90%的工时，AI基准测试根本没测到

你有没有想过，我们一直在盯的AI基准分数，跟真实的工作场景之间隔了多远？Mercor的这项研究给出了一个扎心的答案：美国90%的工时，落在现有AI基准覆盖薄弱的任务上。换句话说，我们评判AI强不强的那套标尺，压根没量到大多数人每天干的那些活。这不是个小瑕疵，这是方向性的偏差——基准越漂亮，幻觉越精致。我越来越确信，如果一个模型在数学竞赛上拿了满分，却搞不定一封需要读懂潜台词的邮件，那它的"智能"含金量就得打折。真正该追的，不是刷分，是覆盖面。

原文：90% of US working hours are spent on tasks not covered well by AI benchmarks · 来源：Hacker News