The Clean Paper
Wetenskaplike artikels, helder verduidelik.
Wat die artikel sê. Wat dit nie sê nie. Waarom dit saak maak.
Geen klikaas, geen advertensies, geen hype nie.
Ervare ontwikkelaars het vinniger gevoel met KI terwyl hulle meetbaar stadiger gewerk het — die werklike bevinding, en die uitspraak oor KI-kodering wat dit nie is nie
'n Gerandomiseerde gekontroleerde proef van METR het sestien ervare oopbron-ontwikkelaars 246 werklike take laat voltooi op kodebasisse wat hulle goed geken het, met KI-gereedskap van vroeg 2025 (Cursor Pro plus Claude 3.5/3.7 Sonnet) toegelaat op 'n lukraak gekose helfte. Hulle het verwag KI sou hulle taaktyd met sowat 24% verkort; in plaas daarvan het dit die tyd met 19% verhoog — en agterna het hulle steeds geglo hulle was sowat 20% vinniger. Daardie persepsiegaping is die skerp, robuuste kern van die studie. Maar dit is sestien ontwikkelaars, een nou opset en 'n vaste momentopname van vroeg 2025: die outeurs is uitdruklik daaroor dat die resultaat nie na die meeste ontwikkelaars veralgemeen kan word nie — of KI hulle help, bly oop — en hulle eie opvolg van 2026 wys reeds in die rigting van 'n versnelling, met sy eie voorbehoude.
Werk groot robot-"foundation-modelle" werklik beter? 'n Versigtige antwoord — beskeie ja, en die meeste studies kan nie sê nie
Die Toyota Research Institute het "large behavior models" opgelei — robot-policies vooropgelei op ~1 700 uur uiteenlopende manipulasiedata — en dié teen van-nuuts-af opgeleide eentaak-policies getoets met ongewone strengheid: blinde, gerandomiseerde proewe met groot steekproef (~1 800 werklik, meer as 47 000 in simulasie) met werklike statistiek. Ná finetuning per taak het die groot modelle gemiddeld beter gevaar, ongeveer 3–5× minder taakspesifieke data benodig en was robuuster by verskuiwende toestande; die prestasie het gelykmatig gestyg met meer vooropleidingsdata. Maar sonder finetuning het hulle eentaakmodelle nie konsekwent geklop nie, verskeie effekte was klein genoeg dat net die groot steekproewe hulle onthul het, en 'n alledaagse datanormalisering-keuse het meer getel as die argitektuur. Dit is gematigde steun vir die rigting van die robot-foundation-modelle — geen universele robot, geen zero-shot-generalis, geen "emergente sprong" nie — plus 'n gepunte waarskuwing dat 'n groot deel van die robotika moontlik ruis meet.