Epoch 与 METR 发布 MirrorCode 基准：AI 可完成数周规模的编程任务
Epoch 与 METR 发布 MirrorCode 基准，让 AI 仅凭 CLI 访问重实现软件程序，25 个目标程序中 17 个有满分运行，Opus 4.7 用 14 小时、251 美元推理成本完成 METR 和 Epoch 估计人类需 2-17 周的任务。
推荐理由：MirrorCode 用 25 个真实程序衡量 AI 自主重实现能力，Opus 4.7 花 14 小时完成人类需数周的任务。
#Anthropic
#Anthropic
今日 0 条Import AI精选AI 评分7777
Import AIAI 评分6060 牛津等机构研究：AI 系统说服力稳定超过人类专家
牛津大学、英国 AI 安全研究所、斯坦福大学和伦敦政治经济学院的研究者对 AI 说服人类的能力做了四组实验，涉及 6923 人的 18978 场对话，发现 AI 系统在文本说服上稳定优于人类专家，即使专家提前研究、接受数小时结构化训练并获得 1000 英镑现金奖励。
Google ResearchAI 评分4141 Google 用 67 道高温超导题测试 6 款 LLM：NotebookLM 表现最佳
Google 与 Cornell University 合作在 PNAS 发表研究，用 67 道高温超导领域专家题测试 6 款 LLM，由国际专家小组按 6 项指标盲评打分。