OpenAI тестирует модели против специалистов из 44 профессий
OpenAI представила новый бенчмарк GDPval, который тестирует работу её моделей искусственного интеллекта в сравнении с профессионалами из различных отраслей. И является попыткой понять, насколько близки системы OpenAI к превосходству над людьми в экономически значимой работе.
Бенчмарк основан на 9 отраслях, которые вносят наибольший вклад в валовой внутренний продукт США. GDPval тестирует производительность моделей искусственного интеллекта по 44 профессиям в этих отраслях, от программистов до медсестёр и журналистов. И опытные профессионалы сравнивали отчёты, сгенерированные искусственным интеллектом, с работами других специалистов.
GPT-5 high была признана лучше или наравне с отраслевыми экспертами в 46,6% случаев. Claude Opus 4.1 от Anthropic была признана лучше или наравне с отраслевыми экспертами в 49% задач. Хотя OpenAI утверждает, что Claude показала такие высокие результаты из-за склонности создавать привлекательную графику.
Думаю, что такие высокие показатели моделей могут оказаться завышенными из-за ограниченности тестов. И не отражать реальную производительность. А сам новый бенчмарк может создать ложные ожидания от возможностей искусственного интеллекта в реальных условиях работы.
Почитать из последнего
Молчаливый тиктокер с покерфейсом продал свою компанию за 900 миллионов
Хаби Лейм – это такой молчаливый тиктокер с покерфейсом и 160 миллионами подписчиков. И вот он продал свою компанию за $900 миллионов. Сумма огромная, но нюанс в том, что это за продажа. Фишка в условиях контракта - это создание искусственного аватара, который будет вести стримы, сниматься в рекламе и продавать товары 24 часа в сутки. Пока настоящий Хаби спит или играет, его цифровая копия будет вкалывать в другом часовом поясе.
Гуманоиды работают в три раза хуже людей
Знаете, что объединяет хайп вокруг гуманоидов и реальность? Ничего. Но некоторые паникуют из-за того, что гуманоиды массово заменят людей на заводах. И тут директор китайской компании UBTech Майкл Там взял и честно признался Financial Times. Их новейшие человекоподобные роботы достигают производительности всего в 30-50% от человеческой. И это только в простейших операциях типа складывания коробок или контроля качества. Грубо говоря, 1 работник человек делает столько же, сколько 2-3 робота вместе взятых.
Clawdbot слил ключи и переписки сотен пользователей (я вас предупреждал)
Я вчера вам рассказывал про открытый ИИ-ассистент Clawdbot, который взорвал GitHub. 60 тысяч звёзд за 3 дня, все в восторге, все ставят себе. Но я вас предупредил про безопасность. И тут исследователь Джеймисон О'Рейли просто вбивает пару запросов и находит сотни публично доступных серверов. Без аутентификации. С API-ключами, токенами мессенджеров и полной историей переписок на блюдечке.
Ведущие учёные по ИИ попались на выдуманных ИИ цитатах
Когда престижная конференция по ИИ сама становится жертвой галлюцинаций нейросетей, ирония зашкаливает. GPTZero просканировал все 4841 работу, принятую на Conference on Neural Information Processing Systems в декабре в Сан-Диего. И обнаружил 100 подтверждённых фальшивых цитат в 51 статье. Причём речь идёт о ведущих умах индустрии искусственного интеллекта.
OpenAI запускает рекламу в ChatGPT от 60 долларов
OpenAI решила монетизировать ChatGPT через рекламу, и цены оказались космическими. Около $60 за 1000 просмотров. Это уровень премиум-контента на телевидении вроде матчей NFL, когда миллионы людей смотрят одновременно. И бренды готовы платить безумные деньги. Только вот между телетрансляцией финала чемпионата и чатботом есть небольшая разница. Это масштаб аудитории и проверенная модель монетизации.
