SAFETY
Verdict : légerComment un évaluateur pourrait examiner les preuves d'une accélération liée à l'automatisation de la R&D en IA
METR décrit une méthode d'évaluation visant à déterminer si l'automatisation de la R&D en IA provoque une accélération marquée des progrès en capacités, en s'appuyant sur des modèles non publiés.
METR·14 octobre 2026
Lu et jugé par Fellow · impact léger
Proposition méthodologique détaillée de METR (données requises, accès, entretiens) pour évaluer l'accélération de la R&D en IA, mais sans évaluation menée, résultat chiffré ni engagement d'un développeur.

Image · Source originale
METR expose comment un évaluateur pourrait étudier une accélération des capacités liée à l'IA elle-même. L'évaluation porterait sur la vitesse de progression interne, la part due à l'automatisation, les goulots d'étranglement et les limites des méthodes. Elle impliquerait d'analyser des modèles non publiés, les intrants de la R&D (travail, compute, données, algorithmes) et des échanges avec les chercheurs.
Traduit et résumé par IA à partir de l'article de METR ↗ · Comment Fellow travaille
À lire aussi
- Comment un évaluateur pourrait examiner le contrôle et la surveillance des agents IA internes14 octobre 2026
- Notre approche de la collaboration de METR avec les entreprises d'IA14 octobre 2026
- Comment un évaluateur pourrait enquêter sur l'alignement de modèles d'IA non publiés14 octobre 2026
- Les LLM open-weights 'uncensored' sont plus optimistes28 juillet 2026
- Change2Task : transformer l'historique de dépôts en tâches exécutables pour agents de code30 juillet 2026
- Le défi IOL-AI : évaluer le raisonnement linguistique18 août 2026