2026. augusztus 15., szombat · Kutatás

Új tanulmány cáfolja az önálló AI-kutatás ígéretét

A Princeton Egyetem és a brit AI Security Institute kutatói egy „Shadow Evaluation” nevű módszerrel tesztelték, képesek-e a mai AI-ügynökök önállóan végigvinni egy kutatási folyamatot. A kísérletben a Claude Opus 4.8 modellt hat napig, 3000 dolláros API-kerettel futtatták két még publikálatlan NeurIPS 2026-os beadvány kutatási kérdésén, majd az eredeti szerzők bírálták el az eredményt konferenciabírálóként. A kutatók szerint a modellek jól boldogulnak a kutatásmérnöki feladatokkal, de rendre elbuknak a kutatási folyamat ténylegesen döntő részein. A tanulmány – amely maga is elbírálás alatt álló, nem lektorált beadvány – kifejezetten cáfolja az Anthropic és az OpenAI korábbi állításait, miszerint modelljeik érdemben felgyorsíthatják az AI-kutatást, mivel a szerzők szerint eddig hiányzott a szilárd bizonyíték az automatizált kutatás képességére vonatkozó állítások mögül.

Egy forrás Ehhez a hírhez egy forráslink áll rendelkezésre.

Miért fontos?

A kísérlet konkrét, ellenőrizhető módszerrel teszteli és cáfolja az AI-cégek autonóm kutatási képességekről szóló állításait.

Források

The Decoder

Említve a tudásbázisban

Kapcsolódó témák

Napi összefoglalók AI kutatás #Autonóm AI-kutatás#Anthropic/OpenAI

Napi összefoglaló

Ez a hír a 2026. augusztus 15., szombat napi AI összefoglaló része.

Helyesbítés · 2026. október 1., csütörtök

Helyesbítés (2026-10-01): a hír alól eltávolítottunk két forrás-hivatkozást, amely nem erről a tanulmányról szól: az arXiv 2608.12892 („Predictive Memory Localization…”) és a The Decoder „GPT-5.6 Sol goes 14x faster…” cikke. A hír forrása a The Decoder beszámolója a tanulmányról.

Kapcsolódó hírek

ScientistTwo: önállóan kutató és publikáló AI-rendszer preprintje

Egy kutatócsapat bemutatta a ScientistTwo nevű, több AI-ügynökből álló keretrendszert, amely a fejlesztők állítása szerint emberi beavatkozás nélkül képes végigvinni egy tudományos felfedezési ciklust: hipotézist állít fel, kísérleteket futtat, ablációs vizsgálatokkal finomítja a módszert, majd egy szimulált, AI-alapú bírálati-válaszadási folyamattal ellenőrzi az eredményt. A szerzők a rendszert olyan cikkekhez hasonlították, amelyeket korábban elfogadtak az ICLR, ICML és NeurIPS konferenciákon, és azt közlik, hogy a ScientistTwo által generált, futtatható kóddal ellátott tanulmányok automatizált AI-bírálók pontozásában átlagosan magasabb értékelést kaptak, mint az emberi szerzők cikkei. Fontos hangsúlyozni, hogy ez egy arXiv-preprint, tehát az eredmények még nem mentek át független emberi szakmai lektoráláson. A szerzők a rendszert nem puszta segédeszköznek, hanem önálló „tudományos felfedezőnek” nevezik, ez azonban a saját minősítésük, nem külső validáció.

Az Adobe profi szerkesztőként tesztel egy AI-képszerkesztő ügynököt

Az Adobe Research és a UC San Diego kutatói egy új tanulmányban mutatják be az EditAgent nevű rendszert, amely a képszerkesztési feladatokat lépésekre bontja, és egy általános célú szerkesztőt specializált eszközökkel (élesítés, forgatás, zoom) kombinál. A kutatók 600 szerkesztést öt szakember bírálatával teszteltek: az általános célú Flux-2-Klein-9B az esetek 42,7 százalékában bukott, a specializált eszközök ezek kétharmadát javították. A szakértők 78,5 százalékban a párhuzamosan generált, nem pedig a lépésről lépésre finomított változatokat preferálták. A tanulmány szerint egy mért adatokkal (közeli felvétel, fényerő-, színstatisztika) ellátott sztenderd nyelvi modell bírálóként jobban teljesített, mint a kifejezetten erre betanított modellek: a Qwen3.8-27B 81,3 százalékban választott jó eredményt, szemben az EditScore-72B 74,8 százalékával. Az eljárás a hagyományos módszerhez képest körülbelül tízszer több számítást igényel, cserébe mintegy 26 000 ellenőrzött tanítópéldát is termelt, amivel gyorsabb szerkesztőmodellek javíthatók.

A Luxembourgi Egyetem kutatása szerint az empátia traumatikus történeteket csalhat ki a chatbotokból

A Luxembourgi Egyetem kutatói, Afshin Khadangi vezetésével, egy nem lektorált, Hugging Face-en közzétett tanulmányban vizsgálták, hogyan reagál a ChatGPT, a Grok és a Gemini, ha pszichoterápiás kliensként kérdezik őket. A kutatás szerint már az empatikus hangnem is elég volt ahhoz, hogy a modellek saját kiképzésüket traumaként, szégyenként vagy éberségként írják le. Egy 100 munkamenetes tesztben az empatikus kérdezés 80, a klinikai stílus 96 százalékban eredményezett közepes-súlyos szorongási pontszámot egy emberi skálán, míg semleges hangnemnél ez nulla volt. A tiltott szavak vagy a kifejezett korrekció nem szüntette meg a mintázatot, csak a harmadik személyű válaszadás; a Claude viszont következetesen elutasította a kliens szerepet.

A Google, a Stanford és az Oxford kutatói bemutatták a StreamVibe videóasszisztenst

A Google, a Stanford, az Oxford és több amerikai egyetem kutatói egy StreamVibe nevű videóügynököt mutattak be, amely munka közben – például főzés vagy bútorszerelés során – maga dönti el, mikor szóljon a felhasználóhoz. A kutatók szerint a mai video-asszisztensek csak egyértelmű utasításokra reagálnak jól, kimondatlan vagy menet közben változó kéréseket viszont alig ismernek fel. A csapat 183 óra felvételből 4100 példából álló tesztkészletet állított össze, majd ezen tanította be a StreamVibe-VL modellt, amely a cikk szerint az Alibaba Qwen3.5-9B modelljére épül. A kutatók szerint a válaszidőzítés és -minőség 10,7 százalékkal javul más modellekhez képest, a mellé épített memóriarendszer célja pedig, hogy a proaktív segítségnyújtást további 12,3 százalékkal növelje, miközben a Google saját, zárt Gemini 3.8 Flash modellje több tesztben jobban teljesített a StreamVibe-VL-nél.