---
title: "Jagged Frontier / 锯齿前沿"
created: 2026-05-14
type: concept
tags: ["model-capability", "domain-asymmetry", "capability-boundary", "ai-safety"]
sources: ["https://arxiv.org/abs/2604.15597"]
---

# Jagged Frontier

锯齿前沿（Jagged Frontier）是 Dell'Acqua et al. (2023) 提出的概念，指 AI 模型能力在不同任务/领域中呈现**不均衡、不可预测**的分布。某些任务表现惊人地好，某些任务惊人地差——两者可以相邻共存。

## 在 [[delegate-52]] 中的体现

[[delegate-52]] 中的 52 个领域清楚展现了锯齿前沿：

- **Python**：17/19 模型达到 "ready" (RS@20 ≥ 98%)
- **DBSchema, Graphviz**：表现良好
- **Earnings Statements, Music Notation, Textile**：极度糟糕

同一个模型可以在一个领域近乎完美，在另一个领域灾难性失败——而且这两个领域可能对用户来说看起来"差不多难"。

## 对用户的警示

论文明确警告：**不要将模型在一个领域中的能力推广到其他领域**。在 Python 中可靠的模型在 Genealogy 或 Weaving 中可能静默地破坏你的文档。

## 与 [[delegated-work|委托工作]] 的关系

锯齿前沿使得委托决策极其困难：用户无法凭直觉判断"这个任务模型能做好吗"——需要领域特定的基准测试。

## 趋势

GPT 系列 16 个月的进展（GPT 4o → GPT 5.4）将分数从 14.7% 提升到 71.5%，表明快速进步——但即使前沿模型仍有大量领域未准备好。

## 相关概念

- [[delegate-52]] — 量化锯齿前沿的基准
- [[delegated-work]] — 锯齿前沿使委托决策复杂化
- [[document-degradation]] — 锯齿前沿中的"差"领域的表现