Palisade Research：衡量 agent 进步该看真实工作而非跑分

Palisade Research 的 Jeff Ladish 认为，与其看 40 个 AI benchmark，不如看 agent 能否自主完成真实经济价值的工作。他提到自己的 agent 使用频率在 Fable 模型出现前后发生明显变化，从偶尔用变成每天用。他回忆早期 METR 让软件工程师评估 AI 完成长时程任务的方式，并主张回到用真实工作当基准的思路。