V02 · Từ benchmark đến vận hành
Ngưỡng benchmark time-horizon: thành công một nửa số lần trên bộ tác vụ chuẩn.
Đủ cho tác vụ có người rà soát toàn bộ đầu ra.
Minh họa ngưỡng — bắt đầu đòi hỏi kiểm chứng độc lập và log đầy đủ.
Minh họa ngưỡng — METR nêu chưa thể ước lượng bằng dữ liệu hiện tại; cần ~300 tác vụ rất đa dạng mỗi bucket thời gian.
Nguồn: S11 · Locator: S11 (METR limitations note, 2026-01-22) · Đơn vị: ngưỡng thành công minh họa · Caveat: 95% và 99%+ là minh họa ngưỡng, không phải số đo của một model cụ thể; đo 99% cần ~300 tác vụ đa dạng mỗi bucket thời gian
Xem nguồn:S11
“Model tốt” mới là bậc đầu; quy trình đáng tin nằm ở các bậc trên.
Trích dẫn nguồn: V02 · Từ benchmark đến vận hành — Tổng hợp & trình bày: AI Outlook · trong báo cáo “AI agent có thật sự làm được việc dài hơi?” · (AIO-R08-2026, phiên bản 1) · https://aioutlook.vn/reports/agent-ai-lam-viec-dai-hoi-do-tin-cay
Chia sẻ số liệu này
Mọi liên kết chia sẻ đều trỏ về trang gốc kèm nguồn và mã báo cáo — không cắt ngữ cảnh.
Đọc toàn báo cáo: AI agent có thật sự làm được việc dài hơi?Phiên bản 1 · cập nhật 20/10/2026
/reports/agent-ai-lam-viec-dai-hoi-do-tin-cay