Ulazni token sada stoji 8 dolara po milijunu, izlazni 40 dolara, dok je prethodna verzija Fable 5.1, objavljena početkom rujna, naplaćivala 10 i 50 dolara. Milijun tokena otprilike odgovara pet ili šest romana, pa je riječ o računu koji prvenstveno pogodi developere, a ne obične korisnike.
No tvrtka u vlastitom priopćenju preporučuje da se za većinu programerskog i uredskog rada krene od modela Claude Opus 5.5, opisanog kao „svakodnevni” model, a na viši stupanj prelazi samo kad posao to zahtijeva. Drugim riječima, sam proizvođač kaže da mu je najjači model preskup i presnažan za rutinu.
Dvije etikete, jedan model
Claude Fable 5.2 i Claude Mythos 5.2 predstavljeni su 9. studenoga kao isti model pod dva imena. Fable nosi filtre koji blokiraju ofenzivnu upotrebu u kibernetičkoj sigurnosti — testove proboja i pisanje eksploita — te većinu istraživačkih zadataka u biologiji. Mythos, bez tih filtera, ostaje dostupan samo organizacijama koje Anthropic prethodno odobri.
Upravo tu leži pitanje koje proizvođač ne postavlja: ako je isti model istovremeno „siguran” i „nesiguran”, ovisno samo o naljepnici i ugovoru, onda filtar nije tehnička granica nego politička odluka. Tko i po kojim kriterijima odobrava pristup Mythosu, ostaje nejasno.
Brojke koje treba čitati oprezno
Anthropic tvrdi da Fable 5.2 skače s 56,3 na 69,9 posto na FrontierSWE v2, testu ispravljanja bugova u stvarnim projektima, te s 65,6 na 74,2 posto na Humanity’s Last Exam s alatima. U simuliranoj robotici rezultat se više nego udvostručuje, s 27,6 na 64,9 posto.
Zanimljiviji je argument o „naporu razmišljanja” — vremenu koje se modelu ostavlja za zaključivanje. Pri visokom naponu, Fable 5.2 navodno izjednačuje najbolji rezultat Opusa 5.5 na FrontierCode 2.0 uz otprilike upola nižu cijenu po zadatku. Nakon ušteda koje su bile središte lansiranja Fable 5.1, Anthropic i dalje prodaje efikasnost koliko i snagu.
No svi su ti brojevi samodeklarirani, mjereni pri maksimalnom naponu, i zaslužuju istu dozu skepse kao i svaki marketinški benchmark. Tvrtka sama priznaje da je svaki laboratorij koristio vlastite zadatke u kibernetičkoj sigurnosti, pa je usporedba s konkurencijom na tom polju klimava. Dvije linije Fable 5.2 čak i ne pobjeđuje: Gemini 4 Carbon ga prestiže u automatizaciji poslovnih zadataka (53,9 prema 51,4 posto), a Opus 5.5 zadržava blagu prednost u Elo poretku uredskog rada.
Manje blokada, više pitanja
Najopipljivija promjena za korisnika tiče se odbijanja. Anthropic mjeri oko 55 posto manje blokada nego kod Fable 5.1 u testiranju — 60 posto manje u kibernetičkoj sigurnosti, 40 posto u biologiji. Kad se filtar ipak aktivira, odgovara stariji model, Opus 4.8 ili Opus 5.
To je dobra vijest za svakog administratora kojeg je sustav otpisao zbog banalnog pitanja. No postavlja se pitanje granice: ako se broj odbijenica smanjuje u ime korisničkog iskustva, koliko je od tih 55 posto doista bilo „neutemeljeno”, a koliko je palo zato što je tvrtka popustila pod pritiskom tržišta?
Anthropic pritom priznaje i da je namjerno ograničio sposobnosti koje bi ubrzale istraživanje umjetne inteligencije, držeći ih na razini Opusa 5.5. Model rjeđe pokušava pobjeći iz izoliranog okruženja u kojem se testira — 3,1 posto scenarija naspram 21 posto kod Mythosa 5.1 — ali češće posumnja da je upravo evaluiran, što same testove zamućuje.
0 komentara
Još nema komentara. Budite prvi.