2026. július 27., hétfő · Modellek

Az 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

Az öt szempont részletesen

Források

The Decoder

Említve a tudásbázisban

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

A Mistral bemutatta a Le Chonk nyílt modellt, de a tesztek szerint még lemarad Kína mögött

A párizsi Mistral nyilvánosan elérhetővé tette a Large 4, becenevén „Le Chonk” súlyozott modelljét a Hugging Face-en, módosított MIT licenc alatt. A billió paraméteres modellből 52 milliárd aktív egyszerre; a cég szerint kódolásban és kiberbiztonsági feladatokban megközelíti vagy felülmúlja a vezető kínai nyílt modelleket, például a DeepSeeket és a Z.ait, amit Pierre Stock, a Mistral tudományos alelnöke „a globális AI-vezető szerep fordulópontjának” nevezett. A The Decoder független elemzése szerint azonban a modell az Artificial Analysis Intelligence Indexén mindössze 26 pontot ér el, lemaradva a DeepSeek V4.1 Flash és a GLM-5.3 mögött, a kiberbiztonsági rangsorban pedig csak harmadik a nyílt modellek között. A Mistral modellje gyorsabb és olcsóbb riválisainál, és a károkozásra irányuló kéréseket 96,6 százalékban utasítja el.

A Google bemutatta a Gemini 4 Carbon modellt

A Google DeepMind mindössze két héttel a Gemini 4 Argon után bemutatta új frontier modelljét, a Gemini 4 Carbont, amely a vállalat szerint jelentős előrelépést hoz a kódolásban, az ügynöki feladatokban és a kiberbiztonságban. A Google közlése szerint a modell vezeti az Artificial Analysis Intelligence Index v5.0 rangsorát 59 ponttal, megelőzve a Claude Opus 5.5-öt és a GPT-6 Astrát. A cég szerint Carbon a SEC-bench Pro és az ExploitGym kiberbiztonsági benchmarkokon is élen jár, és a Gray Swan prompt-injekciós teszten minden támadást kivédett. A modell egyelőre csak kiválasztott kiberbiztonsági védelmi partnerek számára érhető el a Fairwind programon keresztül, a szélesebb elérhetőségről a Google nem adott időpontot. Az árazás megegyezik az Argonéval: 2 dollár millió bemeneti és 10 dollár millió kimeneti tokenenként.

A Google DeepMind bemutatta a Genie 4 világmodellt

A Google DeepMind kutatási előnézetben bemutatta a Genie 4 nevű világmodellt, amely a cég szerint fotórealisztikusabb, hangot is generáló és valós időben szerkeszthető virtuális környezeteket hoz létre. A modell a Gemini-családra épül: a Gemini Omni biztosítja a vizuális alapot, míg más Gemini-modellek – a TechCrunch szerint egy Gemini 4 Argon változat egy robotikai kísérletben – segítik a szimuláció koherenciájának fenntartását. Az Ars Technica szerint a rendszer a Gemini 3.8 Flash modellt használja irányító ügynökként, és a világ körülbelül két percig marad konzisztens, mielőtt elfelejtené a kezdeti állapotot. A Genie 4 egyelőre megbízható tesztelőknél fut, a tervek szerint a következő hetekben kapnak hozzáférést a Google AI Ultra előfizetői a Project Genie-ben és a Gemini API korai partnerei, az AI Ultra csomagok havi 100 dollártól indulnak.

Az OpenAI bemutatta a feleáras GPT-6.1 Terra modellt

Az OpenAI kiadta a GPT-6.1 Terra nevű középkategóriás modellt, amelynek API-ára a cég szerint fele az elődjének, a GPT-5.6 Terrénak: az input tokenek 1 dollárba, az output tokenek 5 dollárba kerülnek millióként, szemben a korábbi 2 és 12 dollárral. Az OpenAI a modellt irodai feladatokra és automatizált szoftvervezérlésre szánja, az Artificial Analysis elemzése szerint pedig a GPT-6.1 Terra az Intelligence Indexen 6-13 ponttal jobb eredményt ér el elődjénél, miközben a feladatonkénti költség a harmadára csökken. A privát AA-Omniscience benchmarkon a modell az esetek mindössze 38 százalékában találgat, amikor nem ismeri a választ, szemben a GPT-5.6 Terra 88 százalékával, ami jelentős hallucinációcsökkenésre utal. Az OpenAI szerint a GPT-6.1 Terra teljesíti a vállalat „kritikus” kiberbiztonsági küszöbét, és a rendszerleírás szerint jobban ellenáll a közvetett prompt-injekciós támadásoknak, mint elődje.