งานวิจัย
UK AISI: เบนช์มาร์กมาตรฐานประเมิน AI agent ต่ำกว่าความจริง — ให้โทเคนมากขึ้น ความสามารถพุ่งขึ้นชัด
UK AI Security Institute ชี้ว่าเบนช์มาร์ก agent ที่จำกัดงบโทเคนตายตัวประเมินความสามารถโมเดล 'ต่ำกว่าความจริงอย่างเป็นระบบ' — เมื่อเพิ่มงบจาก 1M เป็น 10M โทเคน อัตราสำเร็จงานเขียนโค้ดพุ่งราว 25% และควรวัดความสามารถเป็น 'เส้นโค้งเทียบกับ compute' ไม่ใช่ตัวเลขเดียว
· อ่าน 6 นาที