BRIDGE：从模型性能预测人类任务完成时间
人工智能
2026-02-10 v1 计算与语言
机器学习
摘要
评估AI系统在真实世界中的能力，需要将基准性能锚定于人类可解释的任务难度度量。现有方法依赖直接的人类任务完成时间标注，成本高昂、噪声大且难以跨基准规模化。在本工作中，我们提出BRIDGE，一个统一的心理测量框架，从模型响应中学习潜在难度尺度并将其锚定于人类任务完成时间。我们采用两参数逻辑项目反应模型（IRT），联合估计潜在任务难度与模型能力。我们展示，潜在任务难度与人类完成时间的对数arithm 呈线性关系，允许仅凭模型性能推断新基准的人类任务完成时间。借助这一对齐方式，我们以人类任务长度预测前沿模型能力，并独立复现METR的指数比例结果，50%可解答任务的时程约每6个月翻倍一次。
引用
@article{arxiv.2602.07267,
title = {BRIDGE: Predicting Human Task Completion Time From Model Performance},
author = {Fengyuan Liu and Jay Gala and Nilaksh and Dzmitry Bahdanau and Siva Reddy and Hugo Larochelle},
journal= {arXiv preprint arXiv:2602.07267},
year = {2026}
}