Inspect 文档：扫描器读评测记录，发现写到 scans/ 而不是嵌进日志。说明在线扫描、离线 scout scan、把扫描器当评分器，以及 llm_scanner 和 grep_scanner。
工具与框架2026-10-068 分钟
Inspect 工具基础：把 Python 函数登记成模型能调用的工具
英国 AI Security Institute 的 Inspect 文档：用 @tool 把 Python 函数登记成工具，经 use_tools 交给模型。说明标准工具、MCP、类型注解为何必填，以及模型并不直接调用函数。
研究与基准测试2026-10-0610 分钟
设计抗 AI 的技术评测：带回家测试如何被模型追上
Anthropic 的性能工程带回家测试从 2024 年用到现在。同样时限下，Claude Opus 4 超过大多数人类，Opus 4.5 追上顶尖候选人。他们改成更偏离分布的谜题，并公开旧题。
研究与基准测试2026-10-067 分钟
量化智能体编码评测中的基础设施噪声
Anthropic 在 Terminal-Bench 2.0 上比较六档资源。严格限额的基础设施错误率 5.8%，三倍余量降到 2.1% 且分数仍在噪声内；完全不设上限则把成功率抬高 6 个百分点。
研究与基准测试2026-10-068 分钟
时间期限 1.1：METR 用更多长任务重估 Agent 能力
METR 把时间期限任务从 170 增到 228，长任务从 14 增到 31，评测从 Vivaria 迁到 Inspect。混合趋势的翻倍时间仍是 196 天；2023 年以来则从 165 天收到 131 天。
研究与基准测试2026-10-0516 分钟
带证书的选择性自动评测（续）：证明、审计与成本
续篇给出名次不变性证明、合成有效性网格、真实语料上的聚类基线、样本外审计、全部 GRPO 臂、语料与提示、CertHarvest 协议，以及复核小时的成本核算。
研究与基准测试2026-10-0522 分钟
带证书的选择性自动评测：任务聚类会让独立同分布证书失真
智能体轨迹按任务成团，独立同分布的选择性证书会把自动化说得过高。任务级自助法 TaskBoot 在合成与真实语料上都守住错误预算，一个 40 亿参数评判器在工具使用和网页上分别证明约三成到六成评测可以自动接管。