긴 작업 완료 능력에 대한 AI 측정

Measuring AI Ability to Complete Long Tasks

March 18, 2025

저자: 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

초록

AI 벤치마크에서의 급속한 발전에도 불구하고, 벤치마크 성능의 실제 세계적 의미는 여전히 불분명합니다. 인간의 능력 측면에서 AI 시스템의 역량을 정량화하기 위해, 우리는 새로운 지표를 제안합니다: 50%-작업-완료 시간 지평선. 이는 AI 모델이 50%의 성공률로 완료할 수 있는 작업을 인간이 일반적으로 완료하는 데 걸리는 시간입니다. 우리는 먼저 관련 분야 전문성을 가진 인간이 RE-Bench, HCAST, 그리고 66개의 새로운 짧은 작업 조합을 완료하는 데 걸리는 시간을 측정했습니다. 이러한 작업에서 Claude 3.7 Sonnet과 같은 최첨단 AI 모델의 50% 시간 지평선은 약 50분입니다. 또한, 최첨단 AI의 시간 지평선은 2019년 이후로 약 7개월마다 두 배로 증가해 왔으며, 2024년에는 이 추세가 가속화되었을 가능성이 있습니다. AI 모델의 시간 지평선 증가는 주로 더 높은 신뢰성과 실수에 적응하는 능력, 더 나은 논리적 추론 및 도구 사용 능력에 의해 주도되는 것으로 보입니다. 우리는 결과의 한계 — 외적 타당성의 정도를 포함하여 — 와 증가된 자율성이 위험한 역량에 미치는 영향에 대해 논의합니다. 이러한 결과가 실제 소프트웨어 작업에 일반화된다면, 이 추세를 외삽하면 5년 이내에 AI 시스템이 현재 인간이 한 달이 걸리는 많은 소프트웨어 작업을 자동화할 수 있을 것으로 예측됩니다.

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.