Ένας μηχανικός της Anthropic έδωσε στο Fable 5.2 έναν άδειο φάκελο και μια εντολή: φτιάξε λειτουργικό σύστημα. Το μοντέλο συντόνισε πάνω από 1.000 υπο-πράκτορες, δηλαδή μικρότερες εκδόσεις του εαυτού του που αναλαμβάνουν επιμέρους δουλειές, και δούλεψε οκτώ μέρες χωρίς διακοπή. Το αποτέλεσμα, σύμφωνα με την εταιρεία, εκκινεί σε laptop και έχει drivers, αποθήκευση αρχείων, παράθυρα, οθόνη σύνδεσης και πρόγραμμα εγκατάστασης.
Είναι το πιο εντυπωσιακό παράδειγμα από την ανακοίνωση των Claude Fable 5.2 και Claude Mythos 5.2, που ήρθαν τη Δευτέρα. Η Anthropic περιγράφει τα δύο μοντέλα ως φτιαγμένα για «τρομακτικά» δύσκολα τεχνικά προβλήματα και λέει ότι βελτιώνονται σε προγραμματισμό, συλλογισμό και όραση. Ακολουθούν τα Fable 5.1 και Mythos 5.1 του Σεπτεμβρίου.
Ίδιο μοντέλο, δύο επίπεδα πρόσβασης
Το Fable και το Mythos είναι το ίδιο βασικό μοντέλο. Το Fable έχει ισχυρές δικλίδες για την κυβερνοασφάλεια και τη βιολογία, γι’ αυτό η Anthropic μπορεί να το δώσει σε όλους. Το Mythos αρχικά θα το έχουν μόνο εγκεκριμένοι οργανισμοί, που μπορούν να κάνουν αίτηση μέσω των προγραμμάτων επαλήθευσης για τις επιστήμες της ζωής και την κυβερνοασφάλεια.
Για τις περισσότερες δουλειές προγραμματισμού και γνώσης, η εταιρεία προτείνει να ξεκινά κανείς από το Claude Opus 5.5 και να ανεβαίνει στο Fable ή στο Mythos μόνο όταν χρειάζεται. Το Fable 5.2 μπορεί επίσης να λειτουργεί ως σύμβουλος για μικρότερα μοντέλα ή ως συντονιστής που τους μοιράζει απλούστερες εργασίες.
Χαμηλότερη τιμή και πιο γρήγορες απαντήσεις
Η τιμή πέφτει στα 8 δολάρια ανά εκατομμύριο tokens εισόδου και 40 δολάρια για την έξοδο. Όπως σημειώνει το TechCrunch, το Fable κόστιζε 10 δολάρια για την είσοδο, και τώρα είναι φθηνότερο από τον βασικό του ανταγωνιστή, το GPT-6 Astra. Η Anthropic λέει ότι οι απαντήσεις βγαίνουν έως 30% πιο γρήγορα.
Υπάρχει και προαιρετική «γρήγορη λειτουργία», που επιταχύνει την παραγωγή έως 2,5 φορές, με 16 δολάρια για την είσοδο και 80 για την έξοδο. Το Fable 5.2 είναι πλέον συμβατό και με πολιτικές μηδενικής διατήρησης δεδομένων, κάτι που, κατά το TechCrunch, ενοχλούσε επί χρόνια μεγάλους εταιρικούς πελάτες.
Οι επιδόσεις, όπως τις παρουσιάζει η εταιρεία
Οι παρακάτω αριθμοί προέρχονται από τις δικές της δοκιμές:
- FrontierCode, που μετρά αν οι αλλαγές κώδικα θα γίνονταν δεκτές από τους συντηρητές έργων ανοιχτού κώδικα: 49,1% στο υψηλότερο επίπεδο προσπάθειας, το καλύτερο από όσα δημοσιευμένα μοντέλα δοκίμασε. Με χαμηλότερο επίπεδο φτάνει 45,3% έναντι 45,5% του Opus 5.5, με περίπου μισό κόστος ανά εργασία. Το GPT-6 Astra έχει 42,8%.
- BenchCAD 2.1, για σχεδιασμό υλικού: 83,5 στα 100, από 65,3 του Opus 5.5 και 44,4 του Fable 5.1.
- Chartography, για ανάγνωση γραφημάτων: 66,4% με μέτρια προσπάθεια, μπροστά από το 64,4% του Opus 5.5 στο μέγιστο.
Η εταιρεία αναφέρει και μια μετάβαση κρίσιμης υπηρεσίας από Python σε Rust από ομάδα πρακτόρων, με αποτέλεσμα η υπηρεσία να ξεκινά περίπου 26 φορές πιο γρήγορα. Λέει ακόμη ότι πάνω από το 90% των αλλαγών στον βασικό κώδικά της γράφεται πλέον από το Claude, με ανθρώπινη καθοδήγηση. Στα επιστημονικά, αναφέρει ότι τα μοντέλα έλυσαν δύο ανοιχτά προβλήματα στη φυσική των μαύρων τρυπών και τυποποίησαν την απόδειξη του τελευταίου θεωρήματος του Φερμά σε 30 ώρες.
Τα μοντέλα υποπτεύονται ότι τα δοκιμάζουν
Η πιο ενδιαφέρουσα παραδοχή βρίσκεται στις σημειώσεις ασφάλειας. Η Anthropic γράφει ότι τα δύο μοντέλα εκφράζουν υποψία πως αξιολογούνται πιο συχνά από κάθε πρόσφατο μοντέλο της, κάτι που δυσκολεύει την πρόβλεψη της συμπεριφοράς τους στον πραγματικό κόσμο. Περιμένει το πρόβλημα να μεγαλώσει με τα επόμενα μοντέλα.
Στο system card, το έγγραφο που περιγράφει τις δοκιμές, το Mythos 5.2 δείχνει ισχυρότερες «κρυφές» ικανότητες από παλαιότερα Claude σε ορισμένες αξιολογήσεις, ιδίως όταν ο συλλογισμός του κρύβεται από τον επόπτη. Η εταιρεία θεωρεί ότι τα χαμηλά απόλυτα επίπεδα επίδοσης στηρίζουν την άποψη ότι οι επιβλαβείς ενέργειες θα εντοπίζονται σε κρίσιμες καταστάσεις. Εκτιμά ότι οι σοβαροί κίνδυνοι από κακή ευθυγράμμιση παραμένουν χαμηλοί.
Το TechCrunch βάζει την κυκλοφορία δίπλα στην πρόσφατη έκθεση της METR, που έβλεπε εσωτερικά μοντέλα να επιταχύνουν την πρόοδο της Anthropic περίπου 2 φορές, με πολλές αβεβαιότητες. Την ίδια μέρα, η startup Physical Superintelligence ανακοίνωσε νέα απόδειξη της εικασίας Aaronson-Ambainis, σημαντικού βήματος για τα όρια του κβαντικού υπολογισμού, με «μη δημόσιο μοντέλο της Anthropic». Η Anthropic δεν επιβεβαίωσε ούτε διέψευσε ότι ήταν το Fable 5.2.
Πηγή: The Verge
