METR: Anthropic ИИ R&D кыаҕа уруккуттан ~2× түргэнник үрдүүр
2026 сыл атырдьах ыйын 12 – алтынньы 29 күннэригэр үрдүк киириилээх сыанабылга METR этэринэн, Anthropic үчүгэйдик быһаарыллыбыт соруктарга кыаҕын 2024 кулун тутар – 2025 алтынньы кэмиттэн ~2× түргэнник үрдэтэр; AECI бенчмарк алтынньы 2025-тэн ~1,9× улааппыт.
METR 2026 сыл сэтинньи 5 күнүгэр Anthropic ИИ R&D түргэтиитин үрдүк киириилээх сыанабылын таһаарда: кэмэ атырдьах ыйын 12 – алтынньы 29, 2026. Субъективнайдык METR этэринэн, Anthropic үчүгэйдик быһаарыллыбыт соруктарга кыаҕын 2024 кулун тутар – 2025 алтынньы кэмиттэн ~2× түргэнник үрдэтэр (METR 1,3×–3× диапазонугар сөбүлэһиэн сөп).
Тугу кэмнээбиттэрэ
AECI бенчмарка алтынньы 2025-тэн ~1,9× улааппыт (95% ДИ 1,5–2,8×). METR этэринэн, түргэтии үөрэтии-compute түргэниититтэн кэлбэт. Билиҥҥи түргэтиитин үгүс өттө — ~80%, үрдүк биллибэттик — ИИ көмөтүнэн R&D-ттан кэлиэн сөп дииллэр; өссө сүрүннээн көмө, толору автономнай чинчийии буолбатах. Кэлэр 12 ыйга чуолкай узкай миэстэ көстүбэт, ол эрэн сыанабыл биллибэт.
Хааччахтар
Anthropic толору отчёт (~100 сирэй) ордук иһитиннэриэхтээх дааннайдарын элбэҕин кыһыйбыт. METR түргэтиини аһара эбэтэр намыһах сыаналыан сөбүн уонна үчүгэйдик быһаарыллыбыт соруктарга эрэ сыһыаннаах буолуон сөбүн бэлиэтиир. Бу METR түмүктэрэ, привилегиялаах киирииттэн, аһаҕас сыанабыл буолбатах.