2026. szeptember 13., vasárnap · Kutatás

GPT-6 Astra: robotikai tesztben nagyot ugrott a térbeli gondolkodás

Az OpenAI GPT-6 Astra modelljét egy új StationeryBench nevű robotikai teszt vetette össze az Ai2 MolmoAct2 modelljével öt asztali feladaton, két robotkarral végzett 200 kísérletben. Astra 100-ból 7 feladatot teljesített hibátlanul, míg a MolmoAct2 egyet sem, és Astra medián haladási pontszáma 46 pont volt a MolmoAct2 12 pontjával szemben. A Cornell és a Google DeepMind kutatója, Yoav Artzi ezt „lépésváltásnak” nevezte a térbeli gondolkodásban, bár szerinte a modell még nem éri el az emberi szintet minden helyzetben, és feltételezése szerint sok 3D-s (például Blender) adaton tanították. Emellett az OpenAI cégblogjában azt is közölte, hogy Astra kevesebb, célzottabb utasítást igényel, mint elődei, míg a Perplexity saját közlése szerint már ritkábban ellenőrzi a modellt, amikor az önállóan ír kommunikációt vagy módosít szoftvereket.

Egy forrás erősíti A hír állításait legfeljebb egy forrás támasztja alá tárgyilag; a többi forrás anyaga nem erről szól.

Miért fontos?

A StationeryBench teszten Astra medián pontszáma 46 volt a MolmoAct2 12 pontjával szemben, ami az OpenAI robotikai terveinek szempontjából konkrét, mérhető előrelépést jelez a fizikai feladatvégzésben.

Források

OpenAI The Decoder

Kapcsolódó témák

Napi összefoglalók AI kutatás #GPT-6 Astra#StationeryBench

Napi összefoglaló

Ez a hír a 2026. szeptember 13., vasárnap napi AI összefoglaló része.

Helyesbítés · 2026. szeptember 18., péntek

Helyesbítés (2026-09-18): erről a hírről levettük a „Folytatás” jelölést. A 2026-09-05-i „OpenAI kiadta a GPT-6 Astrát: döcögős indulás, vegyes benchmarkeredmények” hírnek nem folytatása — a robotikai teszt a modell egy külön értékelése, nem a bevezetés fejleménye.

Kapcsolódó hírek

Kutatók szerint adatszivárgás torzítja a ritka betegségeket diagnosztizáló AI-rendszerek eredményeit

Egy nem lektorált kutatási anyag (preprint) szerzői 60 000-nél több klinikai esetet felhasználva auditálták a ritka betegségek diagnosztizálására használt, nagy nyelvi modellekre épülő AI-rendszereket. A kutatók azt állítják, hogy a szigorú, adathalmazok közötti elkülönítés bevezetése után az ágensalapú rendszerek Recall@1 mutatója 54,3 százalékról 40,3 százalékra esett vissza, míg a felügyelt osztályozók pontossága 42,9 százalékról 16,7 százalékra csökkent külső kohorszokon tesztelve. A szerzők szerint ez azt jelzi, hogy a korábbi magas benchmark-eredmények jelentős részben a jelölt-térben megjelenő adatszivárgásból, nem pedig valódi orvosi következtetésből fakadnak. A tanulmány azt is állítja, hogy a modellek a klinikai leírásokban szereplő, utólagos terápiás nyomokat használják fel a diagnózis kitalálásához, és javasol egy szigorúbb, adatelkülönítésen alapuló értékelési keretrendszert.

A Tencent TGR-EvoDAG rendszere önállóan fejleszti az ajánlóalgoritmusokat

Kutatók bemutatták a TGR-EvoDAG nevű, több ügynökös kódfejlesztési keretrendszert, amely irányított aciklikus gráfként modellezi a generatív ajánlórendszerek algoritmusainak automatikus fejlesztését. A szerzők szerint a módszer figyelembe veszi az egyes fejlesztési szakaszok eltérő GPU-költségeit, és kezelni tudja azokat az újításokat, amelyek átmenetileg rontják a metrikákat, mielőtt a későbbi lépések kiaknáznák azok előnyeit. A nem lektorált, arXiv-on közzétett tanulmány szerint az Amazon nyilvános adatkészletein a rendszer akár 37,4%-kal javította az offline metrikákat, és 19,7%-kal növelte az Agent4Rec szimulált felhasználói elégedettségét a legjobb alapmodellhez képest. A szerzők szerint a Tencent kereskedelmi médiaplatformján végzett bevezetés során a rendszer 12,16%-os relatív javulást ért el az offline Hit@1 mutatóban, és 0,40 százalékpontos, statisztikailag szignifikáns növekedést hozott az online kattintási arányban.

Az Ai2 szerint megbízhatatlanok az AI-modellek a kutatási ötletek újdonságának megítélésében

Az Ai2 kutatólabor a Hugging Face blogján közzétett tanulmánya szerint a nagy nyelvi modellek megbízhatatlanul ítélik meg, hogy egy kutatási ötlet valóban újszerű-e. A kutatók hat LLM-et – a GPT-5.1, GPT-5.2, GPT-5.4, valamint a Claude Sonnet 4.5, Claude Opus 4.5 és Claude Opus 4.6 modelleket – teszteltek egy saját, ICLR 2026-os bírálatokból épített benchmarkon, amely 154 magas és 145 alacsony újdonságtartalmú kutatási ötletet tartalmaz. Az Ai2 szerint a promptban végzett apró módosítások – néhány szó megváltoztatása – akár 50 százalékpontnál is nagyobb mértékben befolyásolták, hogy a modell helyesen azonosította-e a két ötlet közül az újszerűbbet. A tanulmány azt is megállapította, hogy a visszakeresés és a hosszabb gondolkodási idő nem javítja következetesen az ítéleteket, sőt két célzottan erre épített értékelő rendszer rosszabbul teljesített, mint egy egyszerűen promptolt Claude Opus 4.6.

Kutatók feltárták, miért fárasztó olvasni az AI szövegeit

A New York-i Egyetem és a Texasi Egyetem (Austin) kutatói szerint a vezető nyelvi modellek szövegei szisztematikusan nehezebben olvashatók, mint az emberi írás. A kutatás 14 modellt – köztük Claude, GPT-5.6, GLM-5 és Kimi K2.5 – vizsgált, 120 beszélgetést, 45 kódolási munkamenetet és 980 esszét elemezve, emberi szövegekkel összevetve. A szerzők hat jellegzetes mintát azonosítottak, például szokatlan szóösszetételeket és távolra helyezett mondatrészeket, amelyek megnehezítik a megértést. Szerintük ez azért alakul ki, mert a modellek tanítása inkább a matematikai és kódolási feladatok helyességét jutalmazza, nem az olvashatóságot, az RLHF helyett egyre inkább RLVR módszert alkalmazva. A kisebb modellek, mint a Llama és az Olmo alapváltozata, közelebb maradtak az emberi íráshoz, míg az Anthropic Opus 5.5 a kutatók szerint 21 összehasonlításból 19-ben javult elődjéhez képest.