SemiAnalysis 专家级工作基准评测的挑战

同样，@SemiAnalysis_ 在这里做着有价值的工作，你也能看出为什么专家级工作的基准测试 incredibly 难做。我认为，在 ARC-AGI、GDPval、METR Long Tasks 等许多其他主流基准测试都已经完全饱和的情况下，这项工作非常有用。