METR 说任务时长还在每 3.6 个月翻倍,可这把尺子自己快不够用了
11 月 20 日 METR 发布能力更新:任务时长还在每 3.61 个月翻倍。但新题库是重造的、人类基线只有 9% 是实测、27…
11 月 20 日 METR 发布能力更新:任务时长还在每 3.61 个月翻倍。但新题库是重造的、人类基线只有 9% 是实测、27…
保价只写「30 天」的,最后都在客服台前吵架。这篇讲承诺必须填满的五个空格、起算时点怎么定才不会被拖成无限期、比价对象和差额公式怎…
11 月 16 到 20 日三件事:Meta 的 Muse 把别人的银行余额说给了员工、苹果招人做能操作电脑的 Agent、Goo…
达人和 KOC 发出去的内容,法律上算谁的?这篇讲三个身份怎么分、四个责任人的审核权在哪、可识别性怎么才算显著、佣金结构怎么决定话…
11 月 19 到 20 日两天,LangChain 的工具网关、微软的 Agent 身份、Stripe 的动钱规则、Eclips…
公积金基数一年只定一次,定错了后面十一个月全错。这篇讲基数的三个口径、上下限怎么按年生效、七类人各不相同的算法,附三张表做差集、五…
同一模型换一个壳,每任务成本差 1.8 到 5 倍,通过率几乎没变——Runta 联合 Baseten 跑了 2.7 万次、830…
进口商品的标签不是营销素材,是准入条件,少一项就不合格。这篇把中文标签拆成三件事:按品类分表、带依据与生效日期的必填项清单,四个来…
把算力预算对齐之后,多 Agent 平均准确率低 0.042,74% 的对照持平或更差。这篇梳理这项统合分析的 PACE 四级基准…
直播出事的往往不是话术稿,是主播临场加的那一句。这篇把直播合规拆成三件事:话术卡分必读、禁说、可发挥三级,价格与赠品数字不许口算,…