o3 时间视界约 110 分钟,但写文献综述无一系统超 31% 分
le_james94 · x · 2026-09-16
该推文(其上一条推文讨论 DeepSeekMath-V2 将验证作为产品)指出 AI 能力测量正分裂为两条线:METR 的评测显示 o3 的 50% 时间视界约相当于 110 分钟人类工作量,大约每 7 个月翻倍;而在 DeepScholar-Bench 上,写一个相关工作章节,没有受测系统的几何平均分超过 31%。作者强调这两个数字都是真实的——能力在不同任务维度上的表现差异巨大。
所属事件:3 周精读斯坦福 CS329A：生成器已跑赢验证器(9 条相关)→
「研究」频道最新
- 小米 MiMo 提出 CodeSpecWeave:用相互依赖规格合成任务训练编程智能体 — XiaomiMiMo · 2026-11-02
- Mistral Large 4 短提示词从零写出量子化学 SCF 求解器并自建 3D 可视化 — MistralAI · 2026-11-02
- 谁把「用 AI 治愈癌症」讲得最具体？2025 年路线图正在成形 — iskander · 2026-11-02
- arXiv 论文证明 SGD 最优步长调度:单调递减的线性衰减是唯一极小极大最优解 — konstmish · 2026-11-02
- Karpathy 的 nanochat:100 美元从零训练出类 ChatGPT,星标近 6 万 — karpathy · 2026-11-02
- 读完 46 份资料后写出 Agent Evals 指南：自评 95 分的评测为何不可信 — blaizedsouza · 2026-11-02