2026. szeptember 4., péntek · Modellek

Cohere bemutatta a Parse 5 dokumentumfeldolgozó modellt, míg egy friss teszt rávilágít az AI korlátaira

A Cohere 2026. augusztus 27-én bemutatta a Parse 5 nevű, 2,3 milliárd paraméteres multimodális modellt, amely a vállalat szerint bonyolult, vizuálisan gazdag PDF-eket – pénzügyi jelentéseket, tudományos cikkeket – alakít tiszta Markdownná, pontos elhelyezési koordinátákkal. A cég saját ParseBench mérésén 79,2 pontos átlagot ért el táblázatkinyerésben, tartalmi hűségben és formázásban, ez azonban a Cohere saját, független ellenőrzés nélküli adata. Egy párhuzamos, még nem lektorált arXiv-preprint, a DocHop benchmark szerint a vezető multimodális modellek mindössze 62,83%-os pontosságot érnek el összetett, több lépéses dokumentum- és diagramalapú következtetésben, míg az emberi teljesítmény 90% felett van. A két forrás eltérő kérdést vizsgál: egy konkrét kereskedelmi termék állítólagos képességét és a terület általános, még nem validált korlátjait.

Miért fontos?

A hír egyszerre mutatja meg egy vállalati dokumentumfeldolgozó modell állított teljesítményét és egy még nem lektorált benchmark szerinti jelentős emberi-gépi teljesítménykülönbséget.

Források

arXiv cs.AI Preprint InfoQ AI

Kapcsolódó témák

Napi összefoglalók AI kutatás #Cohere Parse 5#DocHop benchmark

Napi összefoglaló

Ez a hír a 2026. szeptember 4., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Négy Gemini 4 Argon AI-ügynök emberi segítség nélkül győzte le a Minecraftot

A The Decoder beszámolója szerint a Google DeepMind négy, Gemini 4 Argon modellre épülő AI-ügynököt indított egy véletlenszerűen generált Minecraft-világban, előre meghatározott szerepek, stratégiák vagy játékspecifikus eszközök nélkül. A lap szerint az ügynökök önállóan osztották fel egymás között a feladatokat, figyelmeztették egymást a veszélyekre, visszaszerezték elhunyt társaik tárgyait, és közös memóriában rögzítették a hibákat. A 27 óra 14 perces munkamenet alatt összesen 2783 JavaScript programot írtak, 229 chatüzenetet váltottak, és 605-ször haltak meg, mire legyőzték az Ender sárkányt. A Decoder közlése szerint a teljes futtatás a Gemini 4 Argon 2027-ben életbe lépő standard árazásán 1620 dollárba került volna. A cikk ezt az agentikus AI-modellek legújabb példájaként mutatja be olyan videojátékok önálló legyőzésére, amelyekhez korábban célzottan, nulláról betanított rendszerekre volt szükség.

Gemini 4 Argon 97,5 százalékot ért el az ARC-AGI-3 teszten

A Google DeepMind új modellje, a Gemini 4 Argon, a The Decoder beszámolója szerint 97,5 százalékot ért el az ARC-AGI-3 benchmarkon az úgynevezett „Provider Adapter Harness” tesztkörnyezetben, 4800 dollárért. Az ARC Prize szerint ezzel a Google lett a második labor az OpenAI után, amely átlépte a 95 százalékos küszöböt; az élen továbbra is az OpenAI GPT-6 Astra áll 99,9 százalékkal. A lap szerint az eredmény erősen függ a tesztmódszertől: az egyszerűbb „Standard Harness” környezetben Argon mindössze 49,8 százalékot ért el alacsony gondolkodási szinten, 5800 dollárért. A háttérben egy 2026 júliusi vita áll, amikor az OpenAI GPT-5.6 Sol modellje két eltérő API-beállítás mellett verte meg a Claude Opus 5-öt ugyanezen a benchmarkon. A The Decoder külön megjegyzi, hogy az Epoch AI értékelése szerint az Argon általános képességei terén, nem a szóban forgó benchmarkon, matematikában és szoftverfejlesztésben lemarad riválisaitól.

Microsoft Maia 300: részletes architektúra, de homályos hatékonysági mutató

A Microsoft korábban már bejelentette a Maia AI-csipek 2027-es, gigawattos léptékű bevezetését; az InfoQ most a Maia 300 technikai felépítését részletezi, és rámutat, hogy a bejelentés élén hangoztatott hatékonysági mutató mögött nem áll olyan részletesség, mint az architektúra leírása mögött. A cikk szerint minden gyorsító nyolc HBM4-memóriasort tartalmaz, 288 GB kapacitással és 18 TB/s sávszélességgel, 950 wattos fogyasztási keretben; egy 96 gyorsítós rack 167 kW-ot fogyaszt, 27,6 TB HBM-et és 1,7 PB/s összesített sávszélességet biztosít. A TSMC N2P gyártástechnológia és a különálló memóriavezérlő-dieök a Microsoft állítása szerint 36 százalékkal növelik a számítási teljesítményt a Maia 200-hoz képest, a memóriakezelés pedig az egységes hozzáférésről NUMA-alapú elrendezésre vált. A hálózati architektúra egyedi, Ethernet-alapú AI-transzportot használ, amely akár 128 rackből álló, 12 288 gyorsítós szuperpodokat köt össze optikai kapcsolókkal, három késleltetési szintet különböztetve meg a chip-párok, a rackek és a podok között. Az InfoQ szerint a Maia 200 token/watt előnyét hirdető állítást gyakorlott szakemberek is hiányosan alátámasztottnak találták.

Meta kiadta a Muse Spark Open nyílt súlyú kódoló AI-modellt

A Meta bejelentette a Muse Spark Open nevű nyílt súlyú modellt, amelyet saját közlése szerint a legképesebb jelenlegi amerikai nyílt súlyú modellnek szán. A mixture-of-experts architektúrájú rendszer 816 milliárd összparaméterből tokenenként 42 milliárdat aktivál, kontextusablaka elérheti az 1 millió tokent, és szöveg mellett képet, hangot és videót is kezel. A modellt kifejezetten ügynöki kódolási feladatokra, többfájlos refaktorálásra és hosszú hibakeresési munkamenetekre tréningezték, az NVIDIA GB300 NVL72 Blackwell Ultra hardveren. A súlyok elérhetők Hugging Face-en és több API-szolgáltatón (Baseten, Fireworks, Groq, Together AI), az Amazon pedig a SageMaker JumpStart hubba is beillesztette BF16 és NVFP4 kvantált változatban. A Meta szerint a modell Apple M5 Ultra Mac Studio gépeken, helyben is futtatható.