Medición de la Capacidad de la IA para Completar Tareas Extensas

Measuring AI Ability to Complete Long Tasks

March 18, 2025

Autores: Thomas Kwa, Ben West, Joel Becker, Amy Deng, Katharyn Garcia, Max Hasin, Sami Jawhar, Megan Kinniment, Nate Rush, Sydney Von Arx, Ryan Bloom, Thomas Broadley, Haoxing Du, Brian Goodrich, Nikola Jurkovic, Luke Harold Miles, Seraphina Nix, Tao Lin, Neev Parikh, David Rein, Lucas Jun Koba Sato, Hjalmar Wijk, Daniel M. Ziegler, Elizabeth Barnes, Lawrence Chan

cs.AI

Resumen

A pesar del rápido progreso en los benchmarks de IA, el significado en el mundo real del rendimiento en estos benchmarks sigue siendo poco claro. Para cuantificar las capacidades de los sistemas de IA en términos de las capacidades humanas, proponemos una nueva métrica: el horizonte temporal de finalización del 50% de las tareas. Este es el tiempo que los humanos suelen tardar en completar tareas que los modelos de IA pueden completar con una tasa de éxito del 50%. Primero cronometramos a humanos con experiencia relevante en una combinación de RE-Bench, HCAST y 66 tareas nuevas más cortas. En estas tareas, los modelos de IA de vanguardia actuales, como Claude 3.7 Sonnet, tienen un horizonte temporal del 50% de alrededor de 50 minutos. Además, el horizonte temporal de la IA de vanguardia se ha duplicado aproximadamente cada siete meses desde 2019, aunque la tendencia puede haberse acelerado en 2024. El aumento en los horizontes temporales de los modelos de IA parece estar impulsado principalmente por una mayor confiabilidad y capacidad para adaptarse a los errores, combinado con mejores capacidades de razonamiento lógico y uso de herramientas. Discutimos las limitaciones de nuestros resultados, incluido su grado de validez externa, y las implicaciones del aumento de la autonomía para capacidades peligrosas. Si estos resultados se generalizan a tareas de software del mundo real, la extrapolación de esta tendencia predice que, dentro de 5 años, los sistemas de IA serán capaces de automatizar muchas tareas de software que actualmente llevan un mes a los humanos.

English

Despite rapid progress on AI benchmarks, the real-world meaning of benchmark performance remains unclear. To quantify the capabilities of AI systems in terms of human capabilities, we propose a new metric: 50%-task-completion time horizon. This is the time humans typically take to complete tasks that AI models can complete with 50% success rate. We first timed humans with relevant domain expertise on a combination of RE-Bench, HCAST, and 66 novel shorter tasks. On these tasks, current frontier AI models such as Claude 3.7 Sonnet have a 50% time horizon of around 50 minutes. Furthermore, frontier AI time horizon has been doubling approximately every seven months since 2019, though the trend may have accelerated in 2024. The increase in AI models' time horizons seems to be primarily driven by greater reliability and ability to adapt to mistakes, combined with better logical reasoning and tool use capabilities. We discuss the limitations of our results -- including their degree of external validity -- and the implications of increased autonomy for dangerous capabilities. If these results generalize to real-world software tasks, extrapolation of this trend predicts that within 5 years, AI systems will be capable of automating many software tasks that currently take humans a month.