ca. 12 t @ 50 %→ca. 1,5 t @ 80 %
8× korterePunktestimater for samme offentlige frontierkohort.
BESLUTNINGSVISNING / AGENTER
Horisont er et pålitelighetsvalg
Den samme frontierkohorten ser radikalt forskjellig ut ved 50 og 80 prosent suksess. Suitedekningen setter en hard fortolkningsgrense.
OBSERVASJONca. 1,5 tOffentlig frontier ved 80 % suksess
HVORDAN DEN SKAPER VERDIVelg pålitelighetsnivå før du tolker autonomi, og stopp når benchmarkens lange oppgaver ikke lenger bærer estimatet.
Det strengere målet er ofte mer beslutningsrelevant enn P50.
HORISONTPLOTT / USIKKERHET + RELIABILITET
Pålitelighet komprimerer den brukbare horisonten
Punktet er modellert horisont; streken er kildeintervallet. Logaritmisk x-akse gjør 50 minutter og 61 timer lesbare i samme plot.
Opus 4.5: 320 min→Frontierkohort: ca. 720 min
ulike vurderingerVises som kontekst, ikke som ren modelltrend.
Hvor langt ved myntkast-pålitelighet?
Offentlig frontier ligger rundt 12 timer, men intervallet er 5–61 timer og går inn i metningsområdet.
Offentlig frontier, 50 % · Kohortresultat, bred usikkerhet.
Hvor langt ved høyere pålitelighet?
Punktestimatet faller til ca. 1,5 timer med intervall 50 minutter–2 timer 40 minutter.
Offentlig frontier, 80 % · Strengere suksesskrav.
Hvor mye betyr suksesskravet?
De avrundede P50- og P80-punktestimatene skiller åtte ganger.
P50/P80 punktestimat · 720 / 90 ekspertminutter.
Hvor mye langt arbeid finnes i målegrunnlaget?
31 av 228 oppgaver er 8+ timer; bare fem av hele suiten er lange oppgaver med menneskelig baseline.
TH1.1 task suite · 31 er 8+ timer; fem har menneskelig baseline.
Langoppgavedekning · Andel 8t+ / andel 8t+ med menneskelig baseline.
Når bør tallet ikke brukes?
METR markerer horisonter over 16 timer som upålitelige med dagens suite.
Målegrense · Kildeoppgitt begrensning.
- Hentet
- 2026-08-12
- Data
- 2026-01-29
- Lisens
- Cited public research release; analysis repository license applies to its code/data
Public, task-suite-specific agent horizon estimates; this module records only stated values, not a copied raw dataset.
Åpne originalkilde ↗- Hentet
- 2026-08-12
- Data
- 2026-05-08
- Lisens
- Cited public web source; repository license applies separately
Defines time horizon and explicitly marks estimates above 16 hours unreliable in the current suite.
Åpne originalkilde ↗- Hentet
- 2026-08-12
- Data
- 2026-03-31
- Lisens
- Cited public research report
Cohort-level public-frontier TH1.1 results at 50% and 80% reliability; saturation and wide intervals are material limitations.
Åpne originalkilde ↗ETTERPRØVBART GRUNNLAG / 7 PÅSTANDERÅpne grunnlag +
Påstander, beregninger, kilder og kjente grenser for denne visningen. Kildedata og dashboardtolkning holdes adskilt.
METR TH1.1 rapporterer 320 minutter [170–729] for Claude Opus 4.5 ved modellert 50 % suksess.
- Spesifikk modell, suite og agentoppsett.
agent-horizon/claim/opus-p50METRs vurdering for februar–mars 2026 setter offentlig frontier til omtrent 12 timer [5–61] ved 50 % suksess.
- Kohortestimat med bredt intervall og suite nær metning.
agent-horizon/claim/public-frontier-p50Samme METR-vurdering setter offentlig frontier til omtrent 1,5 timer [50 minutter–2 timer 40 minutter] ved 80 % suksess.
- Kohortestimat, ikke navngitt modellrangering.
agent-horizon/claim/public-frontier-p80Punktestimatet for offentlig frontier er åtte ganger lengre ved 50 % enn ved 80 % suksess, noe som viser sterk følsomhet for pålitelighetskravet.
BEREGNING
12 hours / 1.5 hours = 8- Forholdet bruker avrundede punktestimater; intervallene er brede.
agent-horizon/claim/reliability-gapTH1.1 har 228 oppgaver, hvorav 31 er estimert til å ta minst åtte timer og fem av disse har menneskelig baseline.
- Ikke representativ arbeidsmarkedsfordeling.
agent-horizon/claim/suite-coverageBare 13,6 % av TH1.1-oppgavene er åtte timer eller lengre, og 2,2 % av hele suiten er slike oppgaver med menneskelig baseline.
BEREGNING
31 / 228 = 13.6%; 5 / 228 = 2.2%- Oppgaveantall sier ikke noe om representativitet eller kvalitet.
agent-horizon/claim/long-task-coverageMETR markerer anslag over 16 timer som upålitelige med dagens task suite.
METR: Task-Completion Time Horizons of Frontier AI Models ↗METR: Frontier Risk Report: February to March 2026 ↗1 målepunkt1 kildefakta
- Ikke et utsagn om faktisk maksimal autonomi.
agent-horizon/claim/long-task-limitSPORBAR FAKTALOGG / 5 KILDEFAKTAÅpne logg +
agent-horizon/fact/metr/opus-4-5-p50Claude Opus 4.5 TH1.1 P50
METR · Changes to Model Horizon Estimates tableagent-horizon/fact/metr/suiteTH1.1 task suite
METR · Task suite descriptionagent-horizon/fact/metr/public-frontier-p50Public frontier TH1.1 P50
METR · Table 1: public frontier Feb–Mar 2026agent-horizon/fact/metr/public-frontier-p80Public frontier TH1.1 P80
METR · Table 1: public frontier Feb–Mar 2026agent-horizon/fact/metr/limitLong task reliability boundary
METR · Methodological DetailsFORTOLKNINGSGRENSE
Frontierkohorten er ikke en navngitt modellrangering.
Intervallene er brede og metning påvirker P50.
Programvareoppgaver kan ikke generaliseres direkte til vanlig kunnskapsarbeid.
MODULSTATUSSPARSE
Offentlig frontier: ca. 12 t ved 50 % suksess, men ca. 1,5 t ved 80 %