Myslím, že je pravděpodobně příliš velký důraz kladen na měření dlouhých úkolů METR jako na známku pokroku AI... ... Ale na tom nezáleží. S trochou pomoci od GPT-5.2 Pro jsem vypočítal korelace mezi logem (METR) a dalšími klíčovými benchmarky a v podstatě všechny velmi dobře korelují

Ještě jednou děkuji @EpochAIResearch za to, že zpřístupnil tolik benchmarkových skóre veřejně.