Medindo a Capacidade da IA para Concluir Tarefas Longas

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

Resumo

Apesar do rápido progresso em benchmarks de IA, o significado real do desempenho em benchmarks permanece incerto. Para quantificar as capacidades dos sistemas de IA em termos de habilidades humanas, propomos uma nova métrica: o horizonte de tempo para conclusão de 50% das tarefas. Este é o tempo que os humanos normalmente levam para concluir tarefas que os modelos de IA conseguem completar com uma taxa de sucesso de 50%. Primeiro, cronometramos humanos com expertise relevante em uma combinação de RE-Bench, HCAST e 66 novas tarefas mais curtas. Nessas tarefas, os modelos de IA de ponta atuais, como o Claude 3.7 Sonnet, têm um horizonte de tempo de 50% de aproximadamente 50 minutos. Além disso, o horizonte de tempo da IA de ponta tem dobrado aproximadamente a cada sete meses desde 2019, embora a tendência possa ter se acelerado em 2024. O aumento nos horizontes de tempo dos modelos de IA parece ser impulsionado principalmente por maior confiabilidade e capacidade de se adaptar a erros, combinados com melhor raciocínio lógico e habilidades de uso de ferramentas. Discutimos as limitações de nossos resultados — incluindo seu grau de validade externa — e as implicações do aumento da autonomia para capacidades perigosas. Se esses resultados se generalizarem para tarefas de software do mundo real, a extrapolação dessa tendência prevê que, em cinco anos, os sistemas de IA serão capazes de automatizar muitas tarefas de software que atualmente levam um mês para serem concluídas por 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.