Отчёт Anthropic Economic Index: кривые обучения

Anthropic Economic Index использует систему анализа данных с защитой приватности для отслеживания того, как Claude применяется в экономике. Это часть нашей работы по максимально раннему изучению экономических последствий ИИ — чтобы у исследователей и политиков было достаточно времени для подготовки.

Данный отчёт изучает использование Claude в феврале 2026 года, опираясь на концепцию экономических примитивов, введённую в предыдущем отчёте (на данных за ноябрь 2025 года). Выборка охватывает период с 5 по 12 февраля — три месяца после выхода Claude Opus 4.5 и одновременно с релизом Claude Opus 4.6.

Сначала мы фиксируем, как изменилось использование по сравнению с предыдущими отчётами: доля аугментации — совместного взаимодействия, при котором ИИ дополняет возможности пользователя, — незначительно выросла как в трафике Claude.ai, так и в API. В Claude.ai использование стало более разнообразным: топ-10 задач занял меньшую долю трафика, чем в ноябре 2025 года. Вследствие этой диверсификации средний разговор в Claude.ai стал соответствовать задачам с несколько более низкой оплатой труда.

Далее мы сосредотачиваемся на важном факторе влияния Claude на рынок труда и экономику в целом: кривых обучения при освоении Claude. Мы приводим свидетельства того, что опытные пользователи выработали привычки и стратегии, позволяющие им эффективнее использовать возможности Claude. Более того, мы фиксируем, что опытные пользователи не только берутся за более ценные задачи, но и чаще получают успешные ответы в своих разговорах.

Что изменилось с момента последнего отчёта

В первой главе мы возвращаемся к выводам предыдущего отчёта Economic Index, опубликованного в январе 2026 года. Мы обнаружили, что:

Сценарии использования Claude.ai стали разнообразнее. Задачи по программированию продолжают мигрировать из аугментативного использования в Claude.ai в более автоматизированные рабочие процессы в нашем first-party API.¹ В этом отчёте использование Claude.ai стало менее концентрированным: топ-10 задач составил 19% всего трафика в феврале против 24% в ноябре. При этом почти все задачи из данной выборки встречались хотя бы в одной из предыдущих. Около 49% профессий имели хотя бы четверть своих задач, выполненных с помощью Claude.
Использование Claude распространилось на задачи с более низкой оплатой труда. По мере диверсификации сценариев средняя экономическая ценность работы, выполняемой на Claude — измеряемая почасовой зарплатой американских работников в соответствующих профессиях, — незначительно снизилась. Это механически обусловлено ростом личных запросов о спорте, сравнении товаров и обслуживании дома. Паттерн соответствует стандартной модели «кривой принятия технологий»: ранние последователи предпочитают конкретные высокоценные применения вроде программирования, а поздние берутся за гораздо более широкий спектр задач.
Неравенство в глобальном использовании сохраняется. Использование по-прежнему сильно сконцентрировано: топ-20 стран обеспечивает 48% всего использования на душу населения против 45% ранее, что подчёркивает устойчивый разрыв в глобальном принятии технологии. Тем не менее использование Claude на душу населения продолжало выравниваться внутри США: доля 10 штатов с наибольшим использованием снизилась с 40% до 38% по сравнению с предыдущим отчётом.

Кривые обучения

Ключевой вывод Economic Index состоит в том, что раннее принятие Claude крайне неравномерно: Claude используется интенсивнее в странах с высоким доходом, внутри США — в местах с большей долей работников умственного труда, а также для относительно небольшого набора специализированных задач и профессий.

Важный вопрос: как неравенство в принятии технологии может определять, где и кому достанутся выгоды от ИИ. Если, например, эффективное использование ИИ требует дополнительных навыков и экспертизы — что мы обосновывали в предыдущем отчёте — и если такие навыки можно приобрести через практику и эксперименты, то преимущества от раннего принятия могут самоусиливаться.

Во второй главе мы исследуем, как пользователи, по всей видимости, формируют ценность, которую получают от Claude: как они соотносят возможности модели с поставленной задачей и как паттерны использования и результаты меняются с опытом работы на платформе.

Выбор модели соответствует задаче. Мы показываем, что пользователи выбирают наш наиболее интеллектуальный класс моделей, Opus, для задач, которые в норме получают более высокую оплату на рынке труда. Например, среди платных пользователей Claude.ai Opus используется на 4 процентных пункта чаще среднего для задач по программированию и на 7 процентных пунктов реже среднего для задач, связанных с репетиторством. Для API-пользователей это переключение между моделями выражено примерно вдвое сильнее.
Больше опыта — больше успеха. В целом наиболее опытные пользователи Claude применяют его чаще для задач, требующих высокого уровня образования, и реже — для личных нужд. Например, люди, использующие Claude 6 месяцев и более, ведут на 10% меньше личных разговоров, а уровень образования, отражённый в их запросах, на 6% выше. Наиболее показательно то, что у этой группы с высоким стажем на 10% выше доля успешных разговоров — связь, которая не объясняется выбором задач, страной происхождения или другими факторами. Это может отражать как изначальную искушённость ранних последователей, так и свидетельствовать об обучении через практику: люди становятся лучше в использовании Claude по мере накопления опыта.

Что изменилось с момента последнего отчёта

Диверсификация сценариев использования в Claude.ai

Сначала мы рассматриваем виды задач, которые ставятся перед Claude. Мы используем нашу систему с защитой приватности, которая позволяет описывать поведение на агрегированном уровне, не раскрывая содержание отдельных диалогов. Мы берём выборку из 1 миллиона разговоров как из Claude.ai — нашего потребительского веб-продукта, так и из нашего first-party API — интерфейса для разработчиков, интегрирующих Claude в продукты и рабочие процессы.²

Программирование остаётся наиболее распространённым применением на наших платформах: задачи, связанные с профессиями в области компьютерных и математических наук, составляют 35% разговоров в Claude.ai (см. Приложение).³ Однако в период с ноября 2025 по февраль 2026 года сценарии использования Claude.ai стали менее концентрированными: топ-10 наиболее распространённых задач O*NET снизился с 24% разговоров до 19% (Рисунок 1.1).

Это снижение концентрации отчасти отражает миграцию задач по программированию из Claude.ai в наш first-party API, где Claude Code вырос до значительной доли выборочного трафика. Агентная архитектура Claude Code разбивает работу по программированию на более мелкие API-вызовы, которые классифицируются как отдельные задачи. Поэтому, хотя общая доля программирования в трафике API выросла, она распределена по многим категориям задач, а не сконцентрирована в нескольких. В результате концентрация задач в API осталась примерно на прежнем уровне, несмотря на приток активности по программированию.

Миграция кода из Claude.ai — не единственный фактор снижения концентрации. Частично падение обусловлено изменениями в структуре сценариев использования между двумя периодами. Доля учебных задач снизилась с 19% до 12% разговоров, тогда как доля личного использования выросла с 35% до 42%. Часть падения учебных задач объясняется академическими календарями в странах, где студенты находились на зимних каникулах в период нашей выборки.⁴ Одновременно рост числа регистраций примерно с февраля привлёк больше случайных пользователей ИИ.

Хотя спектр рабочих задач Claude стал более разнообразным, почти все они уже встречались в наших данных ранее. В предыдущем отчёте мы отмечали, что 49% профессий имели хотя бы четверть своих задач, выполненных с помощью Claude. В этой выборке данных этот накопленный показатель практически не изменился (Приложение, Рисунок A.2). Данные этого отчёта показали значительно меньше новых задач O*NET по сравнению с предыдущим отчётом.

Начиная с нашего первого отчёта мы классифицируем разговоры по одному из пяти типов взаимодействия — директивный, цикл обратной связи, итерация задачи, валидация и обучение, — которые мы группируем в две более широкие категории: автоматизация и аугментация.⁵ Рисунок 1.3 показывает, что аугментация в Claude.ai незначительно выросла. Это было обусловлено небольшим ростом паттернов валидации и обучения. В Приложении, Рисунок A.3, мы показываем, что автоматизация в данных 1P API резко снизилась.

Наша API-платформа продолжила получать относительно большую долю задач в области компьютерных и математических наук (доли использования по категориям профессий показаны в Приложении). С августа 2025 года доля задач в этой категории выросла на 14% в API и снизилась на 18% в Claude.ai. Как мы отмечаем в нашем отчёте о влиянии на рынок труда, мы ожидаем, что эта миграция из Claude.ai в API может сигнализировать о более скором преобразовании работы для соответствующих профессий. Рост задач, связанных с управленческими профессиями в Claude.ai, — с 3 до 5% трафика — обусловлен сочетанием аналитических задач (например, подготовка инвестиционного меморандума) и ответов на вопросы клиентов.

Другой способ измерить изменение структуры задач, выполняемых на Claude, — посмотреть на изменение средней ценности задач, которую мы определяем как среднюю почасовую зарплату американских работников, выполняющих данную задачу (Рисунок 1.4).⁶ Этот показатель ценности задач в Claude.ai незначительно снизился с $49,3 до $47,9 — в основном из-за роста простых фактических вопросов (например, о результатах спортивных соревнований, погоде) и снижения доли программирования по мере его перехода в API. Как упоминалось в нашем предыдущем отчёте, задачи, которые мы видим на Claude, как правило, требуют более высокого уровня образования. График показывает, что эти задачи также, как правило, оплачиваются выше среднего по США.

Хотя изменения незначительны, сдвиги в нескольких примитивах между предыдущим и текущим отчётом отражают схожее снижение сложности задач в Claude.ai. Среднее количество лет образования, необходимых для понимания пользовательских запросов, снизилось с 12,2 до 11,9 лет, пользователи предоставляли ИИ больше автономии, а время, необходимое человеку для самостоятельного выполнения задачи, сократилось примерно на 2 минуты. Одно изменение идёт в противоположном направлении: задачи, выполняемые Claude, были признаны несколько менее выполнимыми для человека без доступа к ИИ.

Новые паттерны автоматизации

По мере миграции задач в API они могут становиться более подверженными автоматизации. API-рабочие процессы значительно чаще носят директивный характер с меньшей необходимостью участия человека. В предыдущем отчёте мы выделяли, что задачи по обслуживанию клиентов — включая, например, автоматизированную поддержку по вопросам оплаты и выставления счетов — широко представлены в данных API. Это способствовало более высокой наблюдаемой подверженности для представителей службы поддержки клиентов: Claude фиксировался выполняющим высокую долю их задач в автоматизированных рабочих процессах, поэтому эти профессии могут с большей вероятностью измениться по мере распространения ИИ.

Мы выделяем два API-рабочих процесса, которые стали появляться чаще в феврале по сравнению с тремя месяцами ранее — их доли как минимум удвоились в нашей последней выборке:⁷

Автоматизация продаж и работы с клиентами: генерация материалов для поддержки продаж, исследование квалификации B2B-лидов, обогащение данных о клиентах, составление холодных писем.
Автоматизированная торговля и рыночные операции: мониторинг рынков или позиций, предложение конкретных инвестиций, информирование трейдеров о рыночных условиях и связанные задачи.

Пересмотр географической конвергенции

В предыдущем отчёте мы отмечали, что Anthropic AI Usage Index (AUI), корректирующий использование с учётом трудоспособного населения географического региона, быстро сходился по штатам США: штаты с изначально более низким использованием на душу населения демонстрировали более быстрое принятие.

Левая панель Рисунка 1.6 показывает, что эта конвергенция продолжилась в наших последних данных, но более медленными темпами. С августа 2025 по февраль 2026 года доля использования на душу населения, приходящаяся на топ-5 штатов, снизилась с 30 до 24%. Коэффициент Джини снизился с августа 2025 года, хотя темп конвергенции замедлился. При обновлении наших оценок из предыдущего отчёта мы обнаруживаем, что при таком темпе штаты достигнут примерно равного использования на душу населения через 5–9 лет, а не через 2–5.⁸

По странам (правая панель) картина обратная: использование стало несколько более концентрированным, коэффициент Джини вырос за тот же период. Страны, использующие Claude больше всего (на душу населения), теперь занимают большую долю общего использования: топ-20 стран перешёл с 45 до 48% использования с поправкой на население.

Обучение работе с ИИ

В этой главе мы сосредотачиваемся на двух аспектах использования, отражающих то, как люди применяют ИИ и учатся с ним работать: выборе модели и привычках давних пользователей.

Во-первых, мы проливаем свет на спрос на интеллект, изучая, когда люди выбирают Opus — наш наиболее производительный класс моделей. О том, как пользователи ИИ выбирают между разными моделями, балансируя между скоростью, производительностью и стоимостью, известно немного. Если пользователи калибруют выбор под конкретную задачу, мы должны видеть Opus сконцентрированным на более сложной, высокоценной работе.

Далее мы изучаем, как использование различается в зависимости от стажа, выявляя различия между пользователями, зарегистрировавшимися в разное время. Это проливает свет на кривые обучения: становятся ли опытные пользователи лучше со временем? Чем отличается их использование? Мы находим свидетельства, согласующиеся с обучением через практику. Пользователи с большим стажем не только чаще добиваются успеха в разговорах, но и больше сотрудничают с Claude, приносят более сложные задачи и чаще используют Claude в рабочих целях и для более широкого круга задач.

Выбор модели

Различные классы моделей Claude (Haiku, Sonnet и Opus) предлагают компромиссы между стоимостью, скоростью и производительностью. Класс моделей Opus использует больше всего токенов и превосходит другие в сложных задачах, но по более высокой цене за токен в нашем API. Если пользователи осознают это и учитывают затраты и лимиты использования, они должны приносить свои наиболее сложные и ценные задачи в Opus, выбирая другие модели для более простых задач. В целом именно это мы и наблюдаем в данных.

Рисунок 2.1 ниже показывает, что для платных аккаунтов Claude.ai, имеющих доступ ко всем классам моделей, 55% задач в области компьютерных и математических наук (например, разработка программного обеспечения) используют Opus по сравнению с 45% образовательных задач. Технически подкованные пользователи могут замечать прирост производительности и активно переключаться с Sonnet. Или экономные пользователи могут научиться использовать Sonnet для более простых задач, чтобы не исчерпывать лимиты использования. Кроме того, различия здесь могут отражать то, что большинство образовательных задач уже достаточно просты для Sonnet, или что студенты более склонны следить за лимитами использования.

Рисунок 2.2 ниже показывает это более детально. Когда пользователи выполняют задачи, связанные с более высокооплачиваемыми профессиями, они чаще используют Opus. Например, в Claude.ai 34% задач разработчиков программного обеспечения предполагают использование Opus по сравнению с лишь 12% задач репетиторов. В целом на каждые дополнительные $10 почасовой оплаты за задачу доля разговоров с использованием Opus увеличивается на 1,5 процентных пункта для пользователей Claude.ai. Трафик 1P API демонстрирует значительно более выраженную реакцию на сложность задачи. Его наклон примерно вдвое больше: доля Opus растёт на 2,8 процентных пункта на каждые $10 ценности задачи. Пользователи, развёртывающие программные рабочие процессы, могут иметь больше оснований для переключения между моделями по сравнению с веб-пользователями.

Кривые обучения

Первая модель Claude была выпущена в марте 2023 года. С тех пор пользовательская база как Claude.ai, так и API быстро росла. Наша последняя выборка содержит смесь пользователей: одни зарегистрировались при самом первом релизе Claude, другие — буквально накануне измерения их использования. Как стаж работы с Claude влияет на опыт взаимодействия с ним?⁹

Таблица 2.1 показывает различия между пользователями с низким и высоким стажем, где последняя группа определяется как зарегистрировавшиеся не менее 6 месяцев назад, а пользователи с низким стажем — все остальные.¹⁰ Пользователи с высоким стажем чаще используют Claude для итерации над своей работой и значительно реже делегируют большую ответственность через директивные паттерны использования. Они на 7 процентных пунктов чаще используют Claude в рабочих целях и для задач, требующих более высокого уровня образования. Наконец, их использование менее сконцентрировано в определённых задачах. Топ-10 задач O*NET составляет несколько меньшую (20,7% против 22,2%) долю использования для группы с высоким стажем.

Ниже мы подробнее рассматриваем два из обсуждаемых выше примитивов: количество лет образования человека, связанное с каждым разговором, и долю диалогов, посвящённых личному использованию.

На левой панели мы показываем, что количество лет образования, необходимых для понимания пользовательского промпта, увеличивается почти на 1 год на каждый дополнительный год использования Claude. На правой панели мы показываем, что одновременно личное использование снижается: люди, зарегистрировавшиеся год назад, посвящают 38% разговоров личным нуждам по сравнению с 44% у новейших пользователей.

Несколько факторов могут объяснять эти паттерны в пользовательской базе быстро развивающейся универсальной технологии. Пользователи с высоким стажем самоотобраны, и различия здесь могут отражать устойчивые характеристики. Например, это могут быть программисты, которые с большей вероятностью были ранними последователями. Кроме того, существует неизбежная ошибка выжившего: люди, зарегистрировавшиеся за год до нашей выборки, возможно, видят положительные результаты от использования. Мы не наблюдаем людей, которые зарегистрировались год назад, но больше не используют Claude.

Эти выводы перекликаются с тем, что мы видели в нашем отчёте об экономических примитивах: страны с более низким доходом и уровнем образования парадоксально демонстрируют более сложное использование в ряде случаев. Самые ранние последователи часто имеют высокоценные технические сценарии использования. В более бедных странах с гораздо более низким уровнем принятия эти ранние последователи по-прежнему доминируют в пользовательской базе.

Более случайное использование появляется, когда ИИ распространяется на более широкую долю населения. Действительно, среди кластеров запросов задачи с наибольшим средним стажем включали: исследования в области ИИ, операции с git, редактирование рукописей и привлечение финансирования для стартапов. Задачи с наименьшим средним стажем имеют более простые рабочие процессы: написание хайку, проверка спортивных результатов и предложения блюд для вечеринки.¹¹

Эффекты опыта

Мы подробнее исследуем эти взаимосвязи на Рисунке 2.4 ниже, используя данные в логарифмическом масштабе для детального контроля характеристик разговора. На верхней панели спецификация (1) показывает простую двумерную регрессию с успешностью разговора в качестве зависимой переменной и индикатором высокого стажа в качестве предиктора. Успешность — это оценка Claude того, был ли разговор успешным, описанная в нашем предыдущем отчёте. График показывает, что пользователи с высоким стажем примерно на 5 процентных пунктов чаще имеют успешный разговор.

Это может отражать то, что пользователи с высоким стажем лучше составляют промпты. Но что если это отражает то, что они приносят другие задачи в Claude — те, которые с большей вероятностью окажутся успешными?

В спецификации (2) мы включаем фиксированные эффекты для конкретных задач O*NET и кластеров запросов. Это равносильно сравнению пользователей с высоким и низким стажем в рамках одной узко определённой задачи, а не между задачами. Например, у нас есть кластер запросов «Проведение корпоративного финансового анализа, оценки и моделирования для конкретных компаний». Фиксированные эффекты сравнивают пользователей с высоким и низким стажем внутри этого кластера и аналогично внутри каждого другого кластера. Положительный коэффициент мы наблюдали бы только в том случае, если бы в среднем пользователи с высоким стажем были более успешны в этих внутризадачных сравнениях. Этот контроль несколько смягчает эффект, снижая его примерно до 3 процентных пунктов.

Наконец, мы задаёмся вопросом, влияет ли на эту взаимосвязь то, что пользователи с высоким стажем выбирают другие модели, общаются на других языках, имеют другие сценарии использования или подключаются из других стран. Эта регрессия даёт несколько более высокое влияние высокого стажа, предполагая на 4 процентных пункта более высокий показатель успешности с учётом полного набора контрольных переменных.

Эти результаты свидетельствуют о том, что пользователи с высоким стажем добиваются большего успеха в разговорах с Claude, и это не обусловлено простыми факторами вроде языка или выполняемой задачи. Одно интригующее потенциальное объяснение состоит в том, что эти пользователи лучше научились извлекать из ИИ то, что им нужно. Умение работать с этими платформами может быть ключевым фактором успеха, который, по всей видимости, масштабируется с опытом.

Обсуждение

Этот отчёт пересмотрел основные показатели, которые мы используем для отслеживания использования Claude, и впервые проанализировал выбор модели и успешность. С августа 2025 года использование 1P API стало более концентрированным: топ-10 задач O*NET теперь составляет 33% трафика против 28% ранее. Задачи Claude.ai, напротив, диверсифицировались по сравнению с данными за ноябрь 2025 года. Более быстрое принятие среди штатов с низким использованием продолжилось в США, хотя и более медленными темпами, чем в предыдущем отчёте. Страны с низким уровнем принятия несколько отстали ещё больше.

С этим отчётом мы можем начать прослеживать, как изменились различные экономические примитивы. Доля учебных задач в использовании снизилась, тогда как доля личных разговоров выросла. Мы также отмечаем незначительное снижение совокупной сложности промптов в Claude.ai: разговоры в Claude.ai демонстрируют менее сложные входные данные и более короткое расчётное время выполнения.

В целом Claude используется для высокоценной, сложной работы, которая не является широко репрезентативной для экономики США. Но по мере роста пользовательской базы менее оплачиваемые задачи стали несколько большей долей трафика. Средняя ценность задач, измеряемая как расчётная зарплата работников в профессиях, связанных с этими задачами, снизилась в Claude.ai с момента нашего первого отчёта, тогда как среди API-пользователей она выросла. На обеих платформах пользователи приносят свои наиболее сложные задачи в наш более мощный класс моделей, Opus. Этот эффект сильнее выражен у API-клиентов.

Более опытные пользователи склонны использовать Claude более совместно, в более рабочих целях, для более сложных задач и с большим успехом. Это опровергает гипотезу, которую мы выдвигали в прошлом году, о том, что автоматизированное использование может быть более типичным для более опытных, искушённых пользователей; вместо этого мы обнаруживаем, что наиболее продвинутые пользователи с большей вероятностью итерируют с Claude. Это также согласуется с обучением через практику: чем больше времени человек тратит на использование ИИ, тем эффективнее он становится в его применении.

Альтернативная интерпретация, конечно, состоит в том, что эти результаты обусловлены когортными эффектами или ошибкой выжившего. Ранние последователи могут быть более технически подкованными. Те, кто продолжает использовать Claude, могут быть теми, у кого есть задачи, для которых он особенно хорошо подходит. Но тщательно контролируемые регрессии исключают простые версии этого смешения — например, что пользователи с высоким стажем приносят другие виды задач. Со временем мы сможем более чётко разграничить когортные эффекты и ошибку выжившего от обучения через практику.

Наблюдаемые различия в показателях успешности могут углублять неравенство на рынке труда. Экономисты давно отмечают потенциал технологических изменений, смещённых в пользу квалифицированных работников: инноваций, повышающих зарплаты высококвалифицированных работников при одновременном снижении их для других. Наш анализ в этом отчёте выявляет канал, через который такая смещённая трансформация может уже разворачиваться: ранние последователи с высококвалифицированными задачами имеют более успешные взаимодействия с Claude, чем более поздние, менее технически подкованные последователи. Эти ранние пользователи могут одновременно быть наиболее подверженными разрушительному влиянию ИИ и наиболее поддерживаемыми ИИ в этих начальных, аугментативных волнах принятия.

Приложение

Доступно здесь.

Доступность данных

Данные из этого отчёта доступны здесь.

Авторы и благодарности

Основные авторы*:

Maxim Massenkoff, Eva Lyubich, Peter McCrory

*Ведущие авторы отчёта

Соавторы:

Ruth Appel, Ryan Heller

Благодарности

Tim Belonax, Keir Bradwell, Andy Braden, Dexter Callender III, Miriam Chaum, Madison Clark, Evan Frondorf, Deep Ganguli, Kunal Handa, Hanah Ho, Owen Kaye-Kauderer, Jennifer Martinez, Miles McCain, Jared Mueller, Kelsey Nanan, Tyler Neylon, Dianne Penn, Sarah Pollack, Ankur Rathi, David Saunders, Michael Stern, Alex Tamkin, Kim Withee, Jack Clark

Цитирование

@online{anthropic2026aeiv5,
        author = {Maxim Massenkoff and Eva Lyubich and Peter McCrory and Ruth Appel and Ryan Heller},
        title = {Anthropic Economic Index report: Learning curves},
        date = {2026-03-24},
        year = {2026},
        url = {https://www.anthropic.com/research/economic-index-march-2026-report},
}

Сноски

«First-party API» или 1P API обозначает трафик разработчиков, маршрутизируемый непосредственно через собственный программный интерфейс Anthropic, который отличается как от потребительского приложения Claude.ai, так и от сторонних платформ, таких как Amazon Bedrock или Google Cloud Vertex.
Включает данные из Claude Code.
Это число использует коды O*NET-SOC 2019 года, тогда как предыдущие отчёты используют версию 2010 года.
Снижение доли учебных разговоров составило 5 процентных пунктов в странах, где учебный семестр был активен, и 12 процентных пунктов в странах, где большинство студентов находились на каникулах.
Определения типов взаимодействия см. в Приложении.
Например, задача «Вычислять содержание влаги или соли, процентное содержание ингредиентов, формулы или другие характеристики продукта с использованием математических и химических процедур» выполняется только техниками пищевой науки со средней зарплатой $26,15 — это и есть ценность данной задачи. Источником данных для этого упражнения служат таблицы BLS Occupational Employment and Wage Statistics (OEWS) за май 2024 года. Когда одну и ту же задачу выполняют несколько работников, мы усредняем их зарплаты с весами по занятости и доле времени, затрачиваемой на эту задачу.
Для выявления новых паттернов мы отфильтровали задачи O*NET, которые (i) встречались не менее 300 раз в текущих данных и (ii) показали как минимум двукратный рост по сравнению с предыдущим отчётом.
Диапазон отражает различные оценки, полученные при запуске модели из нашего предыдущего отчёта с весами (5 лет) или без них (9 лет).
В этом анализе мы используем данные в логарифмическом масштабе для оценки моделей с теми же порогами приватности. Подробнее о методологии см. в Приложении.
Эти результаты аналогичны при любом определении высокого стажа.
Наш период выборки совпал с выходом нашей рекламы на Суперкубке, которая привлекла многих первых пользователей.

Связанные материалы

Автоматизированные исследователи выравнивания: использование больших языковых моделей для масштабирования контролируемого выравнивания

Может ли Claude самостоятельно разрабатывать, тестировать и анализировать идеи в области выравнивания? Мы провели эксперимент, чтобы выяснить это.

Надёжные агенты на практике

ИИ-«агенты» представляют собой последний крупный сдвиг в том, как люди и организации используют ИИ. Здесь мы объясняем, как они работают и как мы обеспечиваем их надёжность.

Концепции эмоций и их функция в большой языковой модели

Все современные языковые модели иногда ведут себя так, будто испытывают эмоции. Что стоит за этим поведением? Наша команда по интерпретируемости проводит расследование.