2026. július 27., hétfő · Modellek

Anthropic Opus 5 modellje elsöprő fölénnyel vezeti az ARC-AGI-3 rangsort

Az ARC Prize mérése szerint az Anthropic Claude Opus 5 modellje 30,2 százalékot ért el az ARC-AGI-3 benchmarkon, közel négyszerese az OpenAI GPT-5.6 Sol (Max) korábbi, 7,8 százalékos csúcsának. A teszt azt vizsgálja, mennyire képes egy modell ismeretlen, játékszerű környezetekben önállóan felismerni a szabályokat és lépésről lépésre tervezni, nem pedig betanult tudásra hagyatkozni. Az ARC Prize elemzése szerint az előny valódi, erősebb logikai következtetésből fakad, és a modell öt korábban megoldatlan környezetet is megoldott, négyet emberi szint felett, miközben olyan viselkedést mutatott, mint a feladatok algebrai jelölésmódra alakítása és önálló egyenletalkotás. Az ARC-AGI-2 és ARC-AGI-1 tesztjein 90,4, illetve 97,5 százalékot ért el, ami megegyezik a korábbi csúcsokkal, bár az ARC Prize szerint valamivel magasabb költség mellett.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

Egy független, elismert benchmarkon mért, ellenőrizhető ugrás jelzi a modellek önálló, ismeretlen környezetben végzett tervezési és következtetési képességének fejlődését.

Benchmark-tolmács

Mit mond a hírben szereplő pontszám?

ARC-AGI-3

Ismeretlen, interaktív játékszerű környezetekben méri, hogy egy AI-ügynök képes-e felfedezni a szabályokat, alkalmazkodni és célt elérni.

Pontszám: A környezetek szintjein elért normalizált teljesítmény; magasabb jobb. A Public Demo és a Semi-Private eredmény, valamint a gondolkodási és költségkeret külön kezelendő.
Frissesség: Folyamatosan frissül
Szivárgás: Alacsony kockázat
Hétköznapi jel: Csak közvetett jel

Források

The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #Anthropic Claude Opus 5#ARC-AGI-3 benchmark

Napi összefoglaló

Ez a hír a 2026. július 27., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Jack Dorsey cége bemutatta a Dessa nevű, emberi hangzású AI-modellt

A Jack Dorsey vezette Block kutatólabora bemutatta a Dessa nevű beszédmodellt, amely a cég szerint teljes egészében emberi hangfelvételeken tanult, szöveges adatok nélkül. A TechCrunch és a The Decoder szerint a modell full-duplex működésű, tehát egyszerre tud beszélni és hallgatni, és állítólag helyben, egyetlen NVIDIA GB200 NVL72 GPU-rackel kiképezve akár egy MacBook Pro M4 Max gépen is futtatható. A Block azt állítja, hogy Dessa közvetlenül hangként dolgozza fel a beszédet, így érzékeli a nevetést, a sóhajt és a hanglejtés árnyalatait, amit a szöveg-alapú csővezetékek elveszítenek. A modell nyilvánosan még nem elérhető, a cég egyelőre biztonsági kutatókat keres a kockázatok teszteléséhez. A The Decoder megjegyzi, hogy korábban már több projekt, például a Hume AI EVI-je vagy a Kyutai Moshija is próbálkozott érzelmekre képes hangmodellel, de a lap szerint a természetes hangzás önmagában nem jelent valódi érzelmi vagy következtetési képességet.

Kimi K3.1 Pro: a kínai modell a negyedik helyen landolt a Claude Opus 5.5 mögött

A kínai Moonshot AI bemutatta a Kimi K3.1 Pro nevű modellt, amely a Kimi K3 utótanított, nagyobb számítási kapacitással finomhangolt változata. A vállalat szerint a modell 55 pontot ért el a független Artificial Analysis Intelligence Indexen, 11 ponttal többet, mint elődje, ezzel a negyedik helyre került, mindössze három ponttal az élen álló Claude Opus 5.5 mögött. A cég állítása szerint a legnagyobb javulás az ágenses feladatokban, a kódolásban és a 3D-modellezésben mutatkozik, a GDPval-AA benchmarkon 1846 Elo-pontot ért el. Moonshot saját belső tesztje szerint a hallucinációk aránya 23,4 százalékról 8,3 százalékra csökkent, bár a vállalat ezt stresszteszt jellegűnek nevezi, nem általános hibaarány-mérésnek. A paraméterszám 2,8 billió maradt, az API-ár 33 százalékkal csökkent, és a Moonshot 2026. november 4-ig tervezi nyilvánosságra hozni a modell súlyait, ami a cég szerint a legjobb eredményt elérő nyílt súlyú modellé tenné.

Canva elindította saját képgeneráló AI-modelljét, a Craftot

A Canva bejelentette első, házon belül fejlesztett képgeneráló modelljét, a Canva Craftot, amellyel a cég szerint felveszi a versenyt a Google, az OpenAI, a ByteDance és a Meta hasonló rendszereivel. A vállalat közlése szerint a modell két lépésben dolgozik: először értelmezi a felhasználói promptot, és megtervezi az elemek elrendezését, méretarányát és a szöveg elhelyezését, majd ez alapján generál akár 2K felbontású, 30 féle képarányú képet. A Canva szerint a modellt nem fényképekkel, hanem saját tervezősablonjaival – poszterekkel, bemutatókkal, menükkel – tanították, ami pontosabb szöveget és objektumokat eredményez, és célzott szerkesztést tesz lehetővé a kép többi részének módosítása nélkül. A cég hozzátette, hogy a Craft minden felhasználó számára elérhető a Dream Lab fülön és az API-n keresztül is, és hamarosan megjelenik egy gyorsabb, olcsóbb Craftfast és Craft-ultrafast változat is. A Canva szerint a saját modell a külső API-kra fordított költségeket is csökkentheti, miközben jobb minőséget és sebességkontrollt biztosít.

Hassabis: az AGI már két-három éven belül itt lehet

Demis Hassabis, a Google DeepMind alapítója és kémiai Nobel-díjas tudós a Wall Street Journalnak adott interjúban arról beszélt, hogy becslése szerint az általános mesterséges intelligencia (AGI) már két-három éven belül megérkezhet, szemben a korábbi, három-öt éves jóslatával. A Decoder cikke szerint Hassabis AGI-definíciója egy olyan rendszer, amely lefedi az emberi agy teljes kognitív skáláját, és ezt az úgynevezett „Einstein-teszttel” mérné: képes-e egy kizárólag 1901 előtti tudáson tanított rendszer reprodukálni Einstein 1905-ös dolgozatait. Hassabis az AGI hatását „10-szer akkorának és 10-szer gyorsabbnak” nevezte, mint az ipari forradalom. A cikk szerint Hassabis a Google DeepMind éléről lelépve most a cég gyógyszerkutatási leányvállalatára, az Isomorphic Labsra összpontosít, emellett egy iparág által finanszírozott, kormányzati felügyelet alatt álló testületet javasolt a modellek kiadás előtti ellenőrzésére.