1.7 KiB
1.7 KiB
title, created, type, tags, sources
| title | created | type | tags | sources | |||||
|---|---|---|---|---|---|---|---|---|---|
| Jagged Frontier / 锯齿前沿 | 2026-05-14 | concept |
|
|
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 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