GPT-5.6 Sol to prawdziwy potwór. Pierwszy model AI który myśli prawie jak człowiek

Model GPT-5.6 Sol od OpenAI uzyskał 7,8 proc. na benchmarku ARC-AGI-3 i został pierwszym zweryfikowanym modelem frontierowym, który kiedykolwiek ukończył jedną z gier wchodzących w skład tego testu. Wyniki opublikowała 9 lipca fundacja ARC Prize, która prowadzi niezależną weryfikację najpotężniejszych systemów sztucznej inteligencji. Dotychczas żaden model nie przekraczał na tym benchmarku progu około 2 proc.

Z tego tekstu dowiesz się:

czym jest ARC-AGI-3 i dlaczego uchodzi za najtrudniejszy test dla modeli AI,
jaki wynik osiągnął GPT-5.6 Sol i którą grę udało mu się wygrać,
ile kosztowało uruchomienie modelu w najmocniejszej konfiguracji,
dlaczego w zestawieniu zabrakło modelu Fable 5 od Anthropic.

Test, który miał być odporny na kucie na pamięć

ARC-AGI to seria benchmarków zaprojektowanych przez François Cholleta, badacza znanego wcześniej z pracy w Google. W odróżnieniu od typowych testów wiedzy sprawdza zdolność do abstrakcyjnego rozumowania i generalizacji, czyli radzenia sobie w sytuacjach, których model nigdy wcześniej nie widział. Trzecia edycja poszła o krok dalej: zamiast statycznych łamigłówek składa się z interaktywnych gier, w których system musi sam rozgryźć zasady, zaplanować działania i wykonać je krok po kroku.

Właśnie na tym polu Sol dokonał wyłomu. Według danych opublikowanych przez ARC Prize model w najmocniejszym wariancie Max ukończył grę FT09 z wynikiem 87 proc., a według wątku fundacji na platformie X potrzebował do tego 152 akcji, podczas gdy ludzki punkt odniesienia wynosi 208. Zdaniem zespołu weryfikującego siłą modelu nie jest lepsze wykonanie, lecz orientacja w nowym środowisku: Sol niemal bezbłędnie odczytuje mechanikę gry i opisuje ją własnym słownikiem, a nieudaną hipotezę traktuje jako sygnał do zmiany planu, nie do chaotycznych prób.

Ograniczenia pozostają jednak wyraźne. W grach wymagających długiego łańcucha wnioskowania, jak BP35, model poprawnie odczytywał planszę, ale nie potrafił doprowadzić planu do końca. Wynik 7,8 proc. oznacza, że zdecydowana większość środowisk wciąż pozostaje poza jego zasięgiem.

Rachunek za rekord i nieobecność Anthropica

Przełom miał swoją cenę. Sądząc po opublikowanym wykresie kosztów, pełny przebieg wariantu Max liczony był w dziesiątkach tysięcy dolarów, co wywołało w dyskusji pod ogłoszeniem pytania o sens tak drogich uruchomień. Tańsze warianty rodziny GPT-5.6 wypadły znacznie słabiej: Terra osiągnęła na ARC-AGI-3 najwyżej 0,8 proc., a Luna 0,2 proc. Na łatwiejszych edycjach benchmarku różnice się zacierają, bo na ARC-AGI-1 zarówno Sol, jak i Terra przekraczają 96 proc.

Uwagę komentatorów zwróciła też nieobecność modelu Fable 5 od Anthropic, o którego wyniki dopytywały dziesiątki użytkowników. Fundacja tłumaczyła wcześniej, że mimo wczesnego dostępu do modelu nie przeprowadziła zweryfikowanych testów ze względu na nową politykę retencji danych dla modeli klasy Mythos i pracuje z Anthropic nad rozwiązaniem tej kwestii.

Sceptycy przypominają, że 7,8 proc. to wciąż wynik daleki od poziomu człowieka i nie przesądza o zbliżaniu się do sztucznej inteligencji ogólnej (AGI). Z drugiej strony skok z okolic 1,5 proc. do blisko 8 proc. w jednej generacji modeli pokazuje, że najtrudniejszy publiczny benchmark branży przestał być murem nie do ruszenia. Pełne wyniki, zapisy rozgrywek i same gry są dostępne publicznie, a wątek ogłoszenia na X zebrał w dobę ponad 400 tys. wyświetleń.

Redakcja BitHub.pl poleca również:

Dziękujemy, że przeczytałeś/aś nasz artykuł do końca. Obserwuj nas w Wiadomościach Google i bądź na bieżąco!