Palisade Research 的 Jeff Ladish：别看 40 个基准测试，看 agent 能否真的干完活

Palisade Research 的 Jeff Ladish 认为，衡量 AI 能力的关键不是 40 个基准测试，而是 agent 能否自主完成有经济价值的真实工作。他的转折点发生在 Anthropic 今年 6 月发布的 Fable 模型前后：从偶尔使用 agent 变成每天都在用。他提到 METR 采取让软件工程师执行长周期任务的评估方式，比基准分数更能反映真实能力。他希望回归用真实工作检验 AI 自主完成任务的模式。