Modellbevezetés

Mesterséges intelligenciával generált szöveg

Az OpenAI két új modellt vezetett be, kedvezőbb feladatköltséggel

Az OpenAI bemutatta a GPT-6.2 Astra és a GPT-6.2 Sol mesterségesintelligencia-modelleket, amelyek teljesítménye és költsége eltérő felhasználási igényeket szolgálhat ki.

Az OpenAI két új modellt vezetett be, kedvezőbb feladatköltséggel

Az OpenAI bevezette a GPT-6.2 Astra és Sol modelleket, két nappal az Anthropic várható első tőzsdei kereskedési napja előtt. Az Artificial Analysis mérései szerint a Sol nagyjából a feladatonkénti költség 15%-áért éri el a szeptemberi Astra teljesítményét. Az új Astra 62 pontot szerzett az Intelligence Indexen, a 65 pontos Fable 5.2 mögött.

A modellek a ChatGPT Work és a Codex Plus, Pro, Enterprise és Edu ügyfeleihez kerülnek, a fejlesztők pedig az API-n keresztül, gpt-6.2-astra és gpt-6.2-sol néven érhetik el őket. Mindkettő egymillió tokenes kontextusablakkal és 128 ezer tokenes kimeneti korláttal rendelkezik.

Egymillió tokenre vetítve az Astra ára 8 dollár a bemenetért, 0,40 dollár a gyorsítótárazott bemenetért és 40 dollár a kimenetért. A Sol megtartja elődje 2, 0,10, illetve 10 dolláros díját. Az Enterprise-ügyfeleknek szánt Astra for Law jogi keresési indexet is tartalmaz: az Artificial Analysis Harvey LAB-AA tesztjén 20,8%-ot ért el, szemben az alapmodell 15,0%-ával.

Teszteredmények és biztonság

Az OpenAI szerint az Astra az Agents’ Last Exam 1.1 teszten, xhigh beállítással 5,2 ponttal előzte meg a maximális beállításon futó GPT-6 Astrát, miközben feladatonként annak költsége kevesebb mint egyharmadát használta fel. Ugyanezen a teszten az új modell a vállalat közlése szerint 5,5 ponttal múlta felül a Fable 5.2-t, annak költsége mintegy 5%-áért. A GDPval v2-n 22%-kal kevesebb kimeneti tokent használt, mint elődje.

A Mercor OpenWorldEngineer mérésén az Astra 67,2%-ot, a Fable 5.2 54,6%-ot, a GPT-6 Astra pedig 44,2%-ot ért el. A Vals többfordulós Vibe Code Bench tesztjén az Astra első, a Sol harmadik lett. Az AA-3D rangsorban az Astra 1318 ponttal vezetett a Fable 1271 és a Sol 1259 pontja előtt; az Artificial Analysis robotikai előzetes tesztjén az eredményük 79, 75, illetve 78 pont volt. A Perplexity WANDR kutatóügynök-tesztjén az Astra 0,783-as eredményt ért el feladatonként körülbelül 12,54 dollárért, a Sol 0,746-ot mintegy 2,65 dollárért.

Az Epoch 68 FrontierMath Erdős-feladatból hét megoldást ellenőrzött a Lean rendszerben; a korábbi legjobb eredmény három volt. Az OpenAI az Astrát magas kockázatúnak minősítette az AI-önfejlesztés kategóriájában, elsőként a külsőleg kiadott modelljei közül. Egy külön mérésben a Vals RSI-Indexe 27,07%-ról 29,01%-ra emelkedett; az emberi referenciaérték 50%.

Vegyes korai fogadtatás

A bevezetést erősen negatív vélemények is kísérték. Matt Shumer többhetes tesztelés után lényegében használhatatlannak nevezte a modelleket, és azt mondta, hogy Opus- és Fable-ügynökei az Astra alügynökei munkájának jelentős részét elutasították. Pietro Schirano számos kezdeti problémáját az ügynök futtatókörnyezetének tulajdonította. Az Arena munkatársa, Peter Gostev vizuális kódolási összehasonlításban az Astra SVG-pávája példáját emelte ki.

A bemutatók között Gabriel Chua több mint 100 Codex-szál segítségével bejárható Szingapúrt épített, Simon Willison pedig ugyanazt a three.js-es robotépítési utasítást több modellen is kipróbálta. A forrás szerzői szerint a kritikák egy része jogos, és a megerősítéses tanulásból eredő furcsaságok észrevehetők, de a modelleket továbbra is használják munkafolyamataik automatizálására.

Microsoft, Google és az ügynökök infrastruktúrája

A Microsoft bemutatta saját kódolómodelljeit: a MAI Code 2 összetett, több lépéses feladatokra, a Code 2 Flash gyorsabb módosításokra készült. Mindkettő elérhető a GitHub Copilot modellválasztójában, a Copilot Fusionben és a Foundryban. A vállalat multimodális frissítést is bejelentett Decision modelljéhez. Közlése szerint a Copilot Fusion többmodelles futtatókörnyezete 71,2%-ot ért el a Terminal-Bench 4.1-en, az összehasonlításban a Claude Fable 5.2-nél 88%-kal alacsonyabb költséggel. Az Artificial Analysis képszerkesztési rangsorában a MAI Image 2.7 vezetett, ezer képenként 34,82 dolláros árral.

A Google közlése szerint a Hydrogen hat országban működteti az ingyenes Gemini Tasks feladatokat, köztük telefonhívást vagy szöveges üzenetet igénylőket is. A Google DeepMind emellett bemutatott egy MuJoCo-szimulációt használó Antigravity robotikai bővítményt.

A Hugging Face egy pi környezetben tanított kis adaptere a SWE-bench Pro 51 legnehezebb feladatán 15-ről 32-re növelte a Qwen3.8-27B megoldásainak számát, feladatonként 55%-kal kevesebb eszközhívással. A Baseten 22 futtatókörnyezet és öt nyílt modell vizsgálatában akár 4,4-szeres különbséget mért a sikeresen megoldott feladatra jutó költségben. A Google SIM kutatása szerint a futtatókörnyezet modellhez is specializálódhat: az Opuson továbbfejlesztett változat a Geminin 68,41 pontot ért el, a kiinduló változat 73,89 pontjával szemben.

A Cognition tartós Devin Bots ügynököket indított. A Perplexity szerint vegyes modellcsapatai a Terminal-Bench és WANDR teszteken négy, a vezető modellből álló példányt is felülmúltak. A Replit NumPy-feladatokon csökkenő hozamot tapasztalt, amikor 16-ról 32-re emelte az ügynökök számát. A Hugging Face egy 1000 ügynökös futtatásánál egyszerre csak 40–60 ügynök hívta a modellt; az ügynökök minden leírt tokenre nagyjából 130-at olvastak, miközben az egyesítések és tesztek is szűk keresztmetszetet jelentettek. A SemiAnalysis mintájában a gyorsítótárból ki nem szolgált kérések 1,8%-a a kiadások körülbelül 15%-áért felelt.

Nyílt modellek és gyorsítás

A Marin 57 köztes Mochi-modellállapotot adott ki az 535B-A23B tanítási futtatásából. A K2 Horizon jelentése négy, azonos, 22 billió tokenes adathalmazon tanított modellméretet hasonlít össze, és egy állításuk szerint 2,2-szeres gyorsulást elérő dekódolási adaptert ismertet. A Zyphra több modell szubkvadratikus figyelmi mechanizmusra való átállítása után 10 millió tokennél 9–60-szoros gyorsulásról számolt be; a Qwen egymillió tokennél kevesebb mint két pontot veszített a RULER teszten.

A vLLM szerint a Kimi K3.1 Próhoz használt csúszó ablakos vázlatmodell a spekulatív dekódolásban akár 30%-kal hosszabb elfogadott szakaszokat eredményezett. Az NVIDIA egy négymilliárd paraméteres vázlatmodellt is készített a Qwen3.8-27B-hez.

A SenseNova-Loop-9B 32 rétegéből 24-et másodszor is lefuttat. Készítői szerint a GAIA-eredménye az előzetes verzió 37,86 pontjáról a kiadásban 69,90-re nőtt; helyi felhasználók azt kérdezték, mennyi memória marad hosszú kontextusnál a KV-gyorsítótárnak. A 35 milliárd paraméteres, egyszerre hárommilliárdot aktiváló Maxwell V1 Flash 256 ezer tokennél 6,7-szeres figyelmi gyorsulást állít a sűrű GQA-hoz képest, de ritkás figyelme továbbra is megtartja a teljes előzmény KV-gyorsítótárát. Az OVHcloud előzetesen bemutatta az Olala mini 7A1B modellt, amely egymilliárd aktív paraméterrel és 32 ezer tokenes kontextussal rendelkezik; a súlyok és a reprodukálható tesztek még váratnak magukra.

Az Intel Crescent Island korai tájékoztatójának feltűnő áteresztőképességi összehasonlítása FP64-igényes munkaterheléseket használ. Külön LLM-összevetésében az Intel 1,12-szeres áteresztőképességet és 29%-kal alacsonyabb késleltetést állít az RTX PRO 6000 Blackwell Server Editionhöz képest. Egy fejlesztő arról is beszámolt, hogy PostScript-nyomtatási feladaton keresztül futtatta a Gemma 3 270M modellt.

Vállalatok és alkalmazások

Az NVIDIA a vezérigazgatói átmenet utáni első gyorsjelentésében 115,8 milliárd dolláros negyedéves bevételt közölt Colette Kress ideiglenes vezérigazgató vezetése alatt, ami éves összevetésben 103%-os növekedés. A vállalat szerint megkezdődött a Vera Rubin NVL72 szállítása; az igazgatóság közölte, hogy nem tervezi Jensen Huang visszahelyezését.

Az Isomorphic Labs ötmilliárd dollárt vont be a Greenoaks és a Sequoia által közösen vezetett C sorozatban, hogy bővítse gyógyszertervezési platformját és terápiás fejlesztéseit. A Genesis AI 500 millió dolláros A sorozatú finanszírozása 3,5 milliárd dollárra értékelte a robotikai céget a befektetés után. A társaság az Eno robot bevezetésére, valamint a tanítás és az adatgyűjtés bővítésére fordítaná az összeget.

A miHoYo Gamer videojáték-ügynöke másodpercenként ötször mintavételezi a képernyőt, és 30 Hz-en ad ki billentyűzet- és egérparancsokat. A szerzők értékelésében a megerősítéses tanulással készült változat a félretett Honkai-rejtvényfeladatok mintegy felét oldotta meg. Egy másik fejlesztő szerint a Fock Ball fiktív ligája fizikai motorban szimulálja a mérkőzéseket, a Claude-ot pedig a kommentáláshoz és a szerkesztőségi munkához hasonló feladatokra használja.

Az ICLR szakmai bírálatairól szóló beszélgetésben részt vevő bírálók arról számoltak be, hogy a programelnökök valószínűleg AI-val generált értékeléseket jelöltek meg. A vita egyik kérdése, hogy egy detektor miként különböztetheti meg a szerkesztési segítséget egy teljes bírálat generálásától.