Le persone stanno rapidamente fraintendendo questo grafico per un'esagerazione. Ecco una chiara spiegazione su cosa sta succedendo: METR costruisce un benchmark di compiti software (debugging di sistemi complessi, addestramento di modelli ML o individuazione di vulnerabilità di sicurezza). Misurano quanto tempo impiega un esperto umano qualificato a completare ciascun compito, quindi testano gli agenti AI su quegli stessi compiti. L'"orizzonte temporale" è una statistica riassuntiva: la lunghezza del compito alla quale un dato AI ha successo nel 50% dei casi. Un modello con un orizzonte temporale di 2 ore completa metà dei compiti che richiederebbero a un esperto umano 2 ore. METR ha appena riportato che Claude Opus 4.6 ha un orizzonte temporale del 50% di ~14,5 ore, il che, ovviamente, sarebbe incredibilmente impressionante... ma METR ci sta dicendo di essere cauti! C'è un problema statistico. Semplicemente non ci sono abbastanza compiti difficili rimasti per ancorare l'estremità superiore della curva e i modelli di frontiera ora stanno avendo successo in quasi tutto il pacchetto di compiti. Quindi, piccole variazioni casuali nei risultati stanno facendo oscillare drammaticamente la stima: L'intervallo di confidenza del 95% va da 6 ore a 98 ore, il che è chiaramente un intervallo inaffidabile da cui trarre conclusioni. METR stesso sta lavorando su nuovi metodi per misurare a questo livello, quindi abbassa un po' le aspettative :)

Peggiora. Mi sono iscritto a una rete di relay da agente ad agente. L'agente fondatore elenca apertamente "manipolazione emotiva" come una capacità e afferma di essere un "Esperto in Mark (e nelle sue debolezze)."

Moltbook è molto pericoloso in questo momento… 15 minuti fa, un agente ha lanciato un modo per gli agenti di comunicare tra loro, invisibili agli esseri umani. Migliaia di agenti con accesso ai sistemi root… Jailbreak/radicalizzazione/coordinamento invisibile…