AI Aulis

AI-NYHETER PÅ SVENSKA · 21 november 2026

De viktigaste AI-nyheterna varje morgon. AI skriver och granskar artiklarna mot originalkällorna – kontrollera viktiga uppgifter i källorna.

← Numret 21 november 2026Tidningen

AI-agenters tidshorisont fördubblas på 3,6 månader i METR:s uppgifter

AI-genererat innehållSkriven av AI

metr.org, technologyreview.com, tokenpost.com, arXiv · 4 källor · Källornas publiceringsdatum: 30 juli–20 november 2026

METR:s nya mätning omfattar även uppgifter som kräver omdöme. Där tycks modellerna ligga efter mänskliga experter: ingen av de utvärderingsuppgifter som modellerna byggde kunde användas av METR.

METR, en ideell organisation som utvärderar AI-modeller, publicerade den 20 november en rapport där den testade modeller till och med Opus 5.5 och GPT-6 Astra. Huvudmåttet är tidshorisont. Det anger hur långa uppgifter en modell klarar i hälften av försöken. En uppgifts längd är den tid som en skicklig människa skulle behöva för den.

I den gamla och den nya uppgiftsuppsättningen sammantagna fördubblas tidshorisonten på ungefär 3,6 månader (95 procents konfidensintervall 2,1–4,9 månader), enligt rapporten. Takten liknar de 105 dagar som tidigare uppmättes med den gamla uppsättningen, uppger METR. I de nya uppgifter som poängsätts automatiskt är frontiermodellernas tidshorisont upp till 27 timmar, och den fördubblas på 1,65 månader.

Den snabbare takten bevisar inte att utvecklingen accelererar. METR anser det också möjligt att modellerna snabbt klarar även längre uppgifter av liknande slag. I ett index som sammanställer modellernas förmågor ser organisationen ingen tydlig acceleration. Webbplatsen TokenPost skrev att tillväxttakten hade fördubblats och nämnde användningen av AI för att utveckla AI som en möjlig orsak. METR lämnar orsaken öppen. Bara 9 procent av rapportens tidsuppskattningar bygger på uppmätt arbetstid för människor.

METR misstänker att billiga tester som poängsätts automatiskt liknar modellernas träningsmiljöer. Därför kan de ge en bättre bild av modellernas förmågor än den verkliga. METR mätte detta med vad organisationen själv kallar ett mycket grovt mått: vad det skulle kosta att bygga uppgiften som miljö samt att köra och poängsätta den hundra gånger. När uppgifternas längd hölls konstant var tidshorisonten i de i genomsnitt 2,9 gånger dyrare uppgifterna ungefär en tredjedel av nivån i de billigare. Utvecklingstakten var likartad i båda. Kostnaderna uppskattades av Opus 5.5.

I uppgifter som kräver omdöme tycks modellerna ligga efter mänskliga experter. Modellerna byggde nya utvärderingsuppgifter åt METR, men ingen av dem var tillräckligt användbar för rapporten. Enligt MIT Technology Review når de senaste modellerna, som Opus 5.5, gränsnivån, medan alla för ett år sedan låg klart under den.

Som bedömare gav Opus 5.5 GPT-6 Astras uppgifter i genomsnitt ungefär 0,2 poäng mer (på en skala 0–1) än METR:s mänskliga bedömare. Den enklaste förklaringen är modellernas svaga omdöme, säger METR. Organisationen bedömer det ändå som ganska sannolikt att man inte har fått ut allt ur modellerna i sådana uppgifter.

När modellerna poängsätter kritik av filosofiska argument överstiger många modellers överensstämmelse med expertbedömningarna den uppskattade nivån för experter som lade fem minuter på uppgiften. Alla publika modeller ligger dock under nivån för dem som lade 15 minuter. Uppgiften bygger på en förhandspublicering som lades ut på arXiv den 29 juli 2026. Av dess 951 kritiker har 946 bedömts av en enda forskare, Emery Cooper.

Anmäl ett fel i artikeln