Import AI 466：ロボティクスの教訓と長期間タスク、OpenAI のハッカー

記事の3ポイント

1. 1

   MirrorCode ベンチマークの公開と目的

   Epoch と METR は、AI システムがソースコードやウェブアクセスなしに CLI のみから大規模プログラムを再実装する能力を測るベンチマーク「MirrorCode」を正式にリリースした。

2. 2

   最新モデルの驚異的なパフォーマンス

   Claude Opus 4.7 は、人間が数週間から数ヶ月を要すると推定されるタスクを14時間で完了し、推論コストは251ドルに抑えることに成功した。

3. 3

   AI の時間的進化と課題の残存

   1年前のモデルが約30%のスコアだったのに対し最新モデルは大幅に向上したが、ruff や giac_subset といった特定の分野では依然として完全な解決に至らないケースが残っている。