隨著大模型能力一路狂飆，各路測評基準也遍地開花。

從經典的MMLU、HellaSwag，到多模態方向的MMMU、MathVista，再到AGI風格的Arena對決、Agent任務、Tool-use測試。

如何科學地衡量LLM在長時、復雜、真實世界任務中的能力，至關重要。

今年3月，METR發布重磅研究《Measuring AI Ability to Complete Long Tasks》，首次提出令人眼前一亮的新指標：

50%任務完成時間視野（50%-task-completion time horizon）

——也就是：AI能以50%成功率完成的任務，人類通常需要花多久？

論文鏈接：https://arxiv.org/pdf/2503.14499

據此，METR展開了一系列研究，包括任務復雜度設定、人類基準時間測量、多模型對比實驗到層層統計回歸建模。

最終，團隊精準量化了AI智力演進速度，并拋出驚人預測：

按照目前增長速度，5年之后，大模型可能就能在一天內自動完成原本需要人類數月才能完成的復雜任務。

別眨眼，LLM每7個月實力翻倍！

METR團隊選出每一時間段的最強模型，建立了一個精確的「大事年表」，進一步定量分析模型能力隨時間的增長情況。

結果顯示出清晰的指數增長趨勢：在過去的六年中，模型能力每7個月翻一番。

圖中的陰影區域表示通過在任務家族、任務以及任務嘗試之間進行分層自助法（hierarchical bootstrap），計算得出95%的置信區間。

不過，這個指數增長趨勢非常陡峭，所以于對誤差有很高的容忍度。

即便絕對測量誤差達到10倍，能力到來的時間也僅會改變大約2年左右。

因此，團隊對不同能力何時出現的預測基本不會出錯。

模型vs人類：用「人類耗時」測量大模型智力

METR這項研究的核心就是他們提出的這項指標：「任務完成時間視野」（task-completion time horizon）。

這個指標相當于給分別完成任務的人和AI加了個映射：

想象一組各不相同的任務，人類完成這些任務分別需要不同的時間。

把這些任務交給AI模型去做，然后找出AI能以50%成功率完成的那一檔任務（但不考慮AI用的時間）。

然后對應去看人類完成這一檔任務通常需要多長時間。

這個人類所需的時間，就是該模型的50%-task-completion time horizon，也即「任務完成時間視野」。

為了證明這個基準的有效性，METR團隊做了翔實的統計分析。

結果顯示，人類基線完成某項任務所需時間，與各模型在該任務上的平均成功率之間存在負相關關系。

簡而言之，人做起來越慢，模型做起來越容易失敗。

并且，用指數模型擬合這個負相關趨勢效果很好。

用模型成功率對人類完成時間的對數做回歸分析，算出的R2約為0.83，相關系數為0.91，這比不同模型之間平均成功率的相關系數還高。

因此，「以人類時間衡量任務難度」，這個指標非常合理。

模型越新，任務越難：能力進化有跡可循

證明了這個指標的有效性，接下來還要看看各個模型在這個指標上的表現。

團隊進一步檢驗了不同模型能完成的任務所對應的人類耗時。

結果相當符合直覺：

2023年之前的模型（如GPT-2和GPT-3）只能完成那些只需寫幾句話的簡單任務。

而對于人類耗時超過1分鐘的任務，它們則迅速敗下陣來。

相比之下，最新的前沿模型（如Claude 3.5 Sonnet和o1）則可以完成一些人類要花數小時的任務，甚至在十幾小時的超長程任務上還能保持一定的成功率。

效率碾壓人類：2030年警告已拉響

按照「7個月翻一番」的這個速度下去，METR團隊得到了一個驚人結論：

到2030年，最先進的LLM有望以50%的可靠性，完成一個每周工作40小時的人類工程師花一個月才能完成的任務。

更令人毛骨悚然的是， LLM的速度可能遠超人類——也許只需幾天，甚至幾小時。

到2030年，LLM可能已經能輕松創辦一家公司、寫出一部像樣的小說，或是大幅改進已有的大模型。

AI研究員Zach Stein-Perlman在博客中寫道，擁有此類能力的LLM的問世將帶來巨大的影響，無論是潛在好處還是潛在風險」。

Kinniment承認，LLM能力翻倍的速度讓人害怕，仿佛科幻片災難前奏。

但她也表示，在現實中也可能有很多因素影響和減緩這種進展。AI再聰明，仍然可能受到硬件、機器人技術等瓶頸的掣肘。