השאלה "כמה מהר המודלים משתפרים" ניתנת למדידה, ולפי דוח מדד ה-AI של אוניברסיטת סטנפורד ממהדורת 2026 הקצב מהיר במיוחד.
שתי דוגמאות מאותו דוח ממחישות זאת. במבחן OSWorld, שבודק יכולת של סוכני AI לבצע משימות מחשב במערכות הפעלה שונות, הדיוק עלה מכ-12 אחוזים לכ-66.3 אחוזים בתוך שנה — כשש נקודות אחוז מתחת לביצועי אדם. ובמבחן Humanity's Last Exam, שנבנה במפורש כדי להיות קשה למכונות ונוח למומחים אנושיים, הוסיפו המודלים החזיתיים 30 נקודות אחוז בשנה אחת.
דוגמה שלישית מאותה מהדורה נוגעת לתכנות: הביצועים במבחן SWE-bench Verified, שמעמיד מודלים מול תקלות אמיתיות במאגרי קוד, עלו מכ-60 אחוזים לקרוב למאה אחוזים בתוך שנה אחת. שלוש קפיצות כאלה, בשלושה סוגי משימות שונים לחלוטין, מצביעות על מגמה רחבה ולא על הישג נקודתי במבחן אחד.
הקצב הזה יוצר בעיה מדידה בפני עצמה, שמכונה רוויה: מבחן שמודלים כמעט פותרים במלואו מפסיק להבחין ביניהם, ולכן מפסיק להיות שימושי. זו הסיבה שאמות-מידה מוחלפות כל הזמן, ושכמעט לכל מבחן ותיק יש יורש קשה יותר.
לכן קריאה נכונה של כל ציון שמתפרסם דורשת שלושה פרטים ולא אחד: איזה מבחן, באיזה תאריך, ומהו קו-הייחוס האנושי המקביל. ציון של 90 אחוזים במבחן שנרווה אינו אומר שהמודל מצליח ב-90 אחוזים מהמשימות בעולם האמיתי — הוא אומר שהמבחן הזה סיים את תפקידו. הנתונים כאן מתייחסים לשנה שהסתיימה בתחילת 2026.
יש כאן גם אזהרה מובנית לגבי הקטגוריה הזו כולה. מכל סוגי המספרים על תחום הבינה המלאכותית, ציוני אמות-מידה הם המתיישנים ביותר: הם משתנים בקצב של חודשים, לא של שנים, ומבחן שנחשב אתגר רציני בתחילת שנה עשוי להיות פתור עד סופה. כל ציון ראוי לקריאה כתמונת-מצב מתוארכת בלבד.