AIがさまざまなタスクで「賢く」なるようになるにつれて、テストはますます難しくなっています。GDPvalの平均的なタスクは専門家が評価するのに1時間かかり、それらのタスクでさえ現在のAIを限界まで追い込むことはできませんでした。

私たちは今も、どのモデルもすべてを支配しない時代に生きています。AIを多く使う人なら、Gemini、Claude、ChatGPTを交互に使うことになります。 それはモデルが特定のスキルを持っているからだけでなく、それぞれがタスクでの有用性に寄与する性格を持っているからです。

ここ数週間の主な教訓は、米国のビッグ4研究所が、少なくとも近い将来においては、LLMの指数関数的な進歩を続けるための道筋を見出したように見えることです。 その結果、エージェントはコーディングやPowerPointのようなオフィス作業で進歩を続けています