Mai briefing — 2026. július 25., szombat
AI hírek röviden
A nap fő iránya az AI-rendszerek mérésének és értékelésének előtérbe kerülése volt: több új benchmark mutatta meg, hogy a legjobb modellek is meglepő korlátokba ütköznek, miközben a geopolitikai és szabályozási feszültségek tovább mélyültek az amerikai tudománypolitikában és a nyílt súlyú modellek körül.
-
DFAH-Bench: az AI-ügynökök pénzügyi döntéshozatalának viselkedési instabilitását mérő új benchmark
A DFAH-Bench nevű, nem lektorált kutatásban bemutatott benchmark-keretrendszer az AI-ügynökök viselkedési stabilitását méri pénzügyi feladatokban – nem csupán a végső döntést, hanem az odavezető eszközhasználati útvonalat is vizsgálja. A szerzők 8127 visszajátszási epizódot elemeztek 10 modellen és 3 feladaton: az élvonalbeli modellek 95%-os döntésegyezés mellett csupán 77%-ban követték ugyanazt az eszközútvonalat, ami 18 százalékpontos rejtett eltérést jelent. Három viselkedési profilt azonosítottak: mintaillesztőket, stabil végrehajtókat és trajektória-divergenseket, amelyek eltérő utakon jutnak azonos következtetésre.
Miért fontos? A benchmark rámutat, hogy az eredményegyezés önmagában félrevezető képet ad az AI-ügynökök döntési stabilitásáról, ami pénzügyi alkalmazásoknál különösen kockázatos.
-
AISE-Bench: új benchmark az akadémiai tudásgráfokon végzett többlépéses információkeresés értékelésére
Az AISE-Bench egy 1133 kérdés-válasz párból álló, valós felhasználói szándékokra épülő benchmark, amely akadémiai tudásgráfokon teszteli a nagy nyelvi modellek eszközhasználó ágensként való működését. A még nem lektorált kutatás szerint a rendszer teljes munkafolyamatot fed le: lekérdezés-tervezés, API-hívások végrehajtása, paraméterek kitöltése, hivatkozásokkal alátámasztott válaszok generálása és átfogó kiértékelés. A szerzők 14 módszert hasonlítottak össze, és azt találták, hogy még a legjobban teljesítő megközelítés (a Gemini-3-Pro-val működő PLAY2PROMPT) is csak közepes eredményt ért el, különösen az API-tervezés és -végrehajtás terén küzdött nehézségekkel. Az AISE-Bench célja, hogy megbízható tesztágyat biztosítson a többlépéses, nyomon követhető érvelést igénylő LLM-ágensek fejlesztéséhez és összehasonlításához. A kód és az adatok nyilvánosan elérhetők.
Miért fontos? A benchmark rávilágít, hogy a legerősebb nyelvi modellek is komoly korlátokba ütköznek a többlépéses akadémiai információkeresésben.
-
A Trump-kormány 5 milliárd dolláros, MI-központú tudományos programot indított Genesis Mission néven
A Trump-adminisztráció csütörtökön mutatta be a Genesis Mission első pályázati körét, amelyben 5 milliárd dollárt irányít 278 mesterséges intelligenciára épülő tudományos projektre – a gyógyszerfejlesztéstől az energetikán át a robotikaig. A The Verge beszámolója szerint a Fehér Ház a programot a Manhattan-tervhez hasonlította sürgősségben és ambícióban, az Energiaügyi Minisztérium pedig nemzeti laboratóriumokat, ipart és egyetemeket kíván összefogni. A Google, a Microsoft és az OpenAI számítási kapacitással és MI-kreditekkel járul hozzá a kezdeményezéshez. Kutatók ugyanakkor a The Verge-nek azt nyilatkozták, hogy a koncepció a közfinanszírozású tudományt szilícium-völgyi startupként kezeli, a mérhető megtérülést és a gyorsaságot helyezi előtérbe a lassú, kiszámíthatatlan alapkutatással szemben, és politikai kinevezettek kezébe ad példátlan kontrollt a szövetségi finanszírozás felett.
Miért fontos? Az Egyesült Államok tudománypolitikájának jelentős átrendeződését jelzi az MI-vezérelt kutatások politikai alapú, központosított finanszírozása felé.
-
Az Anthropic kiadta a Claude Opus 5 modellt, amely megközelíti a Fable 5 képességeit
Az Anthropic csütörtökön bemutatta legújabb modelljét, a Claude Opus 5-öt, amelyről a vállalat azt állítja, hogy számos területen megközelíti a Fable 5 képességeit, és jelentősen jobb összetett kódolási feladatokban. A The Verge szerint a cég szóvivője megerősítette, hogy az Opus 5-öt is tesztelték kormányzati partnerekkel – összhangban a Fable 5 körüli szabályozási feszültségek után kialakult új felügyeleti gyakorlattal. Az Anthropic az Opus 5-öt vállalati ügyfeleknek szánja tudásmunkára és biológiai alkalmazásokra, míg a Fable 5 marad az ambiciózusabb projektekhez. Az árazás megegyezik az előd Opus 4.8-cal (5 dollár bemenet, 25 dollár kimenet millió tokenenként), ami a Fable 5 felének és a GPT-5.6-nál valamivel olcsóbbnak felel meg.
Miért fontos? Az Opus 5 megjelenése jelzi, hogy az Anthropic a kormányzati felügyelet új korszakában is versenyképes modelleket ad ki a vállalati piacra.
-
NVIDIA ModelExpress: modellsúlyok villámgyors elosztása GPU-k között a klaszterben
Az NVIDIA bemutatta a ModelExpress (MX) nevű platformot, amely a nagy nyelvi modellek súlyainak klaszteren belüli mozgatását gyorsítja fel. A rendszer a betöltés előtt megkeresi, hol található már kompatibilis súlymásolat, és a leggyorsabb elérhető útvonalat választja: ha egy kiszolgáló társgépen megvannak a súlyok, azokat közvetlenül GPU-ról GPU-ra másolja RDMA-n keresztül az NIXL könyvtár segítségével, elkerülve az objektumtárolót, a lemezt és a gazdagép memóriáját. Az NVIDIA szerint az MX a DeepSeek-V4 Pro súlyait és a JIT kernelgyorsítótárat kevesebb mint 10 másodperc alatt képes átvinni egy új replikába. A platform többszálú streamelést, elosztott atomi gyorsítótárazást és GPUDirect Storage támogatást alkalmaz, valamint integrálódik a vLLM, SGLang, Dynamo és llm-d keretrendszerekkel, így az éles LLM-telepítések hidegindítási és skálázási idejét jelentősen csökkenti.
Miért fontos? A modellsúlyok mozgatása az LLM-kiszolgálás egyik fő szűk keresztmetszete, és az MX ezt a lépést GPU-közvetlen átvitellel nagyságrendileg gyorsítja.
-
32 mesterséges intelligencia alapmodell összehasonlítása a digitális patológiában – átfogó benchmark a Nature Communicationsben
A Nature Communicationsben megjelent (még szerkesztés előtti) tanulmány 32 mesterséges intelligencia alapmodellt hasonlít össze a számítógépes patológia területén. A kutatók négy kategóriát vizsgáltak: általános látásmodellek, általános látás-nyelvi modellek, patológia-specifikus látásmodellek és patológia-specifikus látás-nyelvi modellek. A TCGA, CPTAC és további külső adathalmazokon végzett tesztek szerint a patológia-specifikus látásmodellek következetesen a legjobban teljesítők közé tartoznak, és felülmúlják a patológia-specifikus látás-nyelvi modelleket. A szerzők rámutatnak, hogy a modellméret és az előtanító adathalmaz nagysága nem jósolja meg megbízhatóan a végső teljesítményt, míg a késői döntési szintű együttes alkalmazás javítja az összesített eredményeket. Az eredmények nyilvánosan elérhetők a PathBench felületen.
Miért fontos? Az eddigi legnagyobb szisztematikus összehasonlítás rávilágít, hogy a patológiai AI-modellek közötti teljesítménykülönbségek gyakran kicsik és feladatfüggők.
-
Kígyórobotok kerestek túlélőket a venezuelai földrengés romjai között
A Carnegie Mellon Egyetem Biorobotikai Laboratóriuma kígyórobotokat vetett be a venezuelai kettős földrengés utáni mentési munkálatokban, amelyek június 24-én több mint ötezer halálos áldozatot követeltek. Az Ars Technica beszámolója szerint a körülbelül 120 centiméteres, moduláris felépítésű robotok videokamerával felszerelve képesek szűk résekbe bekúszni az összeomlott épületek romjai között, ahová sem emberek, sem gépek nem jutnak el. A robotokat egy emberi operátor irányítja játékvezérlővel, miközben szoftveralgoritmusok koordinálják a testszegmensek mozgását. Howie Choset laboratóriumvezető az Ars Technicának úgy fogalmazott, hogy a kígyórobot lényegében minimálisan invazív műtétet végez egy épületen.
Miért fontos? A kígyórobotok éles katasztrófabevetése megmutatta, hogy a robotika valós mentési helyzetekben is képes kiterjeszteni az emberek képességeit.
-
A Szilícium-völgy megosztott a kínai mesterségesintelligencia-modellek szabályozásáról
A WIRED beszámolója szerint a Szilícium-völgy élesen megosztott a kínai nyílt súlyú MI-modellek kezelésében. Az Anthropic azt állítja, hogy az Alibaba desztilláció útján jogellenesen eltulajdonította szellemi tulajdonát, a Fehér Ház pedig úgy véli, a pekingi Moonshot AI hasonló módszerrel fejlesztette Kimi K3 modelljét az Anthropic Fable 5 alapján. Ezzel szemben a Little Tech Association nevű, több mint 200 startupot tömörítő szervezet – köztük a YCombinator – levélben lobbizott a Trump-adminisztrációnál a nyílt súlyú modellek teljes tiltása ellen, azzal érvelve, hogy az amerikai startupokat gyengítené és a nagy MI-cégek monopóliumát erősítené. Bill Gurley neves befektető a szabad piaci megközelítés mellett érvelt, hangsúlyozva, hogy a nyílt modellek a tőkeszegény startupok és az akadémiai kutatás számára létfontosságúak.
Miért fontos? A vita kimenetele meghatározhatja, hogy az USA korlátozza-e a nyílt súlyú MI-modellek elérhetőségét, ami az egész globális MI-ökoszisztémát érinti.
-
A fiatalok egyre szkeptikusabbak az AI-val szemben – sokan cikinek tartják az MI-tartalmakat
A WIRED beszámolója szerint a chatbotok elterjedése óta a fiatalok körében erősödik az MI-szkepticizmus. A YPulse piackutató adatai alapján a 13–17 évesek 37 százaléka kínosan érzi magát az AI-generált tartalmak láttán, több mint felük pedig aggódik a félretájékoztatás és a deepfake-ek miatt. A Pew Research felmérése szerint bár sok tinédzser személyesen hasznosnak tartja az MI-t, egynegyedük negatívan ítéli meg annak társadalmi hatásait húszéves távlatban. Melanie Green kommunikációs professzor szerint a fiatalokat az riasztja, hogy a felnőttek és techcégek erőltetik rájuk a technológiát, miközben tudják, hogy a következményeket nekik kell viselniük.
Miért fontos? A felmérések szerint a fiatalok nem válnak feltétlenül az AI lelkes fogyasztóivá, ami hosszú távon formálhatja a technológia társadalmi elfogadottságát.
-
CANN Bench: nyílt benchmark AI által generált operátorkernelekhez Huawei Ascend NPU-n
Kutatók bemutatták a CANN Bench nevű nyílt benchmarkot, amely AI-ágensek által írt, alacsony szintű operátorkerneleket értékel Huawei Ascend NPU hardveren. A nem lektorált preprint szerint a benchmark 53 operátort és 1060 tesztesetet tartalmaz négy nehézségi szinten – egyszerű primitívektől a FlashAttention kernelekig –, FP16, BF16, FP32 és INT8 formátumokban. Az értékelés három dimenzió – fordíthatóság, funkcionális helyesség és teljesítmény – súlyozott pontszámán alapul, valós NPU-hardveren mért analitikus teljesítménykorláthoz viszonyítva. A szerzők szerint a módszer ellenáll a jutalom-manipulációnak, és hosszú távú közösségi fejlesztésre tervezett, pótolva a CUDA-centrikus benchmarkok hiányosságait.
Miért fontos? Az első nyílt, többdimenziós benchmark AI-generált kernelekhez nem CUDA alapú NPU-hardveren, ami szélesíti a hardverökoszisztémák összehasonlíthatóságát.
Napi összegzők
A nap összképe
A mai hírnap egyik legszembetűnőbb vonulata, hogy több kutatócsoport is új mérőeszközöket mutatott be az AI-rendszerek értékelésére – a pénzügyi döntéshozataltól az akadémiai információkeresésen át az NPU-hardveres kernelgenerálásig –, és ezek rendre arra világítottak rá, hogy a jelenlegi élvonalbeli modellek teljesítménye törékenyebb, mint azt a végeredmények sugallják. Ezt a képet árnyalja a Nature Communicationsben megjelent patológiai összehasonlítás, amely 32 alapmodellt vetett össze, és a teljesítménykülönbségeket gyakran kicsinek és feladatfüggőnek találta. Az értékelési finomságok mellett a nap másik nagy szála a geopolitikai és szabályozási csatározás volt: az 5 milliárd dolláros Genesis Mission központosított amerikai tudománypolitikát jelez, miközben a Szilícium-völgy belülről sem tud megegyezni a kínai nyílt súlyú modellek kezelésében. Az Anthropic a Claude Opus 5 kiadásával azt üzeni, hogy a kormányzati felügyelet szigorodása mellett is versenyképes tud maradni, az NVIDIA ModelExpress pedig a modellek éles üzemeltetésének egy kritikus szűk keresztmetszetét oldja meg. A társadalmi fogadtatás oldaláról a fiatalok növekvő AI-szkepticizmusa arra figyelmeztet, hogy a technológiai fejlődés nem jár automatikusan elfogadással. Összességében a nap azt az üzenetet erősíti, hogy az AI-verseny nemcsak a modellek képességeiről, hanem a mérés, az infrastruktúra és a társadalmi bizalom kérdéseiről is szól.
Témaszálak
Mi köti össze a mai híreket — a nap hírei a nagyobb témák köré rendezve.
Benchmarkok és az AI-modellek rejtett korlátai
A DFAH-Bench a pénzügyi AI-ügynökök viselkedési instabilitását, az AISE-Bench a többlépéses akadémiai információkeresés gyengeségeit, a CANN Bench pedig a nem CUDA-alapú kernelgenerálás értékelési hiányosságait tárta fel, míg a Nature Communications patológiai összehasonlítása 32 modell között mutatott ki gyakran kis és feladatfüggő különbségeket. Ezeket az a közös tanulság köti össze, hogy a végeredmény-alapú értékelés önmagában félrevezető, és mélyebb, többdimenziós mércékre van szükség.
Geopolitika, szabályozás és finanszírozási harc
A Genesis Mission 5 milliárd dolláros, központosított AI-tudománypolitikát indít az Egyesült Államokban, miközben a Szilícium-völgy a kínai nyílt súlyú modellek korlátozásának kérdésében élesen megosztott – a startupok a szabad hozzáférés mellett lobbiznak, az Anthropic pedig szellemi tulajdonának védelmét sürgeti. A két hír együtt azt mutatja, hogy a technológiai verseny, a kormányzati iparpolitika és a szellemi tulajdon védelme egymásnak feszül.
Modellkiadás, infrastruktúra és társadalmi fogadtatás
Az Anthropic Claude Opus 5 modelljének megjelenése, az NVIDIA ModelExpress platformja és a kígyórobotok venezuelai bevetése a gyakorlati alkalmazások széles spektrumát jelzi – a vállalati tudásmunkától a GPU-klaszterek hatékonyságán át a katasztrófamentésig. Ugyanakkor a fiatalok növekvő AI-szkepticizmusa rámutat, hogy a technológiai fejlődés nem jár automatikus társadalmi elfogadással.
Összefüggések korábbi napokkal
Hol folytatódnak a korábbi szálak — a mai hírek a megelőző napok eseményeihez kötve.
Pénzügyi AI-benchmarkok sorozata
A tegnapi FORCE-Bench vállalati pénzügyi értékelésre szabott ágenseket mért, a mai DFAH-Bench pedig ugyanezen terület egy másik rétegét – a viselkedési stabilitást – vizsgálja; együtt azt jelzik, hogy a pénzügyi AI-ágensek megbízhatóságának mérése napról napra gazdagodik.
Kínai nyílt modellek és a Szilícium-völgy feszültsége
Július 23-án a kínai nyílt AI-modellek kihívásáról, 22-én a kínai MI-modellek térnyeréséről szóltak a címek; a mai hír az Anthropic szellemi tulajdoni panaszával és a Little Tech Association lobbijával konkrét frontvonalakat rajzol ki ebben a tartósan forró vitában.
Anthropic modellkiadás és partneri háttér
Az AMD akár 5 milliárd dolláros Anthropic-befektetéséről szóló július 23-i hír után a mai Claude Opus 5 megjelenése azt mutatja, hogy az Anthropic a friss tőke és hardverpartnerségek mellett folyamatosan bővíti modellkínálatát a vállalati piacra.
Mire figyelj
- Érdemes figyelni, hogy a Genesis Mission finanszírozási struktúrája és a kutatók által jelzett aggodalmak milyen konkrét reakciókat váltanak ki az akadémiai közösségből és a Kongresszusból.
- A Claude Opus 5 vállalati bevezetésének első visszajelzései megmutathatják, mennyire állja meg a helyét a Fable 5-höz képest a gyakorlati tudásmunkában és biológiai alkalmazásokban.
- A kínai nyílt súlyú modellek körüli szabályozási vita kimenetelét formálhatja, hogy a Trump-adminisztráció a Little Tech Association érveire vagy az Anthropic szellemi tulajdoni panaszaira reagál-e erőteljesebben.
- A DFAH-Bench és az AISE-Bench által feltárt gyengeségekre érdemes figyelni: ha más kutatócsoportok is megerősítik a viselkedési instabilitás és a többlépéses keresés korlátait, az befolyásolhatja a pénzügyi és akadémiai AI-ügynökök éles bevetésének ütemét.