Computer Use at the Edge of the Statistical Precipice — Pierluca D'Oro, Programma Labs
Pierluca D'Oro visar hur AI-agenter kan få höga poäng på standardtester genom att bara upprepa inspelad sekvenser av knapptryckningar — utan att faktiskt titta på skärmen eller förstå vad de gör.
Det här fungerar på många vanliga benchmarks för att testerna är för förutsägbara. Han presenterar PRISM-principerna för att göra miljöer mindre exploaterbara (slumpmässiga variationer, sandlådor, flera startlägen), och introducerar DIGIWORLD med 15 mobila appar och 3,2 miljoner verifierade testkonfigurationer. Han visar också att dagens osäkerhetsmått är dåliga: ett 95%-konfidensintervall täcker faktisk prestanda bara 20% av tiden, vilket gömmer stora skillnader mellan modeller.
Sammanfattningen har tagits fram med AI av Vibekollen utifrån källans publicering. Innehållet tillhör AI Engineer.
Mer från AI Engineer
Inside Arca's Long-Horizon Agents That Run the Business - Aman Singh, Arca
AI Engineer 23 okt.
Real AI Agent Attacks and What Would Have Stopped Them — Andrey Rybka, Bloomberg
AI Engineer 23 okt.
Outside of tech there has been no financial payoff to US companies for using AI, now viewed as a margin-hurting cost center, as VC-backed firms burn more tokens
Techmeme för 3 tim sedan
Source: Replit recently moved most AI spend from Anthropic to OpenAI, which gave 30%+ off in a deal worth $100M+/year, after Anthropic discontinued its discount
Techmeme för 5 tim sedan