MSD / Methodik / RESEARCH EDITION

Neue Werkzeuge, neue Auswahlverzerrung

METR opisuje kolejny eksperyment przeprowadzony w lutym 2026 r. Dowody na szybszą pracę są trudne do interpretacji ze względu na dobór uczestników i zadań oraz problemy z pomiarem czasu.

Jetzt eintauchen ↓RECHERCHESTAND 12.11.2026 · FAKTEN + EINORDNUNG + SZENARIEN

RESEARCH NOTE / 2026Methodik

KI & Agenten

Badania zewnętrzne · Klasyfikacja MSD
Keine Behauptung eines eigenen Versuchs.

01 / EINORDNUNG

Co oznacza to odkrycie.

Grenzen des Nachweises

Autorzy uważają silniejsze przyspieszenie za prawdopodobne, ale dane dotyczące wielkości efektu określają jako słaby dowód.

Nasze wyprowadzenie dla operacji pilotażowej

Odnów projekt eksperymentalny po skokach technicznych. Każdy, kto odrzuca pewne zadania bez AI, zmienia badaną próbkę.

To wyprowadzenie jest rekomendacją redakcyjną MSD. Nie jest to kolejny wynik cytowanego badania.

Źródło i wersja

METR · Methodenupdate 24.02.2026 · Publikations-/Bezugsjahr 2026. Recherchiert am 12.11.2026.

Przeczytaj główne źródło ↗

Badania zewnętrzne, a nie referencje z projektu dla klienta MSD. Własne eksperymenty opublikujemy wyłącznie z opisem konfiguracji, datą, wynikami pomiarów i udokumentowanymi nieudanymi próbami.

02 / LINKI

Myśl przyszłościowo. Sprawdzaj dalej.

Sztuczna inteligencja i agenci / Ustalenia licznikowe / 2025

Kiedy sztuczna inteligencja przedłuża pracę: kontrofensywa METR ↗

W randomizowanym badaniu z udziałem 16 doświadczonych programistów i 246 zadań narzędzia AI z początku 2025 r. wydłużyły czas realizacji o 19%. Zaangażowani ocenili płynące z nich korzyści jako znacznie korzystniejsze.

METR · Randomizowane badanie

KI & Agenten / Grundlage / 2017

Uwaga: Język można przetwarzać równolegle ↗

W artykule Transformer przedstawiono architekturę przetwarzania sekwencji opartą na uwadze. Jest to metodologiczny element konstrukcyjny późniejszych modeli językowych i multimodalnych.

Vaswani et al. · Attention Is All You Need

Sztuczna inteligencja i agenci / Badania / 2022

ReAct łączy planowanie językowe i działanie ↗

ReAct bada, w jaki sposób modele językowe mogą łączyć kroki pośrednie z działaniami w środowisku. Narzędzia dostarczają nowych obserwacji potrzebnych do dalszych kroków.

Yao et al. · ReAct