Измерение способности ИИ выполнять длительные задачи

Measuring AI Ability to Complete Long Tasks

March 18, 2025

Авторы: 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

Аннотация

Несмотря на быстрый прогресс в тестировании ИИ, реальное значение результатов тестов остается неясным. Чтобы количественно оценить возможности систем ИИ в сравнении с человеческими, мы предлагаем новый показатель: горизонт времени выполнения задачи с 50%-ной вероятностью. Это время, которое обычно требуется людям для выполнения задач, которые модели ИИ могут выполнить с 50%-ной вероятностью успеха. Мы сначала измерили время, затраченное людьми с соответствующим опытом в области, на комбинации тестов RE-Bench, HCAST и 66 новых более коротких задач. На этих задачах текущие передовые модели ИИ, такие как Claude 3.7 Sonnet, имеют горизонт времени около 50 минут. Более того, горизонт времени передовых моделей ИИ удваивался примерно каждые семь месяцев с 2019 года, хотя в 2024 году эта тенденция, возможно, ускорилась. Увеличение горизонта времени моделей ИИ, по-видимому, в основном обусловлено повышением надежности и способности адаптироваться к ошибкам, а также улучшением логического мышления и навыков использования инструментов. Мы обсуждаем ограничения наших результатов, включая степень их внешней валидности, и последствия увеличения автономности для опасных возможностей. Если эти результаты применимы к реальным задачам в разработке программного обеспечения, экстраполяция этой тенденции предсказывает, что в течение 5 лет системы ИИ смогут автоматизировать многие задачи, которые сейчас занимают у людей месяц.

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.