METR 发布 RE-Bench：对比语言模型智能体与人类专家的 AI 研发能力
Evaluating frontier AI R&D capabilities of language model agents against human experts
AI 导读METR 发布 RE-Bench 基准，用 7 个 ML 研究工程环境衡量人类专家与前沿模型智能体的表现，并公开 71 次人类专家尝试及 Claude 3.5 Sonnet 和 o1-preview 的全部运行转录。
来源：METR：Research · metr.org
事件后续1
查看事件全部- METR 发布 RE-Bench：对比语言模型智能体与人类专家的 AI 研发能力METR：Research · 11 月 22 日