Ethan Mollick

再次，@SemiAnalysis_ 在这里做了一些有价值的事情，你可以看到为什么专家级工作的基准测试是如此难以实现。我认为在许多其他主要基准测试（ARC-AGI、GDPval、METR 长任务）已经完全饱和的时期，这非常有用。