Jag ville göra några förtydliganden, som vi anser var tydliga i vår artikel men inte i mitt ursprungliga inlägg (omanalys @METR_Evals data). Vårt bidrag är att framställa framsteg som en multiplikativ produkt av sigmoider kring olika innovationer. Med tanke på METR-data delade vi upp dem i förbättringar av basfunktioner (data-/modellstorlek) och resonemang. Vi visar att denna produkt ger en liknande *in-sample* anpassning till de små dataset vi ser som exponentiell tillväxt. Men konsekvenserna är väldigt olika! Enligt vår modell skulle vi behöva fortsatta innovationer (liknande resonemang) för att se fortsatt exponentiell utveckling. Det betyder inte att vi utesluter exponentiell utveckling, eller att vår produkt av sigmoider är rätt modell. Det är helt enkelt att säga att det finns få punkter och flera möjliga underliggande modeller med mycket olika implikationer. Vår produkt sigmoid fit passar faktiskt väldigt bra när man håller GPT 5.2 och/eller Gemini 3 pro. Vi ser sämre ut när vi dessutom håller fram Claude Opus 4.5, men det är fortfarande rimligt. Vårt mål är inte att diskutera OOS-mått på ett fåtal datapunkter, utan att påpeka att befintliga prognoser är sköra och inte modellerar följden av olika innovationer. (Det finns ett par andra passformer som cirkulerar X, men de verkar inte använda vårt föreslagna produkt-sigmoid så jag kan inte säga vad som händer där...) Jag ber om ursäkt för mitt onyanserade inlägg tidigare – vi hoppas att folk kommer att läsa artikeln!